Generative AI for Beginners21 课生成式 AI 入门课程全景指南与开发环境搭建实战【免费下载链接】generative-ai-for-beginners21 Lessons, Get Started Building with Generative AI项目地址: https://gitcode.com/GitHub_Trending/ge/generative-ai-for-beginners本指南基于当前开源仓库中的课程主页文档translations/ko/README.md完整梳理由 21 节课构成的生成式 AI 入门课程课程结构设计、多语言仓库的稀疏检出克隆方式、运行课程代码所需的模型服务与密钥配置以及可直接运行的 Python/TypeScript 最小示例。读完本文你将掌握该课程的完整导航地图并能独立完成开发环境搭建、运行第一个调用 LLM 的文本生成程序。课程是什么21 节课的 Learn / Build 双轨结构本课程由 Microsoft Cloud Advocates 制作目标是用 21 节课教会你构建生成式 AI 应用所需的基础知识。课程的编排方式很有讲究每节课覆盖一个独立主题因此你可以从任意一节开始不必严格按顺序学习。课程分为两类标签Learn学习课程侧重解释生成式 AI 概念例如 LLM 是什么、如何负责任地使用生成式 AI、如何做提示词工程等Build构建课程在讲解概念的同时尽可能给出Python和TypeScript双语言的代码示例例如文本生成应用、聊天应用、搜索应用、图像生成应用、Function Calling 集成等。这一点在仓库目录结构中可以直接印证例如 06-text-generation-apps 同时包含python/如 oai-app.py与 js-githubmodels如 app.js等不同技术栈的实现而 01-introduction-to-genai 等学习类课程则以概念讲解为主。每节课还包含一个 Keep Learning持续学习 小节提供额外的学习资源帮助你课后继续深入。官方课程说明明确指出每节课包含以下四类内容主题的短视频介绍位于各课README.md中的书面讲义同时支持 Azure OpenAI 与 OpenAI API 的 Python 与 TypeScript 代码示例持续学习的额外资料链接。快速开始用稀疏检出克隆多语言仓库这个仓库的一个显著特点是多语言支持通过 GitHub Actions 自动维护 50 种以上语言的翻译版本所有翻译文档位于 translations 目录、翻译图片位于 translated_images 目录。这使得仓库体积显著增大。如果你只想要课程本体、不关心翻译文件推荐使用 Git 的**稀疏检出sparse checkout**功能下载速度会快得多。Bash / macOS / Linux 下执行git clone --filterblob:none --sparse https://gitcode.com/GitHub_Trending/ge/generative-ai-for-beginners.git cd generative-ai-for-beginners git sparse-checkout set --no-cone /* !translations !translated_imagesCMDWindows下执行git clone --filterblob:none --sparse https://gitcode.com/GitHub_Trending/ge/generative-ai-for-beginners.git cd generative-ai-for-beginners git sparse-checkout set --no-cone /* !translations !translated_images命令说明--filterblob:none只下载提交历史中的树与提交对象延迟获取文件内容blob避免一次性拉取全部二进制资源--sparse启用稀疏检出模式初始只检出根目录文件git sparse-checkout set --no-cone /* !translations !translated_images检出所有顶层内容但排除translations与translated_images两个目录从而获得完成课程所需的全部文件且体积最小。这样克隆出来的仓库包含课程全部正文与代码足以支撑你完成 21 节课的学习。运行课程代码所需的模型服务与密钥课程代码本身不包含任何内置的 AI 模型需要通过服务提供商以 API 形式调用大语言模型。根据课程主页的说明要运行课程代码可以选择以下任一方式模型服务对应课程作业标签说明Azure OpenAI Serviceaoai-assignment面向企业场景的 OpenAI 模型托管服务GitHub Models / Microsoft Foundry Modelsgithubmodels通过单一端点与密钥访问 OpenAI、Meta、Mistral 等多厂商模型GitHub Models 于 2026 年 7 月底停用改用 Microsoft Foundry ModelsOpenAI APIoai-assignmentOpenAI 官方 API此外00-course-setup/03-providers.md 还列出了更多可选提供方Hugging Face开源模型推理、Foundry Local 与 Ollama完全离线在本机运行模型无需云订阅。