generative-ai-for-beginners 课程环境配置实战从 Fork、Codespaces 到 .env 与本地运行的完整指南【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本文基于 generative-ai-for-beginners 课程的入门配置文档 translations/ar/00-course-setup/README.md阿拉伯语“Getting Started”页面展开完整覆盖该课程的全部环境搭建步骤Fork 仓库、创建 GitHub Codespaces 云开发环境、注入 API 密钥、创建并加载.env凭据文件、本地克隆运行以及 Miniconda、VS Code、Jupyter、Docker 容器等可选方案。读完本文你可以独立选择云端或本地路径完成课程环境的配置并掌握容器构建卡死、python: command not found、401 Unauthorized等典型故障的排查方法同时理解仓库中.devcontainer配置与共享工具库背后的实现机制。一、配置总览先 Fork再选云端或本地配置文档开宗明义要开始这门课程需要先完成若干准备步骤。整个流程分为两个阶段前置动作必做将仓库 Fork 到你自己的账号以便自由修改代码、完成各课的挑战练习也可以给仓库标星方便日后快速找到它及相关仓库。环境动作二选一云端路径推荐在 GitHub Codespaces 中运行课程。官方推荐的理由是——“为了避免运行代码时出现任何依赖问题”To avoid any dependency issues when running the code。仓库内置的开发容器dev container会预先装好 Python、Node.js 等运行环境你只需处理 API 密钥。本地路径在电脑上安装某个版本的 Python克隆仓库后自行管理依赖。文档同时提供了 Miniconda、VS Code Python 扩展、浏览器 Jupyter、Docker 容器四条可选支线。云端与本地的详细分册分别位于 translations/ar/00-course-setup/01-setup-cloud.md、translations/ar/00-course-setup/02-setup-local.md英文原版对应 00-course-setup/01-setup-cloud.md 与 00-course-setup/02-setup-local.md。二、云端路径创建 Codespaces 并注入密钥2.1 一键创建 Codespace在你的 Fork 仓库页面中点击Code ➜ Codespaces ➜ New on main界面即上文配图所示的“Create codespace on main”按钮浏览器中会直接打开一个带完整依赖的 VS Code 实例。分册 01-setup-cloud.md 补充了两个实用信息个人账号每月有免费额度120 核时 / 60 GB 时建议定期停止或删除闲置 CodespaceView ➜ Command Palette ➜Codespaces: Stop Codespace首次构建开发容器约需 2 分钟。2.2 安全地添加 API 密钥创建 Codespace 后密钥不要写进代码而是存为 Codespaces 的用户级 Secret左下角 ⚙️ 齿轮图标 ➜ Command Palette ➜Codespaces: Manage user secret➜Add a new secret名称填OPENAI_API_KEY粘贴你的密钥保存。课程代码会自动读取该变量无需在本仓库中提交任何明文密钥。2.3 源码视角容器启动时到底做了什么仓库根目录的 .devcontainer/devcontainer.json 定义了上述“开箱即用”环境的全部细节{ name: Generative AI For Beginners, image: mcr.microsoft.com/devcontainers/universal:2.13, hostRequirements: { cpus: 4 }, waitFor: onCreateCommand, updateContentCommand: python3 -m pip install -r requirements.txt, postCreateCommand: bash .devcontainer/post-create.sh, customizations: { vscode: { extensions: [ms-python.python, ms-python.vscode-pylance, ms-toolsai.jupyter, ms-python.black-formatter, charliermarsh.ruff, dbaeumer.vscode-eslint, esbenp.prettier-vscode, github.copilot], settings: { editor.formatOnSave: true } } } }从该配置可以读出三条关键事实基础镜像是微软官方的devcontainers/universal:2.13通用运行时这就是文档所说“Python 3、Node.js、.NET、Java 已经在里面”的来源内容更新时执行pip install -r requirements.txt即所有 Python 依赖以根目录 requirements.txt 为唯一事实来源当前包含ipywidgets8.1.8、numpy2.4.2、pandas3.0.0、python-dotenv1.2.2、openai1.12.0、tiktoken、azure-ai-inference、scikit-learn等容器创建后执行 .devcontainer/post-create.sh其中额外安装了python-dotenv、openai以及ruff、black、mypy、pytest等本地质量检查工具——脚本注释明确说明“这些工具与 CI 中代码质量检查保持一致贡献者可以在开 PR 前在本地复现”。