Generative AI for Beginners 课程全解读：21 节课带你从零构建生成式 AI 应用

本指南以课程总览页 translations/fi/README.md（芬兰语版）为主干，并对照仓库英文根 README.md 与各章节源码组织展开。读完本文，你将完整掌握这套“21 课生成式 AI 课程”的整体结构、Learn/Build 两种课型的区分、三套模型运行环境的接入方式、免翻译的稀疏克隆方法，以及从第 00 课环境搭建到逐章推进的实战路径。

课程是什么：21 课覆盖从概念到代码的完整链路

按总览页描述，本仓库是一套由 Microsoft Cloud Advocates 维护的开源课程（版本 3），目标是用 21 节课讲清“构建生成式 AI 应用所需的全部知识”。其核心设计有四点：

• 每课独立成章、可随意切入：21 节课每节都有独立主题，学习者可以从任何感兴趣的章节开始，无需严格按顺序阅读；
• 两种课型标签：章节被明确标注为 "Learn"（概念学习课，解释生成式 AI 概念）或 "Build"（动手构建课，在讲解概念的同时尽可能给出 Python 与 TypeScript 双语言代码示例）；
• Keep Learning 延伸模块：每节课都附带 "Keep Learning" 小节，给出继续深入学习的材料；
• 面向 .NET 开发者另有分册：总览页说明，若使用 .NET 技术栈，可关注配套的《Generative AI for Beginners（.NET Edition）》。

仓库布局：一节一章，代码、课文与配图就近存放

“每课一个目录”是这套课程最重要的目录约定。以根目录为例，00-course-setup/ 至 21-meta/ 共 22 个编号目录，每一课目录内通常包含：

• README.md：书面课文，即该课的“正文”；
• images/：课文配图；
• python/：Python 代码（脚本或 Jupyter notebook）；
• typescript/、js-githubmodels/ 或 javascript/：部分动手课提供的 TypeScript/JavaScript 版本；
• dotnet/：少量动手课附带的 .NET 交互式 notebook（.dib）。

以 06 课 06-text-generation-apps/README.md 为例，其目录同时包含 python/、js-githubmodels/、typescript/recipe-app/ 与 dotnet/notebook-azure-openai.dib，直观体现了“跨语言、多 provider 对齐”的代码组织方式。

仓库根目录还维护了一批与课程配套的质量基建，可辅助理解代码约定：

• shared/python/api_utils.py：提供带超时、重试与异常处理的 HTTP 请求封装，以及 OpenAI client 创建工具；
• shared/python/env_utils.py、shared/python/input_validation.py：分别处理环境变量加载与输入校验；
• tests/：conftest.py、test_api_utils.py、test_env_utils.py、test_input_validation.py 等单元测试对上述 shared 工具进行验证。

运行课程代码：三套可选的模型服务与文件命名约定

总览页明确指出，运行本课程代码可以采用以下三种服务之一，且代码文件的命名前缀直接与所选服务一一对应，这是本仓库最值得先掌握的映射关系：

服务（总览页原文）	命名前缀	典型文件
Azure OpenAI Service	aoai-assignment	aoai-assignment.ipynb、06-text-generation-apps/python/aoai-app.py
GitHub Marketplace Model Catalog（GitHub Models）	githubmodels	githubmodels-assignment.ipynb、06-text-generation-apps/python/githubmodels-app.py
OpenAI API	oai-assignment	oai-assignment.ipynb、06-text-generation-apps/python/oai-app.py

从仓库源码结构看，上述三种前缀贯穿各章 notebook 与脚本（如 08-building-search-applications/python/oai-solution.ipynb、20-mistral/python/githubmodels-assignment.ipynb 等），因此“选好服务 → 找到对应前缀的示例文件 → 直接复用”是本课程最高效的跑代码方式。

除服务外，入门还建议具备 Python 或 TypeScript 的基础知识，并准备一个用于 fork 课程的 GitHub 账号。另外，00-course-setup/README.md 已单独成课（第 00 课），专门指导开发环境搭建。

