Generative AI for Beginners（德语版）课程指南：21 节生成式 AI 入门课的学习路径与仓库结构解读

导读

translations/de/README.md 是本开源课程 "Generative AI for Beginners（第 3 版）" 的德语课程主页，它把 Microsoft Cloud Advocates 团队维护的 21 节生成式 AI 课程体系完整译成了德语。本文以该文档为骨架，梳理课程的整体学习路径（含全部 21 节课的主题、分类与仓库目录对应关系）、三种主流 LLM 接入方式（Azure OpenAI / OpenAI API / 模型市场）、环境准备步骤，并结合仓库内实际的代码、配置与测试文件做深度佐证，帮助你快速理解"这个课程讲什么、从哪里开始、如何在这个仓库里按图索骥"。

课程是什么：21 节课、"Learn"与"Build"两种形态

按德语课程主页的说明，本课程共 21 节（lesson 00 至 lesson 21），每一节围绕一个独立主题展开，因此可以按需选择任意小节开始学习，无需按顺序读完。

从内容形态上，每节课程被划分为两类：

• "Lernen / Learn"型课程：重点解释生成式 AI 的某一概念，例如第 01 节"Einführung in Generative AI und LLMs"（生成式 AI 与 LLM 导论）、第 04 节"Grundlagen des Prompt Engineerings"（提示工程基础）、第 18 节"Feinabstimmung von LLMs"（LLM 微调）等；
• "Erstellen / Build"型课程：在讲解概念的同时提供可在 Python 与 TypeScript 中运行的代码示例，例如第 06 节文本生成应用、第 08 节基于向量数据库的搜索应用、第 09 节图像生成应用、第 15 节 RAG 应用等。

此外，文档特别说明：面向 .NET 开发者的读者，可以转向该系列专门维护的 .NET 版本课程（Generative AI for Beginners .NET Edition）；仓库中个别课程目录内也提供 .NET 相关 notebook（例如 06-text-generation-apps/dotnet/ 与 07-building-chat-applications/dotnet/ 下的 .dib 文件），可作为补充验证。

每个 lesson 的组成部分包括：一段主题视频简介（德语主页中标注为 "Video"，部分章节为 "Video demnächst verfügbar" 即"即将上线"）、课程 README 正文、同时支持 Azure OpenAI 与 OpenAI API 的 Python/TypeScript 代码示例，以及延伸阅读的链接区（"Weiter Lernen"）。

运行课程代码需要的三件事

德语课程主页明确列出了运行课程代码所需的前置条件：

1. 三大模型/服务入口之一，德语文档分别标注了对应作业文件的前缀约定：

   • Azure OpenAI Service —— 课程作业文件以 aoai-assignment 命名；
   • GitHub Marketplace Model Catalog（模型市场） —— 作业文件以 githubmodels 命名；
   • OpenAI API —— 作业文件以 oai-assignment 命名。

   这一命名约定在仓库中可以得到印证：例如 04-prompt-engineering-fundamentals/python/ 下同时存在 aoai-assignment.ipynb、githubmodels-assignment.ipynb、oai-assignment.ipynb 三份等价练习；07-building-chat-applications/python/、08-building-search-applications/python/ 等目录也遵循同一模式，方便你在不同服务商之间切换练习。

2. Python 或 TypeScript 基础知识——官方建议零基础读者先补充这两门语言的基础；本仓库内各 lesson 的代码即按 python/、typescript/、js-githubmodels/ 等子目录组织（可对照根目录下 06-text-generation-apps/python/、06-text-generation-apps/typescript/ 等确认）。

3. 一个 GitHub 账号，用于把仓库 fork 到自己的账号下以便修改代码、完成挑战。文档还提示你可以通过给仓库打星（star）的方式方便日后再次找到它。

小提示：涉及提供商接入方式的细节以你正在阅读的那一语言版本中的 setup 文档为准。仓库根目录的 课程环境设置 中另有关于服务入口演进的说明（例如推荐使用 AZURE_INFERENCE_ENDPOINT / AZURE_INFERENCE_CREDENTIAL 这类环境变量承载模型市场凭据），实际学习时可对照 providers 说明 查看如何获取端点与密钥。

从哪里开始：环境准备（Lesson 00）

德语主页强烈建议先完成 "Kurseinrichtung"（课程设置） 这一节，对应的仓库路径是 translations/de/00-course-setup/README.md，该目录下还包括三份相互补充的文档：

• 01-setup-cloud.md——云端（GitHub Codespaces）设置；
• 02-setup-local.md——本地离线设置；
• 03-providers.md——LLM 服务商（Provider）配置。