三、本地路径克隆仓库与运行准备本地运行需要两个前置条件电脑上安装了某个版本的 Python仓库已克隆到本地。文档给出的命令为git clone https://gitcode.com/GitHub_Trending/ge/generative-ai-for-beginners cd generative-ai-for-beginners之后即可开始学习。本地分册 02-setup-local.md 将“最快”的原生方案细化为三步可在此之上执行python -m venv .venv # 创建虚拟环境 source .venv/bin/activate # macOS / LinuxWindows PowerShell 用 .\.venv\Scripts\activate pip install -r requirements.txt提示符前出现(.venv)前缀即代表已进入虚拟环境。该分册还给出了一条验证工具链的命令python --version、git --version、docker --version、code --version。四、核心实操创建 .env 文件并加载环境凭据这是配置文档中最完整的实操段落步骤 2 至 6其目的是把 API 凭据安全地保存在代码之外。文档强调把密钥直接写进代码或提交到公开仓库轻则引发安全问题重则被人恶意调用产生费用。完整步骤如下。第 1 步进入项目根目录。cd path/to/your/project第 2 步创建空的.env文件。Unix 系系统touch .envWindowsecho . .env第 3 步编辑.env。用任意文本编辑器VS Code、Notepad 等打开.env写入你的凭据。文档原文给出的示例变量是GITHUB_TOKENGITHUB_TOKENyour_github_token_here需要特别注意时效性分册 02-setup-local.md 明确标注GitHub Models及其GITHUB_TOKEN变量将于 2026 年 7 月底退役课程已改用 Microsoft Foundry Models。仓库根目录的 .env.copy 是当前版本最完整的凭据模板其内容涵盖 OpenAI、Azure OpenAI已并入 Microsoft Foundry、Microsoft Foundry Models 与 Hugging Face 四类供应商# OpenAI Provider OPENAI_API_KEYyour OpenAI API key ## Azure OpenAI in Microsoft Foundry AZURE_OPENAI_API_VERSION2024-10-21 # 默认即当前稳定 GA 版本 AZURE_OPENAI_API_KEYFoundry 资源密钥 AZURE_OPENAI_ENDPOINTFoundry 资源端点如 https://resource-name.openai.azure.com AZURE_OPENAI_DEPLOYMENT文本生成模型部署名如 gpt-4o-mini AZURE_OPENAI_EMBEDDINGS_DEPLOYMENT向量嵌入模型部署名如 text-embedding-3-small ## Microsoft Foundry ModelsOpenAI、Meta、Mistral、Cohere、Microsoft 等多供应商目录 AZURE_INFERENCE_ENDPOINTFoundry 项目端点 AZURE_INFERENCE_CREDENTIALFoundry Models API 密钥 ## Hugging Face HUGGING_FACE_API_KEYHuggingFace API 或 token实际使用时只需执行cp .env.copy .env然后替换占位符.env已被.gitignore忽略密钥不会入库。各变量的完整语义见 00-course-setup/03-providers.md 中的变量说明表。此外按供应商划分的练习文件在文件名中带标签aoaiAzure OpenAI、oaiOpenAI、hfHugging Face、githubmodelsMicrosoft Foundry Models——只配置你需要的供应商即可缺少凭据的练习会直接报错跳过不会阻塞其他练习。第 4 步保存文件并关闭编辑器。第 5 步安装python-dotenv。若尚未安装pip install python-dotenv第 6 步在 Python 脚本中加载.env。