Imported from venturemavenwill/azureaifundamentals (generative-ai-for-beginners/translations/cs/AGENTS.md). Install upstream with npx skills add venturemavenwill/azureaifundamentals --skill cs. Copyright stays with the author.

AGENTS.md

Přehled projektu

Toto úložiště obsahuje rozsáhlý 21-lekcí učební plán učící základy generativní AI a vývoje aplikací. Kurz je navržen pro začátečníky a pokrývá vše od základních konceptů až po vytváření aplikací připravených pro produkci.

Klíčové technologie:

Python 3.9+ s knihovnami: openai, python-dotenv, tiktoken, azure-ai-inference, pandas, numpy, matplotlib
TypeScript/JavaScript s Node.js a knihovnami: openai (Azure OpenAI přes v1 endpoint + Responses API), @azure-rest/ai-inference (Microsoft Foundry Models)
Azure OpenAI Service, OpenAI API a Microsoft Foundry Models (GitHub Models je na konci července 2026 ukončován)
Jupyter Notebooks pro interaktivní učení
Dev kontejnery pro konzistentní vývojové prostředí

Struktura úložiště:

21 číslovaných složek lekcí (00-21) obsahujících README, příklady kódu a úkoly
Více implementací: Python, TypeScript a někdy .NET příklady
Složka překladů s více než 40 jazykovými verzemi
Centralizovaná konfigurace pomocí .env souboru (použijte .env.copy jako šablonu)

Příkazy pro nastavení

Inicializace úložiště

# Klonujte repozitář
git clone https://github.com/microsoft/generative-ai-for-beginners.git
cd generative-ai-for-beginners

# Zkopírujte šablonu prostředí
cp .env.copy .env
# Upravte soubor .env s vašimi API klíči a koncovými body

Nastavení Python prostředí

# Vytvořit virtuální prostředí
python3 -m venv venv

# Aktivovat virtuální prostředí
# Na macOS/Linux:
source venv/bin/activate
# Na Windows:
venv\Scripts\activate

# Nainstalovat závislosti
pip install -r requirements.txt

Nastavení Node.js/TypeScript

# Nainstalujte závislosti na úrovni root (pro nástroje dokumentace)
npm install

# Pro jednotlivé příklady TypeScriptu z lekcí přejděte ke konkrétní lekci:
cd 06-text-generation-apps/typescript/recipe-app
npm install

Nastavení Dev kontejneru (doporučeno)

Úložiště obsahuje konfiguraci .devcontainer pro GitHub Codespaces nebo VS Code Dev kontejnery:

Otevřete úložiště v GitHub Codespaces nebo VS Code s rozšířením Dev Containers
Dev Container automaticky:
- Nainstaluje Python závislosti ze souboru requirements.txt
- Spustí post-create skript (.devcontainer/post-create.sh)
- Nastaví Jupyter kernel

Vývojový pracovní postup

Proměnné prostředí

Všechny lekce vyžadující přístup k API používají proměnné prostředí definované v .env:

OPENAI_API_KEY - Pro OpenAI API
AZURE_OPENAI_API_KEY - Pro Azure OpenAI v Microsoft Foundry (Azure OpenAI Service je nyní součástí Microsoft Foundry: https://ai.azure.com)
AZURE_OPENAI_ENDPOINT - URL endpointu Azure OpenAI (endpoint Foundry resource)
AZURE_OPENAI_DEPLOYMENT - Název deploymentu modelu pro chat completion (výchozí pro kurz: gpt-5-mini)
AZURE_OPENAI_EMBEDDINGS_DEPLOYMENT - Název deploymentu embeddings modelu (výchozí pro kurz: text-embedding-3-small)
AZURE_OPENAI_API_VERSION - Verze API (výchozí: 2024-10-21)
HUGGING_FACE_API_KEY - Pro Hugging Face modely
AZURE_INFERENCE_ENDPOINT - Endpoint Microsoft Foundry Models (katalog modelů s více poskytovateli)
AZURE_INFERENCE_CREDENTIAL - API klíč Microsoft Foundry Models (nahrazuje ukončovaný GITHUB_TOKEN)
AZURE_INFERENCE_CHAT_MODEL - Model bez reasoning (např. Llama-3.3-70B-Instruct) používaný v příkladech s temperature, protože reasoning modely nepodporují ovládací prvky vzorkování

Konvence modelů (důležité)

