Generative AI for Beginners（Version 3）开源课程全景导读：21 课实战地图与运行环境搭建指南

本课程是微软 Cloud Advocates 团队维护的《Generative AI for Beginners（Version 3）》开源课程（本仓库即其镜像与多语言协作版本），以 21 个递进式课程为骨架，覆盖从 LLM 基础原理、提示词工程到文本/对话/检索/图像应用，再到 Function Calling、RAG、微调与各类模型家族的完整实战链路。本文以 translations/el/README.md（课程官方希腊语总览）为叙述主线，结合仓库目录与源码，梳理课程结构、可运行代码分布、开发环境搭建与按需克隆策略，帮助你快速定位每一课并规划学习路线。

课程定位：一门口号朴素、内容系统的“造应用”课程

课程总览页开门见山——这是 21 Lessons teaching everything you need to know to start building Generative AI applications，即“从零开始构建生成式 AI 应用所需的全部知识”的 21 节系统课程（编号 00–21）。它强调的并非晦涩的模型理论，而是让学习者能够真正运行代码、把想法变成应用：

• “Learn”型课程：侧重解释某一生成式 AI 概念，例如 LLM 工作原理、负责任 AI、提示词工程、UX 设计、安全、LLMOps 生命周期等；
• “Build”型课程：在讲解概念的同时给出尽可能同时提供 Python 与 TypeScript 示例的实战代码，例如文本生成、聊天应用、语义搜索、图像生成、低代码 AI 应用、Function Calling、RAG、AI Agents 等。

每节课都遵循一致的交付格式（见仓库 README.md 与各课 README）：主题短视频导览、写入该课 README.md 的书面课程、同时支撑 Azure OpenAI 与 OpenAI API 的代码示例、以及“Keep Learning”延伸学习入口。

多语言支持与“不带翻译”的快速克隆

课程仓库通过 GitHub Action 自动化翻译流水线维护 50+ 语言版本（希腊语版本位于 translations/el/README.md，翻译配图在 translated_images/el/ 目录），因此英文与各语言版本会保持自动同步。但多语言文件会显著增大克隆体积，官方为此推荐 sparse checkout（稀疏检出）：只拉取课程本体，跳过 translations 与 translated_images 两大目录。以 Bash / macOS / Linux 为例：

git clone --filter=blob:none --sparse <远程仓库地址>/generative-ai-for-beginners.git
cd generative-ai-for-beginners
git sparse-checkout set --no-cone '/*' '!translations' '!translated_images'

Windows CMD 下写法对应为：

git clone --filter=blob:none --sparse <远程仓库地址>/generative-ai-for-beginners.git
cd generative-ai-for-beginners
git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"

其中 <远程仓库地址> 需替换为你实际 fork 或镜像课程后使用的远端地址。该策略在保留全部课件、代码与作业的同时，把下载体积和克隆时间降到最低；若你的学习目标是中文或某特定语言课件，再按需单独检出对应的 translations/<语言>/ 目录即可。

运行课程代码的三条技术路线与先决条件

课程代码不绑定单一云厂商。总览页明确给出三套可切换的模型接入路线，分别对应文件名中带特定标识的作业：

接入路线	对应作业文件名标识	用途说明
Azure OpenAI Service	aoai-*（如 aoai-assignment）	面向企业级 Azure 环境的 GPT 系列部署
GitHub Marketplace 模型目录	githubmodels-*（如 githubmodels-assignment）	单一入口接入多厂商模型的 Playground 式体验
OpenAI API	oai-*（如 oai-assignment）	官方 OpenAI 服务端点

需要特别说明的是，仓库较新的英文总览与 00-course-setup/03-providers.md 均已注明：GitHub Models 将于 2026 年 7 月底退役，模型目录能力由 Microsoft Foundry Models 承接（一条端点与 API Key 即可访问 OpenAI、Meta、Mistral、Cohere、Microsoft 等数百个模型）；如希望完全离线运行，还可选用 Foundry Local / Ollama。因此若你在新环境里看到 githubmodels 前缀的示例，可对照升级到 AZURE_INFERENCE_* 的环境变量方案。

先决条件本身很轻：

• 具备 Python 或 TypeScript 基础更佳；零基础者可按官方建议先补语言课；
• 拥有一个 GitHub 账号，用于 fork 整个仓库、保存环境密钥并完成挑战作业；
• 选择上述任一（或多个）LLM 提供商并取得 API 密钥。