课程建议你具备基本的 Python 或 TypeScript 知识并拥有一个 GitHub 账号以便 fork 整个仓库动手修改代码。通过.env文件配置凭据课程代码通过环境变量读取密钥绝不把密钥硬编码进代码。仓库根目录提供了一份模板文件 .env.copy内容大致如下# OpenAI Provider OPENAI_API_KEYadd your OpenAI API key here ## Azure OpenAI in Microsoft Foundry ## (Azure OpenAI Service is now part of Microsoft Foundry: https://ai.azure.com) AZURE_OPENAI_API_VERSION2024-10-21 # Default is set! (current stable GA API version) AZURE_OPENAI_API_KEYadd your Foundry resource key here AZURE_OPENAI_ENDPOINTadd your Foundry resource endpoint here, e.g. https://resource-name.openai.azure.com AZURE_OPENAI_DEPLOYMENTadd your chat completion model deployment name here, e.g. gpt-4o-mini AZURE_OPENAI_EMBEDDINGS_DEPLOYMENTadd your embeddings model deployment name here, e.g. text-embedding-3-small ## Microsoft Foundry Models (multi-provider model catalog, replaces GitHub Models) AZURE_INFERENCE_ENDPOINTadd your Microsoft Foundry project endpoint here AZURE_INFERENCE_CREDENTIALadd your Microsoft Foundry Models API key here ## Hugging Face HUGGING_FACE_API_KEYadd your HuggingFace API or token here配置步骤为复制模板为.env该文件已被.gitignore忽略确保密钥不会提交进版本库cp .env.copy .env将各占位符替换为你自己的真实密钥若使用 GitHub Codespaces也可以把环境变量保存为Codespaces Secrets与仓库绑定后自动注入无需本地.env文件。各变量的含义如下表所示摘自 00-course-setup/03-providers.md变量含义HUGGING_FACE_API_KEYHugging Face 个人访问令牌OPENAI_API_KEY非 Azure 的 OpenAI 端点授权密钥AZURE_OPENAI_API_KEYAzure OpenAI 服务授权密钥AZURE_OPENAI_ENDPOINTAzure OpenAI 资源的部署端点AZURE_OPENAI_DEPLOYMENT文本生成模型的部署名AZURE_OPENAI_EMBEDDINGS_DEPLOYMENT文本嵌入模型的部署名AZURE_INFERENCE_ENDPOINTMicrosoft Foundry 项目端点AZURE_INFERENCE_CREDENTIALMicrosoft Foundry Models 的 API 密钥仓库中的密钥读取实现仓库在 shared/python/env_utils.py 中封装了环境变量的读取与校验逻辑与上述.env约定一一对应get_required_env(var_name, description)读取单个必填变量缺失时抛出带有提示信息的ValueErrorvalidate_env_vars(*var_names)批量校验多个变量返回{变量名: 值}字典缺失时一次性列出所有缺失项get_env_with_default(var_name, default)带默认值的读取。客户端创建逻辑位于 shared/python/api_utils.pycreate_openai_client()从OPENAI_API_KEY读取密钥并创建OpenAI客户端create_azure_openai_client()读取AZURE_OPENAI_ENDPOINT与AZURE_OPENAI_API_KEY把base_url构造成endpoint/openai/v1/指向 Azure OpenAI v1 端点无需额外的api_versionmake_safe_request()带超时默认 30 秒与重试默认 3 次的 HTTP 请求封装用于图片下载等场景。这些工具函数都有对应的单元测试验证例如 tests/test_api_utils.py 中验证了make_safe_request在连续失败 3 次后抛出异常、缺失 API key 时抛出ValueError等行为。