Lab 06: Python SDK - Podstawy integracji z agentem

Opis

W tym laboratorium nauczymy się komunikować z agentem używając Python SDK. Będziemy budować kod małymi kawałkami - każdy krok to kilka linijek kodu które dodasz, uruchomisz i zrozumiesz przed dodaniem kolejnego kawałka.

Ważne: NIE tworzymy agenta w kodzie. Użyjemy istniejącego agenta z Lab 05 (KRS-Agent) lub Lab 06 (NewsAgent).

Pełna dokumentacja:

Python SDK Quickstart

Python SDK Reference

Sample Code

Przygotowanie środowiska

Krok 1: Przygotuj katalog roboczy

Wejdź do terminala gdzie tworzyłeś katalogu w zadaniu 01 na starcie szkolenia. Powinieneś widzieć tam coś podobnego:

(venv) PS C:\workshop>

Ważne: Wszystkie kolejne kroki wykonuj z aktywowanym venv! Twój prompt powinien pokazać (venv).

Krok 2: Instalacja pakietów SDK

Zainstaluj tylko dwa pakiety:

pip install azure-ai-projects azure-identity

Co instalujemy:

azure-ai-projects - SDK do komunikacji z Azure AI Foundry Agents
azure-identity - Uwierzytelnianie (ChainedTokenCredential, EnvironmentCredential, AzureCliCredential)

Czas instalacji: ~30 sekund

Krok 3: Znajdź Project Endpoint w portalu

Przejdź do Azure AI Foundry Portal
Wybierz swój projekt
Na stronie Overview znajdź Azure AI Foundry project endpoint
Skopiuj endpoint

Format endpoint:

https://<resource-name>.services.ai.azure.com/api/projects/<project-name>

Przykład:

https://my-ai-foundry.services.ai.azure.com/api/projects/my-workshop-project

Tip: Endpoint jest w sekcji Overview na górze strony projektu, nie w Project settings.

Krok 4: Znajdź Agent ID w portalu

W Azure AI Foundry Portal → Agents
Kliknij na KRS-Agent (z Lab 05) lub NewsAgent (z Lab 06)
W prawym panelu zobacz Agent ID - długi string zaczynający się od asst_...
Skopiuj ten ID

Przykład Agent ID:

asst_abc123XYZ456def789

Krok 5: Konfiguracja uwierzytelniania

Na warsztatach używamy Azure CLI do uwierzytelnienia (najprostszy sposób dla local development).

Sposób 1: Azure CLI (warsztaty, local development)

az login

Otworzy się przeglądarka - zaloguj się tym samym kontem co w Azure AI Foundry Portal.

💡 Już zalogowany w Lab 01? Jeśli wykonałeś az login w Lab 01: Setup środowiska, nie musisz nic robić - jesteś już zalogowany! Możesz przejść do następnego punktu.

Sposób 2: Service Principal (produkcja, on-prem Kubernetes)

ℹ️ Na warsztatach NIE używamy: To jest informacja jak uruchomić kod w środowisku produkcyjnym (np. on-prem Kubernetes, CI/CD).

W środowisku produkcyjnym (np. klaster Kubernetes on-premises) tworzysz Service Principal i ustawiasz zmienne środowiskowe:

Linux/macOS:

export AZURE_TENANT_ID="your-tenant-id"
export AZURE_CLIENT_ID="your-client-id"
export AZURE_CLIENT_SECRET="your-client-secret"

Windows PowerShell:

$env:AZURE_TENANT_ID="your-tenant-id"
$env:AZURE_CLIENT_ID="your-client-id"
$env:AZURE_CLIENT_SECRET="your-client-secret"

Jak to działa?

SDK użyje ChainedTokenCredential który próbuje uwierzytelnienie w kolejności:

EnvironmentCredential - sprawdza zmienne środowiskowe (Service Principal)
AzureCliCredential - sprawdza czy jesteś zalogowany przez az login

Jeśli pierwsze się nie uda, przechodzi do drugiego. Wystarczy jeden działający sposób.