文档给出的加载示例按当前仓库口径读取 Foundry 变量from dotenv import load_dotenv import os # 从 .env 文件加载环境变量 load_dotenv() # 访问 Microsoft Foundry Models 变量 endpoint os.getenv(AZURE_INFERENCE_ENDPOINT) token os.getenv(AZURE_INFERENCE_CREDENTIAL) print(endpoint)源码佐证仓库如何安全地读取这些变量课程共享库 shared/python/env_utils.py 把“读环境变量”这件事做成了三个可复用函数其设计与.env流程一一对应get_required_env(var_name, description)取值若未设置或为空字符串则抛出带提示信息的ValueError提示语直接引导你“请在.env文件或环境中设置它”validate_env_vars(*var_names)一次性校验多个变量把所有缺失项聚合到一条错误信息中例如同时缺AZURE_OPENAI_ENDPOINT和AZURE_OPENAI_API_KEY时会一并报出get_env_with_default(var_name, default)带默认值读取例如get_env_with_default(MODEL_NAME, gpt-4o)。tests/test_env_utils.py 对这些行为做了完整单测覆盖值存在时返回原值、缺失或空串时抛错、错误信息包含变量名与描述文案、多变量校验会列出全部缺失项等。也就是说你按上文步骤配好.env后课程脚本在凭据缺失时会得到清晰、可操作的报错而不是静默失败。五、可选方案详解5.1 安装 MinicondaMiniconda 是安装 Conda 与 Python 的轻量安装器。Conda 作为包管理器便于创建和切换不同的 Python 虚拟环境也能安装pip上不可用的包。安装完成后用环境文件声明依赖如果使用 Codespaces环境文件应放在.devcontainer目录下即.devcontainer/environment.yml。文档给出的环境文件模板name: environment-name channels: - defaults - microsoft dependencies: - pythonpython-version - openai - python-dotenv - pip - pip: - azure-ai-ml其中environment-name是你要使用的 Conda 环境名python-version是目标 Python 版本3表示最新主版本。若 conda 流程报错可在终端手动安装微软 AI 库conda install -c microsoft azure-ai-ml然后创建并激活环境conda env create --name ai4beg --file .devcontainer/environment.yml # .devcontainer 子路径仅适用于 Codespace 环境 conda activate ai4beg作为对照仓库中实际提交的 .devcontainer/environment.yml 内容为name: dev、依赖python3.10.0、openai、python-dotenv、azure-ai-inference——可以看到当前版本已把azure-ai-ml演进为azure-ai-inference与 requirements.txt 中的azure-ai-inference保持一致。5.2 使用 VS Code 与 Python 扩展课程推荐使用 Visual Studio Code 并安装 Python 支持扩展这是建议而非硬性要求。文档附带三条提示在 VS Code 中打开课程仓库时会出现“在容器内设置项目”的选项——这正是根目录存在 .devcontainer/ 目录所致克隆并打开目录后VS Code 会自动建议安装 Python 支持扩展若 VS Code 建议“在容器中重新打开”而你想用本机 Python请拒绝该提示。5.3 在浏览器中使用 Jupyter你也可以完全绕开 VS Code直接在浏览器中用 Jupyter经典版或 Jupyter Hub开发两者都提供代码补全、语法高亮等体验。在终端进入课程目录后执行jupyter notebook或jupyterhub启动后命令行会打印访问 URL打开后即可浏览课程大纲并打开任意*.ipynb文件例如 08-building-search-applications/python/oai-solution.ipynb。5.4 在容器中运行除了全部装在本地电脑或 Codespace 之外还可以用容器。课程仓库的.devcontainer目录使 VS Code 能把整个项目搭建进容器但在 Codespaces 之外使用需要自行安装 Docker且配置稍显繁琐——文档明确建议只有具备容器经验的人再走这条路。API 密钥方面文档推荐把密钥存为 Codespaces Secrets 而不是落盘以避免明文泄露。六、故障排查对照表文档内置了一张“症状—解法”对照表是排障时的第一参考症状解决方法容器构建超过 10 分钟仍卡住Codespaces ➜ “Rebuild Container”python: command not found终端未正确挂载点击➜ 选择bashOpenAI 返回401 UnauthorizedOPENAI_API_KEY错误或已过期VS Code 一直显示 “Dev container mounting…”刷新浏览器标签页——Codespaces 偶尔会丢失连接Notebook 找不到内核Notebook 菜单 ➜Kernel ▸ Select Kernel ▸ Python 3本地分册 02-setup-local.md 还提供了补充条目可合并使用症状解决方法python not found本地把 Python 加入 PATH或安装后重开终端pip在 Windows 上无法构建 wheelpip install --upgrade pip setuptools wheel后重试ModuleNotFoundError: dotenv执行pip install -r requirements.txt依赖没装Docker 构建报No space leftDocker Desktop ➜Settings➜Resources调大磁盘OpenAI 401 / 429 错误检查OPENAI_API_KEY取值 / 请求限流Conda 报错用conda install -c microsoft azure-ai-ml手动安装微软 AI 库七、课程结构与技术要求关于课程规模源文档写的是“6 门概念课 6 门编码课”。