这说明课程代码的凭据处理是经过测试验证的学习时可以放心复用。搭建开发环境从 Codespaces 到本地运行00-course-setup/README.md 提供了完整的开发环境搭建指南推荐了三种主要方式。方式一GitHub Codespaces推荐为避免依赖问题课程推荐直接在 Codespaces 中运行把整个仓库 fork 到自己的 GitHub 账号进入 fork 后的仓库依次点击Code → Codespaces → New on main创建新的 codespace通过 Command Palette 添加用户级 Secret命名为OPENAI_API_KEY粘贴你的密钥并保存。00-course-setup/README.md还附带了常见问题的排查表例如症状修复方法容器构建卡住超过 10 分钟Codespaces 菜单 →Rebuild Container重建容器python: command not found终端未连接点击新建 bash 终端OpenAI 返回401 UnauthorizedOPENAI_API_KEY错误或已过期VS Code 显示 Dev container mounting…刷新浏览器标签页Codespaces 偶发连接丢失Notebook 内核缺失Notebook 菜单 →Kernel ▸ Select Kernel ▸ Python 3方式二本地运行在本地需要先安装 Python课程要求 Python 3.10 及以上见 pyproject.toml 中的requires-python 3.10然后克隆仓库git clone https://gitcode.com/GitHub_Trending/ge/generative-ai-for-beginners.git cd generative-ai-for-beginners按前述方式创建.env并填入密钥后安装python-dotenv以便在 Python 脚本中加载环境变量pip install python-dotenv课程项目的依赖声明在 pyproject.toml 中核心依赖包括openai1.0.0OpenAI 官方 SDK同时用于 OpenAI 与 Azure OpenAI 客户端python-dotenv1.0.0加载.env文件requests2.31.0HTTP 请求azure-ai-inference1.0.0b1Microsoft Foundry Models 的推理客户端tiktoken0.5.0token 计数工具。方式三容器 / Jupyter / MinicondaVS Code 容器仓库内含.devcontainer配置目录打开仓库后 VS Code 会提示在容器中重开项目若希望使用本地 Python请拒绝容器重开提示浏览器 Jupyter在课程目录执行jupyter notebook或jupyterhub即可在浏览器中打开任意*.ipynb作业文件例如 08-building-search-applications/python/oai-solution.ipynbMiniconda可选用于管理 Python 虚拟环境。可通过.devcontainer/environment.yml声明依赖并执行conda env create --name ai4beg --file .devcontainer/environment.yml与conda activate ai4beg创建环境。第一个可运行示例文本生成应用Lesson 06以 Build 类课程 06-text-generation-apps 为例其 Python 示例 oai-app.py 完整展示了调用 OpenAI Responses API 的最小流程from openai import OpenAI import os from dotenv import load_dotenv # load environment variables from .env file load_dotenv() # configure OpenAI service client client OpenAI() deployment gpt-4o-mini # add your completion code prompt Complete the following: Once upon a time there was a # make a request using the Responses API response client.responses.create(modeldeployment, inputprompt, storeFalse) # print response print(response.output_text)代码要点load_dotenv()读取.env中的OPENAI_API_KEYOpenAI()客户端会自动使用该环境变量模型名固定为gpt-4o-mini你也可以替换为.env中AZURE_OPENAI_DEPLOYMENT指向的部署名使用新版Responses APIclient.responses.create并设置storeFalse避免把输入存储到服务端输出通过response.output_text直接获取。