Dokumentacja: Credential chains - Microsoft Learn

Budowanie skryptu krok po kroku

Teraz zbudujemy skrypt małymi kawałkami. Każdy krok:

Dodasz kod
Uruchomisz skrypt
Zobaczysz wynik
Zrozumiesz co się stało
Przejdziesz do kolejnego kroku

Krok 1: Utworzenie pliku i podstawowy import

Otwórz Visual Studio Code (wpisz w terminalu w katalogu roboczym code .)

Utwórz plik agent_client.py w swoim katalogu roboczym (z aktywowanym venv!):

#!/usr/bin/env python3
"""
Podstawowa komunikacja z agentem przez SDK
"""

from azure.ai.projects import AIProjectClient
from azure.identity import ChainedTokenCredential, EnvironmentCredential, AzureCliCredential
import json

print("✓ Importy załadowane")

Uruchom:

python agent_client.py

Oczekiwany wynik:

✓ Importy załadowane

Co się stało: Sprawdziliśmy że pakiety są zainstalowane poprawnie.

Krok 2: Utworzenie klienta

Dodaj do pliku agent_client.py (pod importami):

# Project endpoint z Overview (zastąp swoim!)
PROJECT_ENDPOINT = "YOUR_PROJECT_ENDPOINT_HERE"

# ChainedTokenCredential: Service Principal → Azure CLI
print("🔧 Tworzenie credential...")
credential = ChainedTokenCredential(
    EnvironmentCredential(),    # Próbuje AZURE_CLIENT_ID/SECRET/TENANT_ID
    AzureCliCredential()        # Próbuje az login
)

# (Opcjonalne) Jeżeli masz rozszyfrowywanie ruchu na proxy (SSL interception),
# możesz wyłączyć weryfikowanie certyfikatu:
# from azure.core.pipeline.transport import RequestsTransport
# transport = RequestsTransport(connection_verify=False)

# Utworzenie klienta
print("🔧 Tworzenie klienta...")
project_client = AIProjectClient(
    endpoint=PROJECT_ENDPOINT,
    credential=credential
    # transport=transport  # Odkomentuj jeżeli używasz proxy
)

print("✓ Klient utworzony")

Zastąp YOUR_PROJECT_ENDPOINT_HERE swoim endpointem z Kroku 3 przygotowania (Overview).

Uruchom:

python agent_client.py

Oczekiwany wynik:

🔧 Tworzenie credential...
🔧 Tworzenie klienta...
✓ Klient utworzony

Co się stało:

Utworzyliśmy ChainedTokenCredential który próbuje uwierzytelnienia w kolejności:
1. EnvironmentCredential (Service Principal ze zmiennych środowiskowych)
2. AzureCliCredential (az login)
Utworzyliśmy klienta AIProjectClient z endpointem i credential
Klient jest gotowy do komunikacji z projektem

Który credential został użyty?

Jeśli masz zmienne środowiskowe (AZURE_CLIENT_ID, AZURE_CLIENT_SECRET, AZURE_TENANT_ID) → użyje EnvironmentCredential
Jeśli nie ma zmiennych ale jesteś zalogowany przez az login → użyje AzureCliCredential
Jeśli żaden nie działa → błąd uwierzytelnienia

Tip: ChainedTokenCredential próbuje w kolejności i używa pierwszego który zadziała.

Krok 3: Listowanie agentów (weryfikacja połączenia)

Dodaj kolejny kawałek kodu:

# Listowanie agentów w projekcie
print("\n📋 Listowanie agentów...")
agents = project_client.agents.list_agents()

print("✓ Agenci w projekcie:")
for agent in agents:
    print(f"  - {agent.name} (ID: {agent.id})")
    print(f"    Model: {agent.model}")

Uruchom:

python agent_client.py

Oczekiwany wynik:

📋 Listowanie agentów...
✓ Agenty w projekcie:
  - KRS-Agent (ID: asst_abc123...)
    Model: gpt-4.1-mini
  - NewsAgent (ID: asst_xyz789...)
    Model: gpt-4.1-mini

Co się stało:

Wywołaliśmy list_agents() - pobraliśmy listę wszystkich agentów w projekcie
Widzimy agentów utworzonych w Lab 05 i Lab 06
Każdy agent ma swoją nazwę, ID i model

Znajdź Agent ID którego użyjesz (np. KRS-Agent).