从当前仓库目录结构看课程已大幅扩充编号 00 至 21 共 22 个章节目录从课程配置到微调、Mistral、SLM 等主题学习量远超文档写作时的 12 课规模以目录实际情况为准。编码课的技术要求有两点其一运行编码练习需要对应 LLM 供应商的访问权限与 API 密钥具体供应商选择与注册成本对比见 translations/ar/00-course-setup/03-providers.md其二在等待账号审批期间每门编码课都附带README.md可以离线查看代码与运行输出先读课后动手。八、社区与贡献文档说明这是一个开源项目发现改进点或问题可以提交 Pull Request 或 Issue绝大多数贡献需要签署贡献者许可协议CLACLA-bot 会在 PR 上自动标注需要完成的步骤。对翻译协作有一条明确规则仓库文本的翻译不允许使用机器翻译需由社区人工校验请只在自己精通的语言上报名。值得一提的是本篇源文档 translations/ar/00-course-setup/README.md 本身在文末附注它是由 Co-op Translator 机器翻译生成并附有免责声明若与英文原版 00-course-setup/README.md 有出入以原版为准。九、下一步完成 Fork、环境创建与凭据配置后就可以进入第一课 translations/ar/01-introduction-to-genai/README.md英文原版 01-introduction-to-genai/README.md生成式 AI 与大语言模型导论。若你的目标不是上课而是理解这套环境如何被自动化搭建建议精读三个文件——定义容器形态的 .devcontainer/devcontainer.json、声明依赖的 requirements.txt 与 .env.copy以及把凭据校验工具化的 shared/python/env_utils.py——它们共同构成了“任何学员 10 分钟内进入可编码状态”的底层机制。【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 课程环境配置实战：从 Fork、Codespaces 到 .env 与本地运行的完整指南
generative-ai-for-beginners 课程环境配置实战从 Fork、Codespaces 到 .env 与本地运行的完整指南【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本文基于 generative-ai-for-beginners 课程的入门配置文档 translations/ar/00-course-setup/README.md阿拉伯语“Getting Started”页面展开完整覆盖该课程的全部环境搭建步骤Fork 仓库、创建 GitHub Codespaces 云开发环境、注入 API 密钥、创建并加载.env凭据文件、本地克隆运行以及 Miniconda、VS Code、Jupyter、Docker 容器等可选方案。读完本文你可以独立选择云端或本地路径完成课程环境的配置并掌握容器构建卡死、python: command not found、401 Unauthorized等典型故障的排查方法同时理解仓库中.devcontainer配置与共享工具库背后的实现机制。一、配置总览先 Fork再选云端或本地配置文档开宗明义要开始这门课程需要先完成若干准备步骤。整个流程分为两个阶段前置动作必做将仓库 Fork 到你自己的账号以便自由修改代码、完成各课的挑战练习也可以给仓库标星方便日后快速找到它及相关仓库。环境动作二选一云端路径推荐在 GitHub Codespaces 中运行课程。官方推荐的理由是——“为了避免运行代码时出现任何依赖问题”To avoid any dependency issues when running the code。仓库内置的开发容器dev container会预先装好 Python、Node.js 等运行环境你只需处理 API 密钥。本地路径在电脑上安装某个版本的 Python克隆仓库后自行管理依赖。文档同时提供了 Miniconda、VS Code Python 扩展、浏览器 Jupyter、Docker 容器四条可选支线。云端与本地的详细分册分别位于 translations/ar/00-course-setup/01-setup-cloud.md、translations/ar/00-course-setup/02-setup-local.md英文原版对应 00-course-setup/01-setup-cloud.md 与 00-course-setup/02-setup-local.md。二、云端路径创建 Codespaces 并注入密钥2.1 一键创建 Codespace在你的 Fork 仓库页面中点击Code ➜ Codespaces ➜ New on main界面即上文配图所示的“Create codespace on main”按钮浏览器中会直接打开一个带完整依赖的 VS Code 实例。