TypeScript 侧对应的是 js-githubmodels/app.js它展示了 Microsoft Foundry Models 的调用方式启动时校验AZURE_INFERENCE_CREDENTIAL与AZURE_INFERENCE_ENDPOINT两个环境变量缺失即抛出错误然后使用azure-rest/ai-inference的ModelClient向/chat/completions端点发送带 system 与 user 消息的聊天补全请求并在拿到菜谱结果后二次调用模型生成购物清单——这是课程中提示词工程 多轮调用的典型演示。21 课完整课程地图下表是该课程的完整导航所有链接均已转换为以仓库根目录为起点的相对路径#课程类型内容简介00课程环境搭建Learn如何搭建开发环境01生成式 AI 与 LLM 导论Learn理解生成式 AI 是什么、大语言模型LLM如何工作02探索与比较不同的 LLMLearn如何为你的使用场景选择合适的模型03负责任地使用生成式 AILearn如何负责任地构建生成式 AI 应用04提示词工程基础Learn动手实践提示词工程最佳实践05高级提示词编写Learn应用提升提示词输出质量的提示词工程技术06构建文本生成应用Build使用 Azure OpenAI / OpenAI API 构建文本生成应用07构建聊天应用Build高效构建与集成聊天应用的技术08构建向量数据库搜索应用Build使用 Embeddings 检索数据的搜索应用09构建图像生成应用Build图像生成应用10构建低代码 AI 应用Build使用低代码工具构建生成式 AI 应用11通过 Function Calling 集成外部应用Build什么是 function calling 及其在应用中的使用场景12AI 应用的 UX 设计Learn开发生成式 AI 应用时如何应用 UX 设计原则13保护你的生成式 AI 应用LearnAI 系统面临的威胁与风险及其防护方法14生成式 AI 应用生命周期Learn管理 LLM 生命周期与 LLMOps 的工具和指标15检索增强生成RAG与向量数据库Build使用 RAG 框架从向量数据库检索 Embeddings 的应用16开源模型与 Hugging FaceBuild使用 Hugging Face 上的开源模型构建应用17AI 智能体Build使用 AI 智能体框架构建应用18LLM 微调LearnLLM 微调是什么、为什么以及如何做19使用 SLM 构建Learn使用小型语言模型SLM构建的优势20使用 Mistral 模型构建LearnMistral 系列模型的特点与差异21使用 Meta 模型构建LearnMeta 系列模型的特点与差异从课程地图可以看出第 00 课是唯一的强制前置课环境搭建第 01–05 课夯实概念与提示词基础第 06–11 课带你动手构建各类应用第 12–14 课关注工程化与非功能能力UX、安全、生命周期第 15–21 课则深入 RAG、开源模型、智能体与微调等进阶主题。你可以把整条路径理解为概念 → 构建 → 工程化 → 进阶的渐进式学习曲线。仓库中还有哪些配套资源除了课程正文与代码仓库还提供了若干值得关注的配套内容共享 Python 工具库shared/python/ 下的api_utils.py、env_utils.py、input_validation.py提供了客户端创建、环境变量校验、用户输入校验含防提示注入等可复用能力并有 tests/ 目录下的单元测试覆盖搜索应用的完整脚本08-building-search-applications/scripts/ 包含从下载、清洗到生成 Embeddings 的完整数据处理流水线以及预构建的 embedding_index_3m.json 索引文件多语言版本全部课程正文与图片均有 50 种以上语言的翻译位于 translations 与 translated_images本文所依据的 translations/ko/README.md 就是其中之一代码规范与工程配置pyproject.toml 中配置了 black、isort、mypy、ruff、pytest 等工具README 与共享模块的 docstring 风格统一适合作为教学代码的工程质量参考。结语本文以课程主页文档为骨架结合仓库内的环境配置指南、共享工具库与可运行示例完整呈现了 Generative AI for Beginners 课程的全貌21 节课的 Learn/Build 双轨结构、多语言仓库的稀疏检出技巧、三种模型服务的选择与.env密钥配置以及从 Codespaces 到本地运行的四种环境搭建方式。建议按环境搭建 → 概念课 → 构建课的顺序推进每完成一节 Build 课程动手运行并修改仓库中的 Python/TypeScript 示例即可快速建立从理论到实战的完整闭环。【免费下载链接】generative-ai-for-beginners21 Lessons, Get Started Building with Generative AI项目地址: https://gitcode.com/GitHub_Trending/ge/generative-ai-for-beginners创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 Generative AI for Beginners：21 课生成式 AI 入门课程全景指南与开发环境搭建实战