Krok 4: Utworzenie thread (wątku konwersacji)

Dodaj kod:

# ID agenta z którym będziemy rozmawiać (zastąp swoim!)
AGENT_ID = "YOUR_AGENT_ID_HERE"

# Utworzenie thread (wątku konwersacji)
print(f"\n💬 Tworzenie thread dla agenta {AGENT_ID}...")
thread = project_client.agents.threads.create()

print("✓ Thread utworzony")
print(f"  Thread ID: {thread.id}")

Zastąp YOUR_AGENT_ID_HERE Agent ID z poprzedniego kroku (np. KRS-Agent).

Uruchom:

python agent_client.py

Oczekiwany wynik:

💬 Tworzenie thread dla agenta asst_abc123...
✓ Thread utworzony
  Thread ID: thread_xyz456...

Co się stało:

Utworzyliśmy thread = wątek konwersacji
Thread to kontener na wiadomości między userem a agentem
Thread ID będzie używany we wszystkich kolejnych operacjach
Thread żyje dopóki go nie skasujemy - możesz wrócić do niego później

Wyjaśnienie: Thread ≠ wątek programistyczny. To kontekst konwersacji - wszystkie wiadomości w jednym threadzie są widoczne dla agenta.

Krok 5: Dodanie wiadomości użytkownika

Dodaj kod:

# Dodanie wiadomości użytkownika
print("\n📝 Dodawanie wiadomości użytkownika...")
message = project_client.agents.messages.create(
    thread_id=thread.id,
    role="user",
    content="Podaj dane firmy KRS 0000028860"
)

print("✓ Wiadomość dodana")
print(f"  Message ID: {message.id}")
print(f"  Content: {message.content[0].text.value}")

Uruchom:

python agent_client.py

Oczekiwany wynik:

📝 Dodawanie wiadomości użytkownika...
✓ Wiadomość dodana
  Message ID: msg_abc123...
  Content: Podaj dane firmy KRS 0000028860

Co się stało:

Dodaliśmy wiadomość do thread z rolą user
Wiadomość jest zapisana w threadzie ale agent jej jeszcze nie widział
Agent odpowie dopiero jak uruchomimy run

Ważne: Dodanie message NIE wywołuje agenta! To tylko zapisanie wiadomości w threadzie. Agent odpowie w następnym kroku.

Krok 6: Uruchomienie agenta (run)

Dodaj kod:

# Uruchomienie agenta (run)
print("\n▶️  Uruchamianie agenta...")
run = project_client.agents.runs.create_and_process(
    thread_id=thread.id,
    agent_id=AGENT_ID
)

print("✓ Run zakończony")
print(f"  Run ID: {run.id}")
print(f"  Status: {run.status}")

Uruchom:

python agent_client.py

Oczekiwany wynik:

▶️  Uruchamianie agenta...
✓ Run zakończony
  Run ID: run_xyz789...
  Status: completed

To może potrwać 5-15 sekund! Agent:

Odczytuje wiadomość z threadu
Analizuje pytanie
Wywołuje KRS API tool (jeśli używasz KRS-Agent)
Generuje odpowiedź
Zapisuje odpowiedź w threadzie

Co się stało:

Wywołaliśmy create_and_process_run() - to wygodna metoda która:
- Utworzyła run (wywołanie agenta)
- Poczekała aż agent skończy (polling)
- Zwróciła wynik
Status completed = agent odpowiedział pomyślnie
Odpowiedź agenta jest zapisana w threadzie

Wyjaśnienie: create_and_process_run() blokuje wykonanie dopóki agent nie skończy. Jest też create_run() + manual polling - do tego wrócimy później.

