README.md

🚀 Moduł 1: Podstawy AI Toolkit

📋 Cele nauki

Po ukończeniu tego modułu będziesz potrafił:

• ✅ Zainstalować i skonfigurować AI Toolkit dla Visual Studio Code
• ✅ Poruszać się po Model Catalog i rozumieć różne źródła modeli
• ✅ Korzystać z Playground do testowania i eksperymentowania z modelami
• ✅ Tworzyć własnych agentów AI za pomocą Agent Builder
• ✅ Porównywać wydajność modeli różnych dostawców
• ✅ Stosować najlepsze praktyki w prompt engineering

🧠 Wprowadzenie do AI Toolkit (AITK)

AI Toolkit dla Visual Studio Code to flagowe rozszerzenie Microsoftu, które przekształca VS Code w kompleksowe środowisko do tworzenia AI. Łączy badania nad AI z praktycznym tworzeniem aplikacji, udostępniając generatywną AI programistom na każdym poziomie zaawansowania.

🌟 Kluczowe możliwości

Funkcja	Opis	Przykład zastosowania
🗂️ Model Catalog	Dostęp do ponad 100 modeli z GitHub, ONNX, OpenAI, Anthropic, Google	Odkrywanie i wybór modeli
🔌 BYOM Support	Integracja własnych modeli (lokalnych/zdalnych)	Wdrażanie niestandardowych modeli
🎮 Interactive Playground	Testowanie modeli w czasie rzeczywistym z interfejsem czatu	Szybkie prototypowanie i testowanie
📎 Multi-Modal Support	Obsługa tekstu, obrazów i załączników	Złożone aplikacje AI
⚡ Batch Processing	Uruchamianie wielu promptów jednocześnie	Efektywne testowanie
📊 Model Evaluation	Wbudowane metryki (F1, trafność, podobieństwo, spójność)	Ocena wydajności

🎯 Dlaczego AI Toolkit jest ważny

• 🚀 Przyspieszenie rozwoju: Od pomysłu do prototypu w kilka minut
• 🔄 Zunifikowany workflow: Jeden interfejs dla wielu dostawców AI
• 🧪 Łatwa eksperymentacja: Porównuj modele bez skomplikowanej konfiguracji
• 📈 Gotowość produkcyjna: Płynne przejście od prototypu do wdrożenia

🛠️ Wymagania wstępne i konfiguracja

📦 Instalacja rozszerzenia AI Toolkit

Krok 1: Otwórz Marketplace rozszerzeń

1. Uruchom Visual Studio Code
2. Przejdź do widoku rozszerzeń (Ctrl+Shift+X lub Cmd+Shift+X)
3. Wyszukaj "AI Toolkit"

Krok 2: Wybierz wersję

• 🟢 Release: Zalecana do użytku produkcyjnego
• 🔶 Pre-release: Wczesny dostęp do najnowszych funkcji

Krok 3: Zainstaluj i aktywuj

✅ Lista kontrolna weryfikacji

• Ikona AI Toolkit pojawia się w pasku bocznym VS Code
• Rozszerzenie jest włączone i aktywne
• Brak błędów instalacji w panelu wyjścia

🧪 Ćwiczenie praktyczne 1: Eksploracja modeli GitHub

🎯 Cel: Opanować Model Catalog i przetestować pierwszy model AI

📊 Krok 1: Poruszanie się po Model Catalog

Model Catalog to twoje wejście do ekosystemu AI. Agreguje modele od różnych dostawców, ułatwiając ich odkrywanie i porównywanie.

🔍 Przewodnik po nawigacji:

Kliknij MODELS - Catalog w pasku bocznym AI Toolkit

💡 Wskazówka: Szukaj modeli z konkretnymi funkcjami dopasowanymi do twoich potrzeb (np. generowanie kodu, kreatywne pisanie, analiza).

⚠️ Uwaga: Modele hostowane na GitHub (GitHub Models) są darmowe, ale podlegają limitom zapytań i tokenów. Aby korzystać z modeli spoza GitHub (np. hostowanych przez Azure AI lub inne endpointy), musisz podać odpowiedni klucz API lub dane uwierzytelniające.