结合仓库根目录的 00-course-setup/README.md 可以看出完整的准备链路大致为：

1. Fork 本仓库到自己的 GitHub 账号；
2. 创建 Codespace：在 fork 后的页面依次选择 Code -> Codespaces -> New on main；
3. 添加密钥（Secret）：通过设置菜单进入 Codespaces 的用户密钥管理，新增名为 OPENAI_API_KEY 的密钥并粘贴你的 API Key，保存即可；
4. 之后按需选择：直接开始第 01 节、离线学习、或先配置 LLM 服务商。

该设置文档还附带了常见的故障排查对照表（如容器构建超过 10 分钟应选择 Rebuild Container、终端未附加时通过 + 新建 bash、401 Unauthorized 多半是 OPENAI_API_KEY 错误或过期等），对首次上手很有价值。

凭据读取与仓库源码的呼应

课程代码在读取环境变量方面有一套现成的安全封装，集中在仓库根目录的 shared/python/env_utils.py。其中的 get_required_env(var_name, description) 会从环境读取指定变量，若未设置或为空则抛出带提示信息的 ValueError；配套的 tests/test_env_utils.py 对该行为做了覆盖验证。例如按本课程惯例，代码里需要的是通过 os.getenv 获取密钥、再传入客户端——这种"密钥不进代码、只进环境变量"的写法与上文 Codespaces Secrets 的推荐是一致的。

21 节课程总览与仓库目录对照

德语主页用一张完整的表格列出全部课程，下表在保留德语标题/描述的同时补上了与本仓库（德语译本）的路径对应关系，便于按目录检索：

#	课程主题（德语）	类型/一句话内容	仓库相对路径（德语版）
00	Kurseinrichtung	学习：搭建开发环境	translations/de/00-course-setup/README.md
01	Einführung in Generative AI und LLMs	学习：什么是生成式 AI、LLM 如何工作	translations/de/01-introduction-to-genai/README.md
02	Unterschiedliche LLMs erkunden und vergleichen	学习：如何为用例选择正确模型	translations/de/02-exploring-and-comparing-different-llms/README.md
03	Verantwortungsvoller Umgang mit Generativer KI	学习：负责任地开发生成式 AI 应用	translations/de/03-using-generative-ai-responsibly/README.md
04	Grundlagen des Prompt Engineerings verstehen	学习：提示工程的实用最佳实践	translations/de/04-prompt-engineering-fundamentals/README.md
05	Fortgeschrittene Prompts erstellen	学习：用进阶技巧改善提示输出效果	translations/de/05-advanced-prompts/README.md
06	Textgenerierungsanwendungen erstellen	构建：用 Azure OpenAI / OpenAI API 做文本生成应用	translations/de/06-text-generation-apps/README.md
07	Chat-Anwendungen erstellen	构建：高效构建并集成聊天应用	translations/de/07-building-chat-applications/README.md
08	Suchanwendungen mit Vektordatenbanken erstellen	构建：用 Embedding 做向量检索的搜索应用	translations/de/08-building-search-applications/README.md
09	Bildgenerierungsanwendungen erstellen	构建：图像生成应用	translations/de/09-building-image-applications/README.md
10	Low-Code KI-Anwendungen erstellen	构建：用低代码工具做生成式 AI 应用	translations/de/10-building-low-code-ai-applications/README.md
11	Externe Anwendungen mit Function Calling integrieren	构建：Function Calling 是什么及如何集成	translations/de/11-integrating-with-function-calling/README.md
12	UX für KI-Anwendungen gestalten	学习：把 UX 设计原则应用到生成式 AI 应用	translations/de/12-designing-ux-for-ai-applications/README.md
13	Sicherung Ihrer Generativen KI-Anwendungen	学习：AI 系统面临的威胁风险与加固方法	translations/de/13-securing-ai-applications/README.md
14	Der Lebenszyklus von Generativen KI-Anwendungen	学习：管理 LLM 生命周期的工具与指标（LLMOps）	translations/de/14-the-generative-ai-application-lifecycle/README.md
15	Retrieval Augmented Generation (RAG) und Vektordatenbanken	构建：用 RAG 框架从向量库检索 Embedding	translations/de/15-rag-and-vector-databases/README.md
16	Open Source Modelle und Hugging Face	构建：在 Hugging Face 上使用开源模型	translations/de/16-open-source-models/README.md
17	KI-Agenten	构建：基于 AI Agent 框架开发应用	translations/de/17-ai-agents/README.md
18	Feinabstimmung von LLMs	学习：LLM 微调的 What / Why / How	translations/de/18-fine-tuning/README.md
19	Erstellen mit SLMs	学习：使用小型语言模型（SLM）的优势	translations/de/19-slm/README.md
20	Erstellen mit Mistral-Modellen	学习：Mistral 系列模型特性与差异	translations/de/20-mistral/README.md
21	Erstellen mit Meta-Modellen	学习：Meta 系列模型特性与差异	translations/de/21-meta/README.md