Krok 7: Odczytanie odpowiedzi agenta

Dodaj kod:

# Odczytanie wiadomości z threadu
print("\n📨 Odczytywanie wiadomości...")
messages = project_client.agents.messages.list(thread_id=thread.id)

print("✓ Konwersacja:")
print("-" * 60)
for msg in messages:
    role = "User" if msg.role == "user" else "Agent"
    content = msg.content[0].text.value if msg.content else "(brak treści)"
    print(f"\n{role}:")
    print(content)
print("-" * 60)

Uruchom:

python agent_client.py

Oczekiwany wynik:

📨 Odczytywanie wiadomości...
✓ Konwersacja:
------------------------------------------------------------

User:
Podaj dane firmy KRS 0000028860

Agent:
Oto dane firmy z KRS 0000028860:

**Nazwa:** ORLEN Spółka Akcyjna
**Siedziba:** Płock, ul. Chemików 7, 09-411
**NIP:** 7740001454
**REGON:** 610188201
...
------------------------------------------------------------

Co się stało:

Wywołaliśmy list_messages() - pobraliśmy wszystkie wiadomości z threadu
Wiadomości są w kolejności od najnowszej do najstarszej
Widzimy zarówno pytanie usera jak i odpowiedź agenta
Agent wywołał KRS API tool i zwrócił dane firmy

Krok 8: Szczegóły run (tokeny i tool calls)

Dodaj kod:

# Szczegóły run
print("\n🔍 Szczegóły run:")
print(f"  Model: {run.model}")

if run.usage:
    print(f"  Tokeny:")
    print(f"    - Prompt: {run.usage.prompt_tokens}")
    print(f"    - Completion: {run.usage.completion_tokens}")
    print(f"    - Total: {run.usage.total_tokens}")

# Tool calls
print("\n🔧 Tool calls:")
run_steps = project_client.agents.run_steps.list(
    thread_id=thread.id,
    run_id=run.id
)

for step in run_steps:
    if step.type == "tool_calls":
        for tool_call in step.step_details.tool_calls:
            print(f"\n  ━━━ Tool Type: {tool_call.type} ━━━")
            print(f"  Tool Call ID: {tool_call.id}")

            # Konwertuj do dict żeby łatwiej dostać się do danych
            tool_dict = tool_call.as_dict() if hasattr(tool_call, 'as_dict') else {}

            # Dla typu 'openapi' dane są w kluczu 'function'
            func_data = tool_dict.get('function', {})

            if func_data:
                # Nazwa funkcji/operacji
                name = func_data.get('name', 'unknown')
                print(f"  Function/Operation: {name}")

                # Arguments - pretty print JSON z wcięciami
                arguments = func_data.get('arguments', '')
                if arguments:
                    print(f"\n  📥 Arguments:")
                    try:
                        args = json.loads(arguments)
                        args_json = json.dumps(args, ensure_ascii=False, indent=2)
                        for line in args_json.split('\n'):
                            print(f"     {line}")
                    except:
                        print(f"     {arguments}")

                # Output - zwiększony limit do 1500 znaków
                output = func_data.get('output', '')
                if output:
                    print(f"\n  📤 Output:")
                    output_str = str(output)
                    max_length = 1500
                    if len(output_str) > max_length:
                        output_str = output_str[:max_length] + f"\n     ... (skrócono, pełna długość: {len(output_str)} znaków)"

                    # Multi-line output z wcięciem
                    for line in output_str.split('\n'):
                        print(f"     {line}")
                else:
                    print(f"\n  📤 Output: (brak)")
            else:
                print(f"  ⚠️  Brak danych funkcji w tool_call")

Uruchom:

python agent_client.py

Oczekiwany wynik:

🔍 Szczegóły run:
  Model: gpt-4.1-mini
  Tokeny:
    - Prompt: 20561
    - Completion: 856
    - Total: 21417

🔧 Tool calls:

  ━━━ Tool Type: openapi ━━━
  Tool Call ID: call_abc123xyz456
  Function/Operation: krs_api_getKrsOdpisAktualny