版本提示：芬兰语总览页对应的英文根 README.md 目前对“可用服务”清单做了更新——除 Azure OpenAI、OpenAI API 外，还新增了 Microsoft Foundry Models 与支持完全离线运行的 Foundry Local；同时 00-course-setup/README.md 标注 GitHub Models（及 GITHUB_TOKEN 变量）将在 2026 年 7 月底退役，建议用 Microsoft Foundry Models 提供的 AZURE_INFERENCE_ENDPOINT 与 AZURE_INFERENCE_CREDENTIAL 环境变量替代。翻译文档生成时间较早，实际运行时请以仓库英文原版与第 00 课的最新说明为准。

拿到仓库：完整克隆与“免翻译”稀疏克隆

仓库内置 50 余种语言翻译（translations/ 与 translated_images/），这会显著增大下载体积。总览页给出的建议是：绝大多数学习者不需要本地翻译文件，此时应使用 Git 的 sparse checkout 功能只拉取课程主体。

Bash / macOS / Linux：

git clone --filter=blob: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'

CMD（Windows）：

git clone --filter=blob: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"

命令要点拆解：

• --filter=blob:none：先不下载各文件的具体内容（blob），按需延迟获取，大幅减小首次下载量；
• --sparse 配合 sparse-checkout set --no-cone：用 '/*' 通配包含根目录全部课程，再用 '!translations' 与 '!translated_images' 显式排除翻译正文与翻译配图；
• 该结果保留了完成课程所需的全部章节、代码、测试与配置，而下载速度显著更快。

第 00 课：先搭好开发环境

00-course-setup/README.md 是官方给出的“开课前置流程”，总览页也将其列为第一站。其主干步骤包括：

1. Fork 本仓库到自己的 GitHub 账号，便于修改代码、完成作业；
2. 创建 Codespaces（推荐以规避本地依赖问题），并把模型 API Key 以用户级 secret（如 OPENAI_API_KEY）写入；
3. 根据自身需求进入对应分支文档：跑云端选择 01-setup-cloud.md，离线开发选择 02-setup-local.md，配置模型服务商（Endpoint/Key、.env 文件、python-dotenv 等）选择 03-providers.md。

该 README 还内置了一张“排障对照表”，覆盖容器构建卡住、python: command not found、来自 OpenAI 的 401 Unauthorized、Dev container 挂载异常、notebook kernel 缺失等常见症状与修复动作，遇到环境问题时可直接按表排查。

21 课课程目录总表

下表完整继承总览页的章节清单（编号、章节类型与主题），并将原文档中的相对链接统一转换为以仓库根目录为起点的路径：

#	课型	章节（课文位置）	主题与核心内容
00	Learn	00-course-setup	如何搭建开发环境（云端 / 本地 / Provider 三篇指南）
01	Learn	01-introduction-to-genai	理解什么是生成式 AI，以及大语言模型（LLM）如何工作
02	Learn	02-exploring-and-comparing-different-llms	探索并比较不同 LLM，学会按使用场景选型
03	Learn	03-using-generative-ai-responsibly	负责任地构建生成式 AI 应用
04	Learn	04-prompt-engineering-fundamentals	Prompt 工程基础，含三套 provider 的动手作业 notebook
05	Learn	05-advanced-prompts	进阶提示词创作，应用能提升输出效果的 prompt 工程技术
06	Build	06-text-generation-apps	基于 Azure OpenAI / OpenAI API 构建文本生成应用
07	Build	07-building-chat-applications	高效构建并集成聊天应用的技术
08	Build	08-building-search-applications	使用 Embedding（嵌入）检索数据的搜索应用
09	Build	09-building-image-applications	图像生成应用
10	Build	10-building-low-code-ai-applications	使用低代码工具构建生成式 AI 应用
11	Build	11-integrating-with-function-calling	Function Calling（函数调用）是什么及其应用场景
12	Learn	12-designing-ux-for-ai-applications	将 UX 设计原则应用于生成式 AI 应用开发
13	Learn	13-securing-ai-applications	AI 系统面临的威胁与风险，以及安全防护方法
14	Learn	14-the-generative-ai-application-lifecycle	管理 LLM 应用生命周期与 LLMOps 的工具与指标
15	Build	15-rag-and-vector-databases	基于 RAG 框架、从向量数据库中检索嵌入的应用
16	Build	16-open-source-models	使用 Hugging Face 上的开源模型构建应用
17	Build	17-ai-agents	基于 AI Agent 框架构建应用
18	Learn	18-fine-tuning	LLM 微调的“是什么、为什么、怎么做”
19	Learn	19-slm	使用小语言模型（SLM）构建的收益
20	Learn	20-mistral	Mistral 模型家族的特性与差异
21	Learn	21-meta	Meta 模型家族的特性与差异