分册 01-setup-cloud.md 补充了两个实用信息个人账号每月有免费额度120 核时 / 60 GB 时建议定期停止或删除闲置 CodespaceView ➜ Command Palette ➜Codespaces: Stop Codespace首次构建开发容器约需 2 分钟。2.2 安全地添加 API 密钥创建 Codespace 后密钥不要写进代码而是存为 Codespaces 的用户级 Secret左下角 ⚙️ 齿轮图标 ➜ Command Palette ➜Codespaces: Manage user secret➜Add a new secret名称填OPENAI_API_KEY粘贴你的密钥保存。课程代码会自动读取该变量无需在本仓库中提交任何明文密钥。2.3 源码视角容器启动时到底做了什么仓库根目录的 .devcontainer/devcontainer.json 定义了上述“开箱即用”环境的全部细节{ name: Generative AI For Beginners, image: mcr.microsoft.com/devcontainers/universal:2.13, hostRequirements: { cpus: 4 }, waitFor: onCreateCommand, updateContentCommand: python3 -m pip install -r requirements.txt, postCreateCommand: bash .devcontainer/post-create.sh, customizations: { vscode: { extensions: [ms-python.python, ms-python.vscode-pylance, ms-toolsai.jupyter, ms-python.black-formatter, charliermarsh.ruff, dbaeumer.vscode-eslint, esbenp.prettier-vscode, github.copilot], settings: { editor.formatOnSave: true } } } }从该配置可以读出三条关键事实基础镜像是微软官方的devcontainers/universal:2.13通用运行时这就是文档所说“Python 3、Node.js、.NET、Java 已经在里面”的来源内容更新时执行pip install -r requirements.txt即所有 Python 依赖以根目录 requirements.txt 为唯一事实来源当前包含ipywidgets8.1.8、numpy2.4.2、pandas3.0.0、python-dotenv1.2.2、openai1.12.0、tiktoken、azure-ai-inference、scikit-learn等容器创建后执行 .devcontainer/post-create.sh其中额外安装了python-dotenv、openai以及ruff、black、mypy、pytest等本地质量检查工具——脚本注释明确说明“这些工具与 CI 中代码质量检查保持一致贡献者可以在开 PR 前在本地复现”。三、本地路径克隆仓库与运行准备本地运行需要两个前置条件电脑上安装了某个版本的 Python仓库已克隆到本地。文档给出的命令为git clone https://gitcode.com/GitHub_Trending/ge/generative-ai-for-beginners cd generative-ai-for-beginners之后即可开始学习。本地分册 02-setup-local.md 将“最快”的原生方案细化为三步可在此之上执行python -m venv .venv # 创建虚拟环境 source .venv/bin/activate # macOS / LinuxWindows PowerShell 用 .\.venv\Scripts\activate pip install -r requirements.txt提示符前出现(.venv)前缀即代表已进入虚拟环境。该分册还给出了一条验证工具链的命令python --version、git --version、docker --version、code --version。四、核心实操创建 .env 文件并加载环境凭据这是配置文档中最完整的实操段落步骤 2 至 6其目的是把 API 凭据安全地保存在代码之外。文档强调把密钥直接写进代码或提交到公开仓库轻则引发安全问题重则被人恶意调用产生费用。完整步骤如下。第 1 步进入项目根目录。cd path/to/your/project第 2 步创建空的.env文件。Unix 系系统touch .envWindowsecho . .env第 3 步编辑.env。用任意文本编辑器VS Code、Notepad 等打开.env写入你的凭据。文档原文给出的示例变量是GITHUB_TOKENGITHUB_TOKENyour_github_token_here需要特别注意时效性分册 02-setup-local.md 明确标注GitHub Models及其GITHUB_TOKEN变量将于 2026 年 7 月底退役课程已改用 Microsoft Foundry Models。