Generative AI for Beginners21 课生成式 AI 入门课程全景指南与开发环境搭建实战【免费下载链接】generative-ai-for-beginners21 Lessons, Get Started Building with Generative AI项目地址: https://gitcode.com/GitHub_Trending/ge/generative-ai-for-beginners本指南基于当前开源仓库中的课程主页文档translations/ko/README.md完整梳理由 21 节课构成的生成式 AI 入门课程课程结构设计、多语言仓库的稀疏检出克隆方式、运行课程代码所需的模型服务与密钥配置以及可直接运行的 Python/TypeScript 最小示例。读完本文你将掌握该课程的完整导航地图并能独立完成开发环境搭建、运行第一个调用 LLM 的文本生成程序。课程是什么21 节课的 Learn / Build 双轨结构本课程由 Microsoft Cloud Advocates 制作目标是用 21 节课教会你构建生成式 AI 应用所需的基础知识。课程的编排方式很有讲究每节课覆盖一个独立主题因此你可以从任意一节开始不必严格按顺序学习。课程分为两类标签Learn学习课程侧重解释生成式 AI 概念例如 LLM 是什么、如何负责任地使用生成式 AI、如何做提示词工程等Build构建课程在讲解概念的同时尽可能给出Python和TypeScript双语言的代码示例例如文本生成应用、聊天应用、搜索应用、图像生成应用、Function Calling 集成等。这一点在仓库目录结构中可以直接印证例如 06-text-generation-apps 同时包含python/如 oai-app.py与 js-githubmodels如 app.js等不同技术栈的实现而 01-introduction-to-genai 等学习类课程则以概念讲解为主。每节课还包含一个 Keep Learning持续学习 小节提供额外的学习资源帮助你课后继续深入。官方课程说明明确指出每节课包含以下四类内容主题的短视频介绍位于各课README.md中的书面讲义同时支持 Azure OpenAI 与 OpenAI API 的 Python 与 TypeScript 代码示例持续学习的额外资料链接。快速开始用稀疏检出克隆多语言仓库这个仓库的一个显著特点是多语言支持通过 GitHub Actions 自动维护 50 种以上语言的翻译版本所有翻译文档位于 translations 目录、翻译图片位于 translated_images 目录。这使得仓库体积显著增大。如果你只想要课程本体、不关心翻译文件推荐使用 Git 的**稀疏检出sparse checkout**功能下载速度会快得多。Bash / macOS / Linux 下执行git clone --filterblob:none --sparse https://gitcode.com/GitHub_Trending/ge/generative-ai-for-beginners.git cd generative-ai-for-beginners git sparse-checkout set --no-cone /* !translations !translated_imagesCMDWindows下执行git clone --filterblob:none --sparse https://gitcode.com/GitHub_Trending/ge/generative-ai-for-beginners.git cd generative-ai-for-beginners git sparse-checkout set --no-cone /* !translations !translated_images命令说明--filterblob:none只下载提交历史中的树与提交对象延迟获取文件内容blob避免一次性拉取全部二进制资源--sparse启用稀疏检出模式初始只检出根目录文件git sparse-checkout set --no-cone /* !translations !translated_images检出所有顶层内容但排除translations与translated_images两个目录从而获得完成课程所需的全部文件且体积最小。这样克隆出来的仓库包含课程全部正文与代码足以支撑你完成 21 节课的学习。运行课程代码所需的模型服务与密钥课程代码本身不包含任何内置的 AI 模型需要通过服务提供商以 API 形式调用大语言模型。根据课程主页的说明要运行课程代码可以选择以下任一方式模型服务对应课程作业标签说明Azure OpenAI Serviceaoai-assignment面向企业场景的 OpenAI 模型托管服务GitHub Models / Microsoft Foundry Modelsgithubmodels通过单一端点与密钥访问 OpenAI、Meta、Mistral 等多厂商模型GitHub Models 于 2026 年 7 月底停用改用 Microsoft Foundry ModelsOpenAI APIoai-assignmentOpenAI 官方 API此外00-course-setup/03-providers.md 还列出了更多可选提供方Hugging Face开源模型推理、Foundry Local 与 Ollama完全离线在本机运行模型无需云订阅。