  📥 Arguments:
     {
       "krs": "0000028860",
       "rejestr": "P"
     }

  📤 Output:
     {'odpis': {'rodzaj': 'Aktualny', 'naglowekA': {'rejestr': 'RejP',
     'numerKRS': '0000028860', 'dataCzasOdpisu': '13.11.2025 14:34:58',
     'stanZDnia': '31.10.2025', 'dataRejestracjiWKRS': '19.07.2001',
     'numerOstatniegoWpisu': 201, 'dataOstatniegoWpisu': '31.10.2025',
     ...
     ... (skrócono, pełna długość: 45234 znaków)

Co się stało:

run.usage pokazuje ile tokenów zostało zużytych (ważne dla kosztów!)
run_steps.list() pokazuje kroki wykonania - widzimy szczegóły tool calls:
- Tool type: openapi (narzędzie OpenAPI)
- Tool Call ID: Unikalny identyfikator wywołania
- Function/Operation: krs_api_getKrsOdpisAktualny - nazwa operacji z OpenAPI spec
- Arguments: Parametry przekazane do API w sformatowanym JSON (z wcięciami dla czytelności)
- Output: Odpowiedź z API (pierwsze 1500 znaków, całość może mieć dziesiątki tysięcy znaków)
Kod używa tool_call.as_dict() żeby dostać się do danych funkcji dla typu openapi
JSON w arguments jest formatowany używając json.loads() i json.dumps(indent=2)
To narzędzie OpenAPI (KRS API) dodane w Lab 04

Tip: Run steps to świetne narzędzie do debugowania - widzisz dokładnie jakie argumenty agent przekazał do narzędzia i co narzędzie zwróciło!

Krok 9: Zarządzanie threads (referencja)

Po zakończeniu pracy z agentem, warto wiedzieć jak zarządzać threads. NIE dodawaj tego kodu do swojego skryptu - to tylko informacja referencyjna.

Listowanie wszystkich threads

# Pobranie wszystkich threads w projekcie
threads = project_client.agents.threads.list()

print("📋 Wszystkie threads:")
for thread in threads:
    print(f"  - Thread ID: {thread.id}")
    print(f"    Created: {thread.created_at}")

Kiedy używać:

Chcesz zobaczyć wszystkie konwersacje w projekcie
Debugujesz problemy z threads
Sprzątasz stare threads

Usuwanie thread

# Usunięcie konkretnego thread
project_client.agents.threads.delete(thread_id=thread.id)
print("✓ Thread usunięty")

Kiedy używać:

Development: Po każdym teście (oszczędność zasobów)
Production: Gdy konwersacja się zakończyła i nie potrzebujesz historii
Nigdy: Gdy chcesz zachować historię dla audytu lub kontynuacji

Ważne: Threads żyją dopóki ich nie skasujesz. W development zawsze kasuj thread’y po użyciu. W produkcji decyduj na podstawie business requirements.

Thread lifecycle:

create → add messages → runs → ... → delete (opcjonalnie)
                                  ↓
                            reuse (multi-turn conversation)

Kluczowe koncepty

ChainedTokenCredential vs DefaultAzureCredential

W tym labie używamy ChainedTokenCredential dla pełnej kontroli nad uwierzytelnianiem:

from azure.identity import ChainedTokenCredential, EnvironmentCredential, AzureCliCredential

credential = ChainedTokenCredential(
    EnvironmentCredential(),    # Service Principal (AZURE_CLIENT_ID/SECRET/TENANT_ID)
    AzureCliCredential()        # Azure CLI (az login)
)

Zalety ChainedTokenCredential:

✅ Pełna kontrola nad kolejnością credentials
✅ Optymalna wydajność (tylko credentials których używasz)
✅ Łatwiejsze debugowanie (wiesz dokładnie co próbuje)
✅ Jasna logika (najpierw Service Principal, potem Azure CLI)

DefaultAzureCredential (alternatywa):

from azure.identity import DefaultAzureCredential

credential = DefaultAzureCredential()

Prekonfigurowany łańcuch ~10 credentials
Łatwiejszy dla początkujących (zero konfiguracji)
Może być wolniejszy (próbuje credentials które nie są potrzebne)
Trudniejsze debugowanie błędów uwierzytelnienia