21 课课程地图：主题、代码与仓库对应关系

下表继承自课程总览的 21 课索引，并补充每课在仓库中的实际代码/资源落点（下表各 README 链接均指向仓库根目录的相对路径）：

#	课程（Learn / Build）	主题内容与仓库关键路径
00	课程环境搭建（Learn）	指导完成 fork、云端 Codespaces、.env 配置与本地运行；配套 01-setup-cloud.md、02-setup-local.md、03-providers.md
01	生成式 AI 与 LLM 入门（Learn）	什么是生成式 AI、LLM 如何工作、tokenizer 与文本补全/对话/摘要等典型能力示例图
02	探索与对比不同 LLM（Learn）	面向用例的模型选型方法，涉及 benchmark、Embedding、Fine-Tuning、多模态等概念对比
03	负责任地使用生成式 AI（Learn）	公平性、无害性、有害内容缓解分层与缓解循环方法论
04	提示词工程基础（Learn）	prompt、temperature、token 等核心参数与最佳实践；python 目录 提供 aoai / oai / githubmodels 三套 assignment notebook
05	进阶提示词（Learn）	通过角色、示例、思维链等技术提升输出质量；python 提供 assignment 与 solution，javascript 提供同款作业
06	文本生成应用（Build）	基于 openai 库构建首个文本生成 App，掌握 prompt、temperature、max_tokens、top_p；python、typescript、js-githubmodels、dotnet 笔记本多语言齐备
07	聊天应用（Build）	system/user/assistant 角色建模、多轮对话与上下文技巧；含多套 notebook 与 typescript chat-completions-app
08	基于向量数据库的搜索应用（Build）	用 Embeddings 做语义检索；scripts 内是配套的转录数据下载与嵌入构建工具链，另有 embedding_index_3m.json 索引样例
09	图像生成应用（Build）	DALL-E 等文生图与图生图、变体生成；python 提供 aoai/oai 全套脚本，typescript 提供 TS 实现
10	低代码 AI 应用（Build）	借助 Power Platform / AI Builder 类工具以低代码方式交付生成式 AI；配套 assignment.md
11	Function Calling 集成（Build）	让 LLM 输出结构化可调用结果、接入外部数据源；python、js-githubmodels、typescript function-app
12	AI 应用 UX 设计（Learn）	可解释性、反馈闭环、错误兜底与无障碍设计原则
13	AI 应用安全（Learn）	面向 AI 系统的威胁与风险、红队测试与安全缓解手段
14	生成式 AI 应用生命周期（Learn）	LLM Lifecycle 与 LLMOps：评估指标、阶段流、Prompt Flow 式编排
15	RAG 与向量数据库（Build）	把私域数据“接地”到 LLM 的机制与存储；notebook-rag-vector-databases.ipynb 提供端到端演示，data 内含可检索语料
16	开源模型与 Hugging Face（Build）	开源 LLM 生态、与闭源模型的取舍、Hugging Face 接入
17	AI Agents（Build）	基于 Agent 框架给 LLM 挂载工具与状态管理，赋予其“行动”能力
18	LLM 微调（Learn）	微调的目的、方法与数据准备；python/openai 内含可直接观摩的训练数据 training-data.jsonl 与 notebook，RESOURCES.md 汇集延伸资料
19	小型语言模型 SLM（Learn）	用小模型做事的收益；python 含 Phi-3.5 系列与 Phi-3-Vision 的推理演示 notebook
20	Mistral 模型家族（Learn）	Mistral 各模型的特性与差异；python/githubmodels-assignment.ipynb 提供动手作业
21	Meta 模型家族（Learn）	Llama 3.1 / 3.2 等模型的特性与差异；python/githubmodels-assignment.ipynb 提供动手作业，附 sample.jpg 视觉输入样例

可以看到仓库目录与总览表格一一对应：每个课程号都是根目录下的一个独立文件夹（0X-*），内部统一组织为 README.md（书面课件）+ images/（课件配图）+ 若干语言的代码目录。其中“Build”型课程基本都提供了 python/、typescript/ 甚至 js-githubmodels/ 与 dotnet 交互式笔记本（.dib）等多个运行形态，方便学习者按语言偏好选择。

一个“Build 型课程”的真实代码样例

以第 06 课“文本生成应用”为例，仓库在 06-text-generation-apps/python/ 中提供了面向不同提供商的多个脚本。githubmodels-app.py 演示了模型目录接入方式（新项目中已迁移到 Microsoft Foundry Models 的 AZURE_INFERENCE_* 环境变量）：

import os
from azure.ai.inference import ChatCompletionsClient
from azure.ai.inference.models import SystemMessage, UserMessage
from azure.core.credentials import AzureKeyCredential

token = os.environ["AZURE_INFERENCE_CREDENTIAL"]
endpoint = os.environ["AZURE_INFERENCE_ENDPOINT"]

model_name = "gpt-4o-mini"

client = ChatCompletionsClient(
    endpoint=endpoint,
    credential=AzureKeyCredential(token),
)

prompt = "Show me 5 recipes for a dish with the following ingredients: chicken, potatoes, and carrots. Per recipe, list all the ingredients used"

response = client.complete(
    messages=[
        {"role": "system", "content": "You are a helpful assistant."},
        {"role": "user", "content": prompt},
    ],
    model=model_name,
    temperature=1.0,   # 控制输出的随机性
    max_tokens=1000,    # 限制生成长度
    top_p=1.0,
)

if response.choices and response.choices[0].message is not None:
    print(response.choices[0].message.content)