整张表格呈现出一条由"概念理解（01-05）→ 应用构建（06-11）→ 工程与安全（12-14）→ 进阶范式（15-18）→ 最新模型生态（19-21）"构成的学习曲线；同时，它与根目录 00-course-setup、01-introduction-to-genai …… 21-meta 的顶层目录一一对应。

仓库的多语言布局与"稀疏克隆"（Sparse Checkout）

德语主页用醒目篇幅说明了一个仓库实践层面的关键点：这个仓库包含 60 多种语言的全套翻译，因此克隆体积显著变大。仓库里也确实能看到两个庞大的多语言目录：

• translations/：各语言课程正文（Markdown 与 Notebook），如本文档所在的 translations/de/；
• translated_images/：各语言本地化配图（WebP 格式），如德语图包 translated_images/de/。

如果只想完成课程、不关心其他语言内容，德语文档推荐用 稀疏克隆（sparse checkout） 的方式大幅加快下载：

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"

命令的含义是：先以 --filter=blob:none --sparse 方式做只含目录树的最小克隆，再用 git sparse-checkout set --no-cone 显式排除 translations 与 translated_images 两个目录（--no-cone 模式配合 /* 通配可精确表达"保留顶层全部、仅剔除指定目录"）。blob:none 过滤器配合 --filter 也是 Git 官方推荐的"部分克隆"用法，可避免下载各历史版本的对象。完成后你拿到的就是一份足以跑通全部课程的轻量副本。若需要在代码库内做修改后再运行，可在此基础上 fork 并在自己的副本中推进。

从德语文档反推课程内部的深度细节（仓库佐证）

德语主页属于"课程门户/索引"型文档，真正的技术内容沉淀在各级 lesson 中。以下结合仓库文件给出几条有助于检索和引用的线索：

• 提示工程（04/05）：04-prompt-engineering-fundamentals/README.md 把"提示"称为生成式 AI 应用的主要编程界面，并给出三个关键术语（Prompt Engineering、Tokenization、Instruction-Tuned LLMs）；配套的 python/ 内三份 notebook（aoai-assignment.ipynb、githubmodels-assignment.ipynb、oai-assignment.ipynb）就是所谓"沙盒环境"——用真实端点反复试错来训练提示直觉。
• 文本生成应用（06）：正文解释了"传统命令行/UI 应用能力有限"与"文本生成应用可用自然语言交互、且背后是对海量语料训练过的数据源"的差异，并提出两种接入 LLM 的途径：直接调 API（自己构造 HTTP 请求）与使用 SDK 库（封装 API 调用）。仓库中的 06-text-generation-apps/python/aoai-app.py、oai-app.py、githubmodels-app.py 即三种服务各自的落地示例。
• AI 代理（17）：仓库根目录 17-ai-agents/README.md 给出了一个可复用的定义——"AI Agent 通过向 LLM 提供 状态（state） 与 工具（tools） 来让它执行任务"，并介绍了 AutoGen、LangChain Agents 等多个框架及各自特征图（17-ai-agents/images/）。
• 微调（18）：与前面"通过修改 prompt 输入来改善结果"的提示工程、RAG 不同，微调是第三种路径——"用额外数据重新训练模型本身"；18-fine-tuning/ 下除正文外还有 RESOURCES.md 延伸资料与 python/openai/oai-assignment.ipynb 实践作业。

德语主页本身还提示每个 lesson 都自带"Video（视频）→ 阅读（README）→ Python/TypeScript 代码 → 更多资源"的标准结构，因此当你定位到任一课程目录时，都可以按这套模板快速找到对应学习素材。

翻译机制与文档使用注意（德语版特有说明）

translations/de/README.md 文末有一段值得注意的声明：该文档由 AI 翻译服务（Co-op Translator）自动生成，翻译可能含错误或不精确之处，原始语言（英语）文档才是权威来源，涉及重要信息时建议以人工翻译为准。这也解释了为何仓库会在 translations/ 之外维护一套独立的、随 GitHub Action 自动更新并保持同步的语言表。因此在使用德语版学习时，若遇到表述存疑，建议回溯到对应英语源文档（根目录同名路径）核对概念或代码细节。

总结：如何最大化利用这份德语课程主页

一句话概括本文档的价值：它既是课程索引（21 节课的目录、分类、视频与代码入口），也是环境就绪清单（fork → Codespace → API Key → 第 00 节设置），还是仓库导航图（三个服务商前缀、translations/ 与 translated_images/ 多语言布局、稀疏克隆命令）。结合仓库中 00-course-setup 的设置文档、shared/python/env_utils.py 的密钥读取封装以及各级 lesson 的 README 与 notebook，你可以从"读主页"平滑过渡到"动手跑第一个生成式 AI 应用"。