Výchozí chat model je gpt-5-mini - aktuální, nedeprecated reasoning model. Od roku 2026 starší mini modely s podporou temperature (gpt-4o-mini, gpt-4.1-mini) bude ukončeny, proto kurz standardizuje rodinu GPT-5.
Reasoning modely odmítají temperature a top_p, místo toho používají max_output_tokens (Responses API) / max_completion_tokens (chat completions) místo max_tokens. Nepřidávejte temperature/top_p/max_tokens do ukázek volajících gpt-5-mini.
Pro demonstraci temperature ukázky používají Llama model (Llama-3.3-70B-Instruct) přes endpoint Microsoft Foundry Models (AZURE_INFERENCE_CHAT_MODEL). Řiďte reasoning modely pomocí prompt engineering a reasoning ovládacích prvků místo sampling parametrů.
Fine-tuning (lekce 18) používá stále gpt-4.1-mini: GPT-5 podporuje pouze reinforcement fine-tuning (RFT), ne supervised fine-tuning (SFT) jako tam uvedeno.
Lekce 20 (Mistral) a 21 (Meta) používají temperature/max_tokens, protože cílují na Mistral/Llama modely, jež je podporují.

Spouštění Python příkladů

# Přejděte do složky s lekcí
cd 06-text-generation-apps/python

# Spusťte Python skript
python aoai-app.py

Spouštění TypeScript příkladů

# Přejděte do adresáře aplikace TypeScript
cd 06-text-generation-apps/typescript/recipe-app

# Sestavte kód TypeScript
npm run build

# Spusťte aplikaci
npm start

Spouštění Jupyter Notebooks

# Spusťte Jupyter v kořenovém adresáři repozitáře
jupyter notebook

# Nebo použijte VS Code s rozšířením Jupyter

Práce s různými typy lekcí

"Learn" lekce: Zaměřují se na dokumentaci README.md a koncepty
"Build" lekce: Obsahují fungující příklady kódu v Pythonu a TypeScriptu
Každá lekce má README.md s teorií, popisem kódu a odkazy na video obsah

Směrnice kódovacího stylu

Python

Používejte python-dotenv pro správu proměnných prostředí
Importujte knihovnu openai pro interakce s API
Používejte pylint pro linting (některé příklady obsahují # pylint: disable=all pro jednoduchost)
Dodržujte pojmenovávací konvence PEP 8
Ukládejte API klíče do .env souboru, nikdy ne v kódu

TypeScript

Používejte balíček dotenv pro proměnné prostředí
Konfigurace TypeScriptu v tsconfig.json pro každou aplikaci
Používejte balíček openai pro Azure OpenAI (klienta směřujte na /openai/v1/ endpoint a volejte client.responses.create); používejte @azure-rest/ai-inference pro Microsoft Foundry Models
Používejte nodemon pro vývoj s automatickým reloadem
Kompilujte před spuštěním: npm run build a poté npm start

Obecné konvence

Držte příklady kódu jednoduché a vzdělávací
Zahrňte komentáře vysvětlující klíčové koncepty
Kód každé lekce by měl být samostatný a spustitelný
Používejte konzistentní pojmenování: prefix aoai- pro Azure OpenAI, oai- pro OpenAI API, githubmodels- pro Microsoft Foundry Models (legacy prefix z doby GitHub Models)

Směrnice pro dokumentaci

Markdown styl

Všechny URL musí být zapsány ve formátu [text](../../url) bez mezer navíc
Relativní odkazy musí začínat ./ nebo ../
Všechny odkazy na Microsoft domény musí obsahovat tracking ID: ?WT.mc_id=academic-105485-koreyst
Nepoužívejte země-specifické locale v URL (vyhněte se /en-us/)
Obrázky ukládejte do složky ./images s popisnými názvy
Používejte anglické znaky, čísla a pomlčky v názvech souborů

Podpora překladu

Úložiště podporuje 40+ jazyků pomocí automatizovaných GitHub Actions
Překlady jsou uloženy ve složce translations/
Neposílejte částečné překlady
Strojové překlady nejsou akceptovány
Přeložené obrázky uložené ve složce translated_images/

Testování a ověřování

Kontroly před odesláním

Toto úložiště používá GitHub Actions pro validaci. Před odesláním PR:

Zkontrolujte Markdown odkazy:

# Workflow validate-markdown.yml kontroluje:
# - Poškozené relativní cesty
# - Chybějící identifikátory sledování na cestách
# - Chybějící identifikátory sledování na URL
# - URL s národním lokalizačním nastavením
# - Poškozené externí URL

Manuální testování:
- Testujte Python příklady: Aktivujte venv a spusťte skripty
- Testujte TypeScript příklady: npm install, npm run build, npm start
- Ověřte, že proměnné prostředí jsou správně nastaveny
- Zkontrolujte, že API klíče fungují s příklady kódu
Příklady kódu:
- Zajistěte, že vše běží bez chyb
- Testujte s Azure OpenAI i OpenAI API, pokud je to relevantní
- Ověřte, že příklady fungují s Microsoft Foundry Models tam, kde je podpora

Bez automatizovaných testů

Toto je vzdělávací úložiště zaměřené na tutoriály a příklady. Nejsou zde žádné jednotkové ani integrační testy. Validace probíhá především:

Manuálním testováním příkladů kódu
GitHub Actions pro validaci Markdownu
Revizí vzdělávacího obsahu komunitou

Směrnice pro Pull Requesty

Před odesláním

Otestujte změny v kódu v Pythonu i TypeScriptu, pokud je vhodné
Proveďte validaci Markdownu (automaticky při PR)
Ověřte, že všechny Microsoft URL obsahují tracking ID
Zkontrolujte správnost relativních odkazů
Ověřte, že obrázky jsou správně odkazované

Formát názvu PR

Používejte výstižné názvy: [Lesson 06] Oprava překlepu v Python příkladu nebo Update README pro lekci 08
Pokud možno odkazujte na čísla issue: Fixes #123

Popis PR

Vysvětlete, co bylo změněno a proč
Přidejte odkazy na související issue
U kódových změn uveďte, které příklady byly testovány
U příspěvků s překlady přiložte všechny soubory kompletního překladu

Požadavky na přispívání

Podepište Microsoft CLA (automaticky při prvním PR)
Nejprve forkujte úložiště do svého účtu před změnami
Jeden PR pro jednu logickou změnu (nesloučujte nesouvisející opravy)
Držte PR co nejvíce zaměřené a malé

Běžné pracovní postupy

Přidání nového příkladu kódu

Přejděte do příslušné lekce
Vytvořte příklad ve složce python/ nebo typescript/
Dodržujte pojmenovací konvenci: {provider}-{název-příkladu}.{py|ts|js}
Testujte s aktuálními API klíči
Zdokumentujte nové proměnné prostředí v README lekce

Aktualizace dokumentace

Upravte README.md v adresáři lekce
Dodržujte Markdown guidelines (tracking ID, relativní odkazy)
Překlady aktualizuje GitHub Actions (neupravujte ručně)
Ověřte platnost všech odkazů

Práce s Dev kontejnery

Úložiště obsahuje .devcontainer/devcontainer.json
Post-create skript automaticky instaluje Python závislosti
Rozšíření pro Python a Jupyter jsou přednastavené
Prostředí je založeno na mcr.microsoft.com/devcontainers/universal:2.11.2

Nasazení a publikování

Toto je učební úložiště - neexistuje žádný nasazovací proces. Kurz je dostupný přes:

GitHub Repository: Přímý přístup ke kódu a dokumentaci
GitHub Codespaces: Okamžité vývojové prostředí s přednastavením
Microsoft Learn: Obsah může být syndikován do oficiální platformy pro výuku
docsify: Dokumentační web generovaný z Markdownu (viz docsifytopdf.js a package.json)

Vytvoření dokumentačního webu

# Vygenerovat PDF z dokumentace (pokud je potřeba)
npm run convert

Řešení problémů

Běžné problémy

Python Import chyby:

Ujistěte se, že virtuální prostředí je aktivováno
Spusťte pip install -r requirements.txt
Zkontrolujte, že verze Pythonu je 3.9+

Chyby kompilace TypeScriptu:

Spusťte npm install ve složce dané aplikace
Ověřte kompatibilitu verze Node.js
Vymažte node_modules a znovu nainstalujte, pokud je potřeba

Chyby autentizace API:

Zkontrolujte, že .env soubor existuje a má správné hodnoty
Zkontrolujte platnost a nevypršení API klíčů
Ujistěte se, že endpoint URL je správný pro váš region

Chybějící proměnné prostředí:

Zkopírujte .env.copy do .env
Vyplňte všechny požadované hodnoty pro lekci, na které pracujete
Restartujte aplikaci po aktualizaci .env

Další zdroje

Poznámky specifické pro projekt

Toto je vzdělávací úložiště zaměřené na výuku, nikoliv produkční kód
Příklady jsou záměrně jednoduché a zaměřené na výuku konceptů
Kvalita kódu je vyvážená s jasností výuky
Každá lekce je samostatná a může být dokončena nezávisle
Úložiště podporuje více poskytovatelů API: Azure OpenAI, OpenAI, Microsoft Foundry Models a offline poskytovatele jako Foundry Local a Ollama
Obsah je vícejazyčný s automatizovanými překladovými workflow
Aktivní komunita na Discordu pro dotazy a podporu

Prohlášení o omezení odpovědnosti: Tento dokument byl přeložen pomocí AI překladatelské služby Co-op Translator. Přestože usilujeme o co největší přesnost, mějte prosím na paměti, že automatizované překlady mohou obsahovat chyby nebo nepřesnosti. Originální dokument v jeho mateřském jazyce by měl být považován za autoritativní zdroj. Pro kritické informace se doporučuje profesionální lidský překlad. Nejsme odpovědní za jakékoli nedorozumění nebo nesprávné interpretace vzniklé použitím tohoto překladu.

About