仓库根目录的 .env.copy 是当前版本最完整的凭据模板其内容涵盖 OpenAI、Azure OpenAI已并入 Microsoft Foundry、Microsoft Foundry Models 与 Hugging Face 四类供应商# OpenAI Provider OPENAI_API_KEYyour OpenAI API key ## Azure OpenAI in Microsoft Foundry AZURE_OPENAI_API_VERSION2024-10-21 # 默认即当前稳定 GA 版本 AZURE_OPENAI_API_KEYFoundry 资源密钥 AZURE_OPENAI_ENDPOINTFoundry 资源端点如 https://resource-name.openai.azure.com AZURE_OPENAI_DEPLOYMENT文本生成模型部署名如 gpt-4o-mini AZURE_OPENAI_EMBEDDINGS_DEPLOYMENT向量嵌入模型部署名如 text-embedding-3-small ## Microsoft Foundry ModelsOpenAI、Meta、Mistral、Cohere、Microsoft 等多供应商目录 AZURE_INFERENCE_ENDPOINTFoundry 项目端点 AZURE_INFERENCE_CREDENTIALFoundry Models API 密钥 ## Hugging Face HUGGING_FACE_API_KEYHuggingFace API 或 token实际使用时只需执行cp .env.copy .env然后替换占位符.env已被.gitignore忽略密钥不会入库。各变量的完整语义见 00-course-setup/03-providers.md 中的变量说明表。此外按供应商划分的练习文件在文件名中带标签aoaiAzure OpenAI、oaiOpenAI、hfHugging Face、githubmodelsMicrosoft Foundry Models——只配置你需要的供应商即可缺少凭据的练习会直接报错跳过不会阻塞其他练习。第 4 步保存文件并关闭编辑器。第 5 步安装python-dotenv。若尚未安装pip install python-dotenv第 6 步在 Python 脚本中加载.env。文档给出的加载示例按当前仓库口径读取 Foundry 变量from dotenv import load_dotenv import os # 从 .env 文件加载环境变量 load_dotenv() # 访问 Microsoft Foundry Models 变量 endpoint os.getenv(AZURE_INFERENCE_ENDPOINT) token os.getenv(AZURE_INFERENCE_CREDENTIAL) print(endpoint)源码佐证仓库如何安全地读取这些变量课程共享库 shared/python/env_utils.py 把“读环境变量”这件事做成了三个可复用函数其设计与.env流程一一对应get_required_env(var_name, description)取值若未设置或为空字符串则抛出带提示信息的ValueError提示语直接引导你“请在.env文件或环境中设置它”validate_env_vars(*var_names)一次性校验多个变量把所有缺失项聚合到一条错误信息中例如同时缺AZURE_OPENAI_ENDPOINT和AZURE_OPENAI_API_KEY时会一并报出get_env_with_default(var_name, default)带默认值读取例如get_env_with_default(MODEL_NAME, gpt-4o)。tests/test_env_utils.py 对这些行为做了完整单测覆盖值存在时返回原值、缺失或空串时抛错、错误信息包含变量名与描述文案、多变量校验会列出全部缺失项等。也就是说你按上文步骤配好.env后课程脚本在凭据缺失时会得到清晰、可操作的报错而不是静默失败。五、可选方案详解5.1 安装 MinicondaMiniconda 是安装 Conda 与 Python 的轻量安装器。Conda 作为包管理器便于创建和切换不同的 Python 虚拟环境也能安装pip上不可用的包。安装完成后用环境文件声明依赖如果使用 Codespaces环境文件应放在.devcontainer目录下即.devcontainer/environment.yml。文档给出的环境文件模板name: environment-name channels: - defaults - microsoft dependencies: - pythonpython-version - openai - python-dotenv - pip - pip: - azure-ai-ml其中environment-name是你要使用的 Conda 环境名python-version是目标 Python 版本3表示最新主版本。若 conda 流程报错可在终端手动安装微软 AI 库conda install -c microsoft azure-ai-ml然后创建并激活环境conda env create --name ai4beg --file .devcontainer/environment.yml # .devcontainer 子路径仅适用于 Codespace 环境 conda activate ai4beg作为对照仓库中实际提交的 .devcontainer/environment.yml 内容为name: dev、依赖python3.10.0、openai、python-dotenv、azure-ai-inference——可以看到当前版本已把azure-ai-ml演进为azure-ai-inference与 requirements.txt 中的azure-ai-inference保持一致。