Nasza kolejność w ChainedTokenCredential:

EnvironmentCredential - zmienne środowiskowe (AZURE_CLIENT_ID, AZURE_CLIENT_SECRET, AZURE_TENANT_ID)
- Dla: produkcja, CI/CD, Service Principal
- Najszybszy (brak zewnętrznych wywołań)
AzureCliCredential - az login
- Dla: local development
- Wygodny dla developerów

Dla produkcji w Azure: Dodaj ManagedIdentityCredential na początku łańcucha:

credential = ChainedTokenCredential(
    ManagedIdentityCredential(),  # Azure Managed Identity (App Service, VM, AKS)
    EnvironmentCredential(),
    AzureCliCredential()
)

Więcej informacji: Credential chains - Microsoft Docs

Thread lifecycle

create_thread() → add messages → create_run → ... → delete_thread()

Kiedy tworzyć nowy thread:

Nowa sesja czatu
Zmiana kontekstu konwersacji
User wybrał “Reset” w UI

Kiedy reużywać thread:

Multi-turn conversation (follow-up questions)
User kontynuuje rozmowę
Chcesz zachować historię

Run statuses

Status	Znaczenie	Co robić
`queued`	Czeka na wykonanie	Poczekaj
`in_progress`	Agent pracuje	Poczekaj
`requires_action`	Wymaga approval (MCP)	Wyślij approval
`completed`	✓ Sukces	Odczytaj odpowiedź
`failed`	✗ Błąd	Sprawdź `run.last_error`
`cancelled`	User anulował	-
`expired`	Timeout (default 10 min)	Retry

Message roles

user - Wiadomości od end-usera
assistant - Odpowiedzi agenta
system - Wewnętrzne (nie pokazywane userowi)

Praktyka: Dodatkowe zadania

Zadanie 1: Multi-turn conversation

Zmodyfikuj skrypt aby zadać dwa pytania w tym samym threadzie:

“Podaj dane firmy KRS 0000028860”
“Jaki jest adres tej firmy?”

Cel: Agent powinien zrozumieć że “tej firmy” odnosi się do Orlen S.A. z pierwszego pytania.