每节课程的“标配”资源保持一致，包含：主题短视频介绍、位于章节 README 中的书面课文、尽可能同时覆盖 Python 与 TypeScript 且支持 Azure OpenAI / OpenAI API 的代码示例，以及用于延伸学习的额外资源链接。

动手型（Build）章节的配套代码盘点

Build 课的代码密度通常最高，仓库中的对应目录可直接作为“最小可用示例”研读：

• 06 文本生成：python/ 下提供 oai-app.py、aoai-app.py、githubmodels-app.py 及 *-app-recipe.py 等多个可直接运行的脚本，另有 js-githubmodels/app.js 与 typescript/recipe-app/；
• 07 聊天应用：python/ 中按三套 provider 各配 *-assignment*.ipynb 作业，js-githubmodels/app.js 与 typescript/chat-completions-app/ 提供 JS/TS 实现；
• 08 搜索应用：除 python/ 的 assignment/solution notebook 外，scripts/ 提供从获取字幕到生成嵌入（embedding）的完整数据处理流水线（含 prepare_transcripts_ai_show.sh、transcript_enrich_embeddings.py 等），并预置 300 万条嵌入索引 embedding_index_3m.json 供查询实验使用；
• 09 图像生成：python/oai-app.py、oai-app-variation.py 与 aoai-* 版本演示了文生图与图生变体两类 API 用法；
• 11 函数调用：python/ 提供 aoai/oai 两套 assignment notebook，typescript/function-app/ 与 js-githubmodels/app.js 覆盖 JS 技术栈；
• 15 RAG：单一 notebook notebook-rag-vector-databases.ipynb 串起“文本切分→嵌入→向量检索→生成”的完整链路；
• 19/20/21：分别以 Phi 系列（19-slm/python/*.ipynb）、Mistral 与 Meta（githubmodels-assignment.ipynb）为对象，展示具体模型家族的实操。

概念型（Learn）章节并非没有代码——例如 04 课的 python/ 中为三个 provider 各准备了一份 *-assignment.ipynb，05 课也提供了 python/aoai-assignment.py 与 javascript/assignment.js 等练习骨架，建议做“读课文 → 补全作业 → 对照 *-solution.*”三步走。

进阶方向与配套内容

总览页同时给出了课程之外的延伸指引：

• 对已经掌握基础、需要更高级示例的读者，课程方维护有一套覆盖 Python 与 TypeScript 的生成式 AI 代码示例集（README 中以外部链接指向，本文不展开）；
• “Ready to Deploy / Building a startup”段落面向有部署与商业化诉求的读者，介绍了借助 Azure 额度起步的渠道；
• 课程团队还维护了 LangChain、Azure / Edge / MCP / Agent、生成式 AI 系列（.NET、Java、JavaScript）、核心学习（ML、数据科学、AI、网络安全、Web 开发、IoT、XR）以及 Copilot 系列等多个姊妹课程，可在对应生态中按需衔接。

获取帮助、反馈与贡献

总览页在仓库内提供了两条求助路径：一是加入官方社区服务器，与同课程学习者、资深开发者交流；二是通过产品开发者论坛反馈使用中遇到的问题。若发现拼写或代码错误，可提交 issue 或 pull request——这也是课程持续演进的主要方式。

仓库还明确致谢了负责 GitHub Actions 与工作流的维护者，以及逐课提升学习与代码体验的贡献者，这侧面说明该课程强依赖“CI 翻译 + 社区 PR”的协作模式。

需要特别说明的是：芬兰语总览页由自动化翻译工具（Co-op Translator）生成，机器翻译可能存在偏差，权威版本应以仓库英文原版 README 为准；涉及配置、API 变更等关键信息时，请以本指南“版本提示”中给出的根目录 README.md 与 00-course-setup/README.md 为最终依据。所有章节课文、代码与测试均存放在本仓库内，按上文目录索引即可逐课深入。