这一小段代码完整覆盖了课程在概念层强调的三个运行要素：prompt（消息体）、temperature（多样性）与 token（预算）；同目录下另有面向 Azure OpenAI 的 aoai-app.py、面向 OpenAI 的 oai-app.py 及加了额外指令的 *-app-recipe.py，方便学习者对照同一提示在不同提供商/端点下的行为差异。

把课程跑起来：环境搭建的三个层次

课程 00 为环境搭建提供了专门的一课，00-course-setup/README.md 将流程拆为三层：

1. 云端优先（推荐）：fork + GitHub Codespaces 将仓库 fork 到自己的账号后，在 Code → Codespaces → New on main 创建云端容器，避免本地依赖冲突。随后通过 ⚙️ → Command Palette → Codespaces: Manage user secret 新增名为 OPENAI_API_KEY 的密钥并填入你的 Key，课程代码即可在云端安全读取该密钥。

2. 本地运行：.env + python-dotenv 本地跑代码同样简单：在项目根目录创建 .env（Unix 用 touch .env，Windows 用 echo . > .env），按 03-providers.md 提供的模板填入对应提供商的密钥：

# OpenAI
OPENAI_API_KEY='<add your OpenAI API key here>'

# Azure OpenAI（已并入 Microsoft Foundry）
AZURE_OPENAI_API_VERSION='2024-10-21'
AZURE_OPENAI_API_KEY='<add your Foundry resource key here>'
AZURE_OPENAI_ENDPOINT='<add your resource endpoint here>'
AZURE_OPENAI_DEPLOYMENT='<deployment name, e.g. gpt-4o-mini>'
AZURE_OPENAI_EMBEDDINGS_DEPLOYMENT='<embeddings deployment, e.g. text-embedding-3-small>'

# Microsoft Foundry Models（多提供商模型目录）
AZURE_INFERENCE_ENDPOINT='<your Foundry project endpoint here>'
AZURE_INFERENCE_CREDENTIAL='<your Foundry Models API key here>'

# Hugging Face
HUGGING_FACE_API_KEY='<your Hugging Face token here>'

安装 pip install python-dotenv 后，在脚本开头用 load_dotenv() 即可读取这些变量；.env 已被仓库 gitignore，不会泄密。仓库根目录同时提供 requirements.txt 与 pyproject.toml，可直接作为依赖基线。

3. 进阶选项：容器 / Conda / Jupyter

• 仓库携带 .devcontainer 相关配置，VS Code 可在容器内一键复现开发环境（本地使用需自备 Docker）；在 Codespaces 中使用容器时，也可把依赖写进环境文件后以 conda env create --file 方式构建虚拟环境。
• 不习惯代码编辑器的学习者可直接在浏览器启动 Jupyter：jupyter notebook 或 jupyterhub，随后导航到任意 *.ipynb 即可，例如 08-building-search-applications/python/oai-solution.ipynb。

值得补充的是，仓库为公共代码沉淀了可复用层：shared/python/ 下的辅助工具模块（如 api_utils.py、env_utils.py、input_validation.py）配有 tests 目录下的对应单元测试（test_api_utils.py、test_env_utils.py、test_input_validation.py），体现了课程对“工程化、可验证代码”的一贯要求。

学习路径建议与参与方式

在掌握 00 课环境后，建议按两条主线推进：

• 概念主线（Learn）：01 → 03 → 04/05 → 12 → 13 → 14 → 18，先建立 LLM 原理、负责任的 AI、提示词与工程化（评估/安全/生命周期）的心智模型；
• 动手主线（Build）：06 → 07 → 08 → 09，或 10（低代码）→ 11（Function Calling）→ 15（RAG）→ 17（Agents），直接对着各课 python/、typescript/ 中的可运行脚本与 notebook 迭代练习；16/19/20/21 则可作为“不同模型家族怎么选、怎么调”的扩展补给。

课程本身是开源协作项目：总览页鼓励学习者通过仓库的 Issue / Pull Request 渠道反馈拼写或代码错误，多语言翻译版本也通过 GitHub Action 自动维护、持续同步；文档中还特别致谢了 John Aziz（GitHub Actions 与工作流维护）与 Bernhard Merkle（逐课代码与学习体验优化）等关键贡献者。遇到卡点时，课程官方 Discord 社区与 Microsoft Foundry Developer Forum 是文档推荐的答疑去处（入口均见仓库 README 与各课“Keep Learning”区块）。

小结

《Generative AI for Beginners》的价值在于把“生成式 AI 应用开发”拆成了 21 个可独立学习的单元：概念课讲透 WHY（原理、安全、UX、LLMOps），实战课给出可直接运行的 HOW（Python/TypeScript/notebook 多形态代码）。结合本仓库镜像，你可以从 translations/el/README.md 这类语言总览切入，也可直接按编号进入任一课：改改第 06 课的 prompt 与 temperature，跑通第 08 课的向量检索，再在第 15 课把 RAG 接上自己的数据——一条从提示词到完整应用的成长路径就在你面前。