5.2 使用 VS Code 与 Python 扩展课程推荐使用 Visual Studio Code 并安装 Python 支持扩展这是建议而非硬性要求。文档附带三条提示在 VS Code 中打开课程仓库时会出现“在容器内设置项目”的选项——这正是根目录存在 .devcontainer/ 目录所致克隆并打开目录后VS Code 会自动建议安装 Python 支持扩展若 VS Code 建议“在容器中重新打开”而你想用本机 Python请拒绝该提示。5.3 在浏览器中使用 Jupyter你也可以完全绕开 VS Code直接在浏览器中用 Jupyter经典版或 Jupyter Hub开发两者都提供代码补全、语法高亮等体验。在终端进入课程目录后执行jupyter notebook或jupyterhub启动后命令行会打印访问 URL打开后即可浏览课程大纲并打开任意*.ipynb文件例如 08-building-search-applications/python/oai-solution.ipynb。5.4 在容器中运行除了全部装在本地电脑或 Codespace 之外还可以用容器。课程仓库的.devcontainer目录使 VS Code 能把整个项目搭建进容器但在 Codespaces 之外使用需要自行安装 Docker且配置稍显繁琐——文档明确建议只有具备容器经验的人再走这条路。API 密钥方面文档推荐把密钥存为 Codespaces Secrets 而不是落盘以避免明文泄露。六、故障排查对照表文档内置了一张“症状—解法”对照表是排障时的第一参考症状解决方法容器构建超过 10 分钟仍卡住Codespaces ➜ “Rebuild Container”python: command not found终端未正确挂载点击➜ 选择bashOpenAI 返回401 UnauthorizedOPENAI_API_KEY错误或已过期VS Code 一直显示 “Dev container mounting…”刷新浏览器标签页——Codespaces 偶尔会丢失连接Notebook 找不到内核Notebook 菜单 ➜Kernel ▸ Select Kernel ▸ Python 3本地分册 02-setup-local.md 还提供了补充条目可合并使用症状解决方法python not found本地把 Python 加入 PATH或安装后重开终端pip在 Windows 上无法构建 wheelpip install --upgrade pip setuptools wheel后重试ModuleNotFoundError: dotenv执行pip install -r requirements.txt依赖没装Docker 构建报No space leftDocker Desktop ➜Settings➜Resources调大磁盘OpenAI 401 / 429 错误检查OPENAI_API_KEY取值 / 请求限流Conda 报错用conda install -c microsoft azure-ai-ml手动安装微软 AI 库七、课程结构与技术要求关于课程规模源文档写的是“6 门概念课 6 门编码课”。从当前仓库目录结构看课程已大幅扩充编号 00 至 21 共 22 个章节目录从课程配置到微调、Mistral、SLM 等主题学习量远超文档写作时的 12 课规模以目录实际情况为准。编码课的技术要求有两点其一运行编码练习需要对应 LLM 供应商的访问权限与 API 密钥具体供应商选择与注册成本对比见 translations/ar/00-course-setup/03-providers.md其二在等待账号审批期间每门编码课都附带README.md可以离线查看代码与运行输出先读课后动手。八、社区与贡献文档说明这是一个开源项目发现改进点或问题可以提交 Pull Request 或 Issue绝大多数贡献需要签署贡献者许可协议CLACLA-bot 会在 PR 上自动标注需要完成的步骤。对翻译协作有一条明确规则仓库文本的翻译不允许使用机器翻译需由社区人工校验请只在自己精通的语言上报名。值得一提的是本篇源文档 translations/ar/00-course-setup/README.md 本身在文末附注它是由 Co-op Translator 机器翻译生成并附有免责声明若与英文原版 00-course-setup/README.md 有出入以原版为准。九、下一步完成 Fork、环境创建与凭据配置后就可以进入第一课 translations/ar/01-introduction-to-genai/README.md英文原版 01-introduction-to-genai/README.md生成式 AI 与大语言模型导论。若你的目标不是上课而是理解这套环境如何被自动化搭建建议精读三个文件——定义容器形态的 .devcontainer/devcontainer.json、声明依赖的 requirements.txt 与 .env.copy以及把凭据校验工具化的 shared/python/env_utils.py——它们共同构成了“任何学员 10 分钟内进入可编码状态”的底层机制。【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