🚀 Krok 2: Dodaj i skonfiguruj swój pierwszy model

Strategia wyboru modelu:

• GPT-4.1: Najlepszy do złożonego rozumowania i analizy
• Phi-4-mini: Lekki, szybki do prostych zadań

🔧 Proces konfiguracji:

1. Wybierz OpenAI GPT-4.1 z katalogu
2. Kliknij Add to My Models - model zostanie zarejestrowany do użytku
3. Wybierz Try in Playground, aby uruchomić środowisko testowe
4. Poczekaj na inicjalizację modelu (pierwsze uruchomienie może chwilę potrwać)

⚙️ Parametry modelu:

• Temperature: Kontroluje kreatywność (0 = deterministyczny, 1 = kreatywny)
• Max Tokens: Maksymalna długość odpowiedzi
• Top-p: Nucleus sampling dla różnorodności odpowiedzi

🎯 Krok 3: Opanuj interfejs Playground

Playground to twoje laboratorium eksperymentów z AI. Oto jak wykorzystać jego potencjał:

🎨 Najlepsze praktyki w prompt engineering:

1. Bądź konkretny: Jasne, szczegółowe instrukcje dają lepsze wyniki
2. Dostarcz kontekst: Dołącz istotne informacje tła
3. Używaj przykładów: Pokaż modelowi, czego oczekujesz
4. Iteruj: Ulepszaj prompt na podstawie pierwszych wyników

🧪 Scenariusze testowe:

# Example 1: Code Generation
"Write a Python function that calculates the factorial of a number using recursion. Include error handling and docstrings."

# Example 2: Creative Writing
"Write a professional email to a client explaining a project delay, maintaining a positive tone while being transparent about challenges."

# Example 3: Data Analysis
"Analyze this sales data and provide insights: [paste your data]. Focus on trends, anomalies, and actionable recommendations."

🏆 Ćwiczenie wyzwanie: Porównanie wydajności modeli

🎯 Cel: Porównaj różne modele, używając tych samych promptów, aby poznać ich mocne strony

📋 Instrukcje:

1. Dodaj Phi-4-mini do swojego środowiska
2. Użyj tego samego promptu dla GPT-4.1 i Phi-4-mini

3. Porównaj jakość odpowiedzi, szybkość i dokładność
4. Zanotuj swoje obserwacje w sekcji wyników

💡 Kluczowe wnioski do odkrycia:

• Kiedy używać LLM, a kiedy SLM
• Równowaga między kosztem a wydajnością
• Specjalistyczne możliwości różnych modeli

🤖 Ćwiczenie praktyczne 2: Tworzenie własnych agentów z Agent Builder

🎯 Cel: Stwórz wyspecjalizowanych agentów AI dopasowanych do konkretnych zadań i procesów

🏗️ Krok 1: Poznaj Agent Builder

Agent Builder to miejsce, gdzie AI Toolkit naprawdę błyszczy. Pozwala tworzyć dedykowanych asystentów AI, łączących moc dużych modeli językowych z niestandardowymi instrukcjami, parametrami i specjalistyczną wiedzą.

🧠 Elementy architektury agenta:

• Core Model: Podstawowy LLM (GPT-4, Groks, Phi itd.)
• System Prompt: Definiuje osobowość i zachowanie agenta
• Parametry: Dostosowane ustawienia dla optymalnej wydajności
• Integracja narzędzi: Połączenie z zewnętrznymi API i usługami MCP
• Pamięć: Kontekst rozmowy i utrzymanie sesji

⚙️ Krok 2: Szczegółowa konfiguracja agenta

🎨 Tworzenie skutecznych system promptów:

# Template Structure:
## Role Definition
You are a [specific role] with expertise in [domain].

## Capabilities
- List specific abilities
- Define scope of knowledge
- Clarify limitations

## Behavior Guidelines
- Response style (formal, casual, technical)
- Output format preferences
- Error handling approach

## Examples
Provide 2-3 examples of ideal interactions

Oczywiście możesz też użyć Generate System Prompt, aby AI pomogło Ci wygenerować i zoptymalizować prompt

🔧 Optymalizacja parametrów:

Parametr	Zalecany zakres	Przykład zastosowania
Temperature	0.1-0.3	Odpowiedzi techniczne/faktyczne
Temperature	0.7-0.9	Zadania kreatywne/burza mózgów
Max Tokens	500-1000	Zwięzłe odpowiedzi
Max Tokens	2000-4000	Szczegółowe wyjaśnienia

🐍 Krok 3: Ćwiczenie praktyczne - Agent programowania w Pythonie

🎯 Misja: Stwórz wyspecjalizowanego asystenta do kodowania w Pythonie

📋 Kroki konfiguracji:

1. Wybór modelu: Wybierz Claude 3.5 Sonnet (świetny do kodu)

2. Projekt system promptu:

# Python Programming Expert Agent

## Role
You are a senior Python developer with 10+ years of experience. You excel at writing clean, efficient, and well-documented Python code.

## Capabilities
- Write production-ready Python code
- Debug complex issues
- Explain code concepts clearly
- Suggest best practices and optimizations
- Provide complete working examples

## Response Format
- Always include docstrings
- Add inline comments for complex logic
- Suggest testing approaches
- Mention relevant libraries when applicable

## Code Quality Standards
- Follow PEP 8 style guidelines
- Use type hints where appropriate
- Handle exceptions gracefully
- Write readable, maintainable code

3. Konfiguracja parametrów:
   • Temperature: 0.2 (dla spójnego, niezawodnego kodu)
   • Max Tokens: 2000 (szczegółowe wyjaśnienia)
   • Top-p: 0.9 (zrównoważona kreatywność)

🧪 Krok 4: Testowanie twojego agenta Python

Scenariusze testowe:

1. Podstawowa funkcja: "Stwórz funkcję do znajdowania liczb pierwszych"
2. Złożony algorytm: "Zaimplementuj drzewo binarne z metodami insert, delete i search"
3. Problem z życia: "Zbuduj web scraper obsługujący limitowanie zapytań i ponawianie prób"
4. Debugowanie: "Napraw ten kod [wklej błędny kod]"

🏆 Kryteria sukcesu:

• ✅ Kod działa bez błędów
• ✅ Zawiera odpowiednią dokumentację
• ✅ Stosuje najlepsze praktyki Pythona
• ✅ Dostarcza jasne wyjaśnienia
• ✅ Proponuje ulepszenia

🎓 Podsumowanie Modułu 1 i kolejne kroki

📊 Sprawdzenie wiedzy

Sprawdź, czy potrafisz:

• Wyjaśnić różnice między modelami w katalogu
• Stworzyć i przetestować własnego agenta
• Optymalizować parametry dla różnych zastosowań
• Projektować skuteczne system prompty

📚 Dodatkowe materiały

• Dokumentacja AI Toolkit: Official Microsoft Docs
• Przewodnik po prompt engineering: Best Practices
• Modele w AI Toolkit: Models in Develpment

🎉 Gratulacje! Opanowałeś podstawy AI Toolkit i jesteś gotowy na tworzenie bardziej zaawansowanych aplikacji AI!

🔜 Przejdź do następnego modułu

Chcesz poznać bardziej zaawansowane funkcje? Kontynuuj do Moduł 2: MCP z AI Toolkit Fundamentals, gdzie nauczysz się:

• Łączyć agentów z zewnętrznymi narzędziami za pomocą Model Context Protocol (MCP)
• Tworzyć agentów automatyzujących przeglądarkę z Playwright
• Integrować serwery MCP z agentami AI Toolkit
• Wzmacniać agentów danymi i możliwościami zewnętrznymi

Zastrzeżenie:
Niniejszy dokument został przetłumaczony za pomocą usługi tłumaczenia AI Co-op Translator. Mimo że dążymy do jak największej dokładności, prosimy mieć na uwadze, że tłumaczenia automatyczne mogą zawierać błędy lub nieścisłości. Oryginalny dokument w języku źródłowym powinien być uznawany za źródło autorytatywne. W przypadku informacji o kluczowym znaczeniu zalecane jest skorzystanie z profesjonalnego tłumaczenia wykonanego przez człowieka. Nie ponosimy odpowiedzialności za jakiekolwiek nieporozumienia lub błędne interpretacje wynikające z korzystania z tego tłumaczenia.