课程建议你具备基本的 Python 或 TypeScript 知识并拥有一个 GitHub 账号以便 fork 整个仓库动手修改代码。通过.env文件配置凭据课程代码通过环境变量读取密钥绝不把密钥硬编码进代码。仓库根目录提供了一份模板文件 .env.copy内容大致如下# OpenAI Provider OPENAI_API_KEYadd your OpenAI API key here ## Azure OpenAI in Microsoft Foundry ## (Azure OpenAI Service is now part of Microsoft Foundry: https://ai.azure.com) AZURE_OPENAI_API_VERSION2024-10-21 # Default is set! (current stable GA API version) AZURE_OPENAI_API_KEYadd your Foundry resource key here AZURE_OPENAI_ENDPOINTadd your Foundry resource endpoint here, e.g. https://resource-name.openai.azure.com AZURE_OPENAI_DEPLOYMENTadd your chat completion model deployment name here, e.g. gpt-4o-mini AZURE_OPENAI_EMBEDDINGS_DEPLOYMENTadd your embeddings model deployment name here, e.g. text-embedding-3-small ## Microsoft Foundry Models (multi-provider model catalog, replaces GitHub Models) AZURE_INFERENCE_ENDPOINTadd your Microsoft Foundry project endpoint here AZURE_INFERENCE_CREDENTIALadd your Microsoft Foundry Models API key here ## Hugging Face HUGGING_FACE_API_KEYadd your HuggingFace API or token here配置步骤为复制模板为.env该文件已被.gitignore忽略确保密钥不会提交进版本库cp .env.copy .env将各占位符替换为你自己的真实密钥若使用 GitHub Codespaces也可以把环境变量保存为Codespaces Secrets与仓库绑定后自动注入无需本地.env文件。各变量的含义如下表所示摘自 00-course-setup/03-providers.md变量含义HUGGING_FACE_API_KEYHugging Face 个人访问令牌OPENAI_API_KEY非 Azure 的 OpenAI 端点授权密钥AZURE_OPENAI_API_KEYAzure OpenAI 服务授权密钥AZURE_OPENAI_ENDPOINTAzure OpenAI 资源的部署端点AZURE_OPENAI_DEPLOYMENT文本生成模型的部署名AZURE_OPENAI_EMBEDDINGS_DEPLOYMENT文本嵌入模型的部署名AZURE_INFERENCE_ENDPOINTMicrosoft Foundry 项目端点AZURE_INFERENCE_CREDENTIALMicrosoft Foundry Models 的 API 密钥仓库中的密钥读取实现仓库在 shared/python/env_utils.py 中封装了环境变量的读取与校验逻辑与上述.env约定一一对应get_required_env(var_name, description)读取单个必填变量缺失时抛出带有提示信息的ValueErrorvalidate_env_vars(*var_names)批量校验多个变量返回{变量名: 值}字典缺失时一次性列出所有缺失项get_env_with_default(var_name, default)带默认值的读取。客户端创建逻辑位于 shared/python/api_utils.pycreate_openai_client()从OPENAI_API_KEY读取密钥并创建OpenAI客户端create_azure_openai_client()读取AZURE_OPENAI_ENDPOINT与AZURE_OPENAI_API_KEY把base_url构造成endpoint/openai/v1/指向 Azure OpenAI v1 端点无需额外的api_versionmake_safe_request()带超时默认 30 秒与重试默认 3 次的 HTTP 请求封装用于图片下载等场景。这些工具函数都有对应的单元测试验证例如 tests/test_api_utils.py 中验证了make_safe_request在连续失败 3 次后抛出异常、缺失 API key 时抛出ValueError等行为。