Hint (kliknij aby zobaczyć)

```python # Pierwsze pytanie (już masz) message1 = project_client.agents.messages.create(...) run1 = project_client.agents.runs.create_and_process(...) # Drugie pytanie (ten sam thread!) message2 = project_client.agents.messages.create( thread_id=thread.id, # TEN SAM thread role="user", content="Jaki jest adres tej firmy?" ) run2 = project_client.agents.runs.create_and_process( thread_id=thread.id, agent_id=AGENT_ID ) ```

Zadanie 2: Error handling

Co się stanie jak podasz nieprawidłowy KRS?

Przetestuj:

content="Podaj dane firmy KRS 9999999999"  # Nieprawidłowy KRS

Cel: Sprawdź run.status i run.last_error jeśli status = failed.

Zadanie 3: NewsAgent z Bing Search

Jeśli masz NewsAgent (Lab 06), przetestuj pytanie wymagające Bing Search:

content="Jakie są najnowsze wiadomości o AI?"

Sprawdź w run steps czy agent wywołał bing_grounding.

Troubleshooting

Problem: “EnvironmentCredential authentication unavailable”

Przyczyna: ChainedTokenCredential próbował EnvironmentCredential ale nie ma zmiennych środowiskowych Service Principal.

To jest OK! ChainedTokenCredential próbuje kolejno:

EnvironmentCredential - jeśli nie ma zmiennych, przechodzi dalej
AzureCliCredential - używa az login

Rozwiązanie: Jeśli widzisz ten warning ale skrypt działa - wszystko jest OK. Używa AzureCliCredential.

Jeśli chcesz usunąć warning, ustaw zmienne środowiskowe Service Principal (jeśli je masz):

export AZURE_TENANT_ID="your-tenant-id"
export AZURE_CLIENT_ID="your-client-id"
export AZURE_CLIENT_SECRET="your-client-secret"

Problem: “ChainedTokenCredential failed to retrieve a token”

Przyczyna: Wszystkie credentials w łańcuchu failed (brak ani Service Principal ani az login).

Rozwiązanie:

# Sprawdź czy jesteś zalogowany
az account show

# Jeśli nie, zaloguj się
az login

# Uruchom skrypt ponownie
python agent_client.py

Problem: “Unauthorized” lub “AuthenticationError”

Przyczyna: Jesteś zalogowany ale nie masz dostępu do projektu.

Rozwiązanie:

Sprawdź czy używasz właściwego account:
```
az account show
```
Jeśli to niewłaściwy account, zmień:
```
az login --tenant YOUR_TENANT_ID
```
Sprawdź czy masz rolę Azure AI Developer lub Azure AI User w projekcie (poproś prowadzącego)

Problem: Agent ID not found

Przyczyna: Nieprawidłowy Agent ID lub agent w innym projekcie.

Rozwiązanie:

Sprawdź Agent ID w portalu
Upewnij się że używasz właściwego connection stringa (projekt z tym agentem)

Problem: “Thread not found”

Przyczyna: Próbujesz użyć usuniętego threadu.

Rozwiązanie:

Usuń linię delete_thread() jeśli chcesz używać threadu później
Lub zapisz thread ID przed usunięciem

Podsumowanie

W tym labie nauczyliśmy się:

✅ Setup: Instalacja SDK, znalezienie connection string i Agent ID ✅ Client: Utworzenie AIProjectClient z DefaultAzureCredential ✅ Listowanie agentów: Weryfikacja połączenia ✅ Thread: Utworzenie wątku konwersacji ✅ Message: Dodanie wiadomości użytkownika ✅ Run: Uruchomienie agenta i polling ✅ Response: Odczytanie odpowiedzi z threadu ✅ Details: Tokeny i tool calls w run steps ✅ Cleanup: Usuwanie thread

Kluczowe wnioski:

Budowaliśmy kod małymi kawałkami - każdy krok osobno
NIE tworzyliśmy agenta w kodzie - użyliśmy istniejącego
Thread = kontener na wiadomości, reużywalny
Run = pojedyncze wywołanie agenta, może trwać kilka sekund
Run steps = debugging tool - widzimy co agent zrobił

Next step: Lab 08 - Structured Output z Pydantic

Lab 06: Python SDK - Podstawy integracji z agentem

Opis

Przygotowanie środowiska

Krok 1: Przygotuj katalog roboczy

Krok 2: Instalacja pakietów SDK

Krok 3: Znajdź Project Endpoint w portalu

Krok 4: Znajdź Agent ID w portalu

Krok 5: Konfiguracja uwierzytelniania

Sposób 1: Azure CLI (warsztaty, local development)

Sposób 2: Service Principal (produkcja, on-prem Kubernetes)

Jak to działa?

Budowanie skryptu krok po kroku

Krok 1: Utworzenie pliku i podstawowy import

Krok 2: Utworzenie klienta

Krok 3: Listowanie agentów (weryfikacja połączenia)

Krok 4: Utworzenie thread (wątku konwersacji)

Krok 5: Dodanie wiadomości użytkownika

Krok 6: Uruchomienie agenta (run)

Krok 7: Odczytanie odpowiedzi agenta

Krok 8: Szczegóły run (tokeny i tool calls)

Krok 9: Zarządzanie threads (referencja)

Listowanie wszystkich threads

Usuwanie thread

Kluczowe koncepty

ChainedTokenCredential vs DefaultAzureCredential

Thread lifecycle

Run statuses

Message roles

Praktyka: Dodatkowe zadania

Zadanie 1: Multi-turn conversation

Zadanie 2: Error handling

Zadanie 3: NewsAgent z Bing Search

Troubleshooting

Problem: “EnvironmentCredential authentication unavailable”

Problem: “ChainedTokenCredential failed to retrieve a token”

Problem: “Unauthorized” lub “AuthenticationError”

Problem: Agent ID not found

Problem: “Thread not found”

Podsumowanie

results matching ""

No results matching ""