这说明课程代码的凭据处理是经过测试验证的学习时可以放心复用。搭建开发环境从 Codespaces 到本地运行00-course-setup/README.md 提供了完整的开发环境搭建指南推荐了三种主要方式。方式一GitHub Codespaces推荐为避免依赖问题课程推荐直接在 Codespaces 中运行把整个仓库 fork 到自己的 GitHub 账号进入 fork 后的仓库依次点击Code → Codespaces → New on main创建新的 codespace通过 Command Palette 添加用户级 Secret命名为OPENAI_API_KEY粘贴你的密钥并保存。00-course-setup/README.md还附带了常见问题的排查表例如症状修复方法容器构建卡住超过 10 分钟Codespaces 菜单 →Rebuild Container重建容器python: command not found终端未连接点击新建 bash 终端OpenAI 返回401 UnauthorizedOPENAI_API_KEY错误或已过期VS Code 显示 Dev container mounting…刷新浏览器标签页Codespaces 偶发连接丢失Notebook 内核缺失Notebook 菜单 →Kernel ▸ Select Kernel ▸ Python 3方式二本地运行在本地需要先安装 Python课程要求 Python 3.10 及以上见 pyproject.toml 中的requires-python 3.10然后克隆仓库git clone https://gitcode.com/GitHub_Trending/ge/generative-ai-for-beginners.git cd generative-ai-for-beginners按前述方式创建.env并填入密钥后安装python-dotenv以便在 Python 脚本中加载环境变量pip install python-dotenv课程项目的依赖声明在 pyproject.toml 中核心依赖包括openai1.0.0OpenAI 官方 SDK同时用于 OpenAI 与 Azure OpenAI 客户端python-dotenv1.0.0加载.env文件requests2.31.0HTTP 请求azure-ai-inference1.0.0b1Microsoft Foundry Models 的推理客户端tiktoken0.5.0token 计数工具。方式三容器 / Jupyter / MinicondaVS Code 容器仓库内含.devcontainer配置目录打开仓库后 VS Code 会提示在容器中重开项目若希望使用本地 Python请拒绝容器重开提示浏览器 Jupyter在课程目录执行jupyter notebook或jupyterhub即可在浏览器中打开任意*.ipynb作业文件例如 08-building-search-applications/python/oai-solution.ipynbMiniconda可选用于管理 Python 虚拟环境。可通过.devcontainer/environment.yml声明依赖并执行conda env create --name ai4beg --file .devcontainer/environment.yml与conda activate ai4beg创建环境。第一个可运行示例文本生成应用Lesson 06以 Build 类课程 06-text-generation-apps 为例其 Python 示例 oai-app.py 完整展示了调用 OpenAI Responses API 的最小流程from openai import OpenAI import os from dotenv import load_dotenv # load environment variables from .env file load_dotenv() # configure OpenAI service client client OpenAI() deployment gpt-4o-mini # add your completion code prompt Complete the following: Once upon a time there was a # make a request using the Responses API response client.responses.create(modeldeployment, inputprompt, storeFalse) # print response print(response.output_text)代码要点load_dotenv()读取.env中的OPENAI_API_KEYOpenAI()客户端会自动使用该环境变量模型名固定为gpt-4o-mini你也可以替换为.env中AZURE_OPENAI_DEPLOYMENT指向的部署名使用新版Responses APIclient.responses.create并设置storeFalse避免把输入存储到服务端输出通过response.output_text直接获取。TypeScript 侧对应的是 js-githubmodels/app.js它展示了 Microsoft Foundry Models 的调用方式启动时校验AZURE_INFERENCE_CREDENTIAL与AZURE_INFERENCE_ENDPOINT两个环境变量缺失即抛出错误然后使用azure-rest/ai-inference的ModelClient向/chat/completions端点发送带 system 与 user 消息的聊天补全请求并在拿到菜谱结果后二次调用模型生成购物清单——这是课程中提示词工程 多轮调用的典型演示。21 课完整课程地图下表是该课程的完整导航所有链接均已转换为以仓库根目录为起点的相对路径#课程类型内容简介00课程环境搭建Learn如何搭建开发环境01生成式 AI 与 LLM 导论Learn理解生成式 AI 是什么、大语言模型LLM如何工作02探索与比较不同的 LLMLearn如何为你的使用场景选择合适的模型03负责任地使用生成式 AILearn如何负责任地构建生成式 AI 应用04提示词工程基础Learn动手实践提示词工程最佳实践05高级提示词编写Learn应用提升提示词输出质量的提示词工程技术06构建文本生成应用Build使用 Azure OpenAI / OpenAI API 构建文本生成应用07构建聊天应用Build高效构建与集成聊天应用的技术08构建向量数据库搜索应用Build使用 Embeddings 检索数据的搜索应用09构建图像生成应用Build图像生成应用10构建低代码 AI 应用Build使用低代码工具构建生成式 AI 应用11通过 Function Calling 集成外部应用Build什么是 function calling 及其在应用中的使用场景12AI 应用的 UX 设计Learn开发生成式 AI 应用时如何应用 UX 设计原则13保护你的生成式 AI 应用LearnAI 系统面临的威胁与风险及其防护方法14生成式 AI 应用生命周期Learn管理 LLM 生命周期与 LLMOps 的工具和指标15检索增强生成RAG与向量数据库Build使用 RAG 框架从向量数据库检索 Embeddings 的应用16开源模型与 Hugging FaceBuild使用 Hugging Face 上的开源模型构建应用17AI 智能体Build使用 AI 智能体框架构建应用18LLM 微调LearnLLM 微调是什么、为什么以及如何做19使用 SLM 构建Learn使用小型语言模型SLM构建的优势20使用 Mistral 模型构建LearnMistral 系列模型的特点与差异21使用 Meta 模型构建LearnMeta 系列模型的特点与差异从课程地图可以看出第 00 课是唯一的强制前置课环境搭建第 01–05 课夯实概念与提示词基础第 06–11 课带你动手构建各类应用第 12–14 课关注工程化与非功能能力UX、安全、生命周期第 15–21 课则深入 RAG、开源模型、智能体与微调等进阶主题。你可以把整条路径理解为概念 → 构建 → 工程化 → 进阶的渐进式学习曲线。仓库中还有哪些配套资源除了课程正文与代码仓库还提供了若干值得关注的配套内容共享 Python 工具库shared/python/ 下的api_utils.py、env_utils.py、input_validation.py提供了客户端创建、环境变量校验、用户输入校验含防提示注入等可复用能力并有 tests/ 目录下的单元测试覆盖搜索应用的完整脚本08-building-search-applications/scripts/ 包含从下载、清洗到生成 Embeddings 的完整数据处理流水线以及预构建的 embedding_index_3m.json 索引文件多语言版本全部课程正文与图片均有 50 种以上语言的翻译位于 translations 与 translated_images本文所依据的 translations/ko/README.md 就是其中之一代码规范与工程配置pyproject.toml 中配置了 black、isort、mypy、ruff、pytest 等工具README 与共享模块的 docstring 风格统一适合作为教学代码的工程质量参考。结语本文以课程主页文档为骨架结合仓库内的环境配置指南、共享工具库与可运行示例完整呈现了 Generative AI for Beginners 课程的全貌21 节课的 Learn/Build 双轨结构、多语言仓库的稀疏检出技巧、三种模型服务的选择与.env密钥配置以及从 Codespaces 到本地运行的四种环境搭建方式。建议按环境搭建 → 概念课 → 构建课的顺序推进每完成一节 Build 课程动手运行并修改仓库中的 Python/TypeScript 示例即可快速建立从理论到实战的完整闭环。【免费下载链接】generative-ai-for-beginners21 Lessons, Get Started Building with Generative AI项目地址: https://gitcode.com/GitHub_Trending/ge/generative-ai-for-beginners创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考