🚀 模块 1：AI 工具包基础

📋 学习目标

完成本模块后，您将能够：

✅ 安装并配置 Visual Studio Code 的 AI 工具包
✅ 浏览模型目录并了解不同的模型来源
✅ 使用 Playground 进行模型测试和实验
✅ 使用 Agent Builder 创建自定义 AI 代理
✅ 比较不同提供商的模型性能
✅ 应用提示工程的最佳实践

🧠 AI 工具包（AITK）简介

Visual Studio Code 的 AI 工具包是微软的旗舰扩展，将 VS Code 转变为一个全面的 AI 开发环境。它架起了 AI 研究与实际应用开发之间的桥梁，让各个技能水平的开发者都能轻松使用生成式 AI。

🌟 主要功能

功能	描述	使用场景
🗂️ 模型目录	访问来自 GitHub、ONNX、OpenAI、Anthropic、Google 的 100+ 模型	模型发现与选择
🔌 BYOM 支持	集成您自己的模型（本地/远程）	自定义模型部署
🎮 交互式 Playground	通过聊天界面实时测试模型	快速原型设计与测试
📎 多模态支持	处理文本、图像和附件	复杂的 AI 应用
⚡ 批量处理	同时运行多个提示	高效测试流程
📊 模型评估	内置指标（F1、相关性、相似度、一致性）	性能评估

🎯 AI 工具包的重要性

🚀 加速开发：从想法到原型只需几分钟
🔄 统一工作流：一个界面支持多个 AI 提供商
🧪 简单实验：无需复杂设置即可比较模型
📈 生产就绪：无缝从原型过渡到部署

🛠️ 前置条件与设置

📦 安装 AI 工具包扩展

步骤 1：访问扩展市场

打开 Visual Studio Code
进入扩展视图（Ctrl+Shift+X 或 Cmd+Shift+X）
搜索 “AI Toolkit”

步骤 2：选择版本

🟢 正式版：推荐用于生产环境
🔶 预发布版：抢先体验最新功能

步骤 3：安装并激活

AI Toolkit Extension

✅ 验证清单

AI 工具包图标出现在 VS Code 侧边栏
扩展已启用并激活
输出面板无安装错误

🧪 实操练习 1：探索 GitHub 模型

🎯 目标：掌握模型目录并测试您的第一个 AI 模型

📊 第 1 步：浏览模型目录

模型目录是您进入 AI 生态系统的门户。它汇聚了多个提供商的模型，方便您发现和比较选项。

🔍 导航指南：

点击 AI 工具包侧边栏中的 MODELS - Catalog

Model Catalog

💡 小贴士：寻找具备特定功能且符合您用例的模型（例如代码生成、创意写作、分析）。

⚠️ 注意：GitHub 托管的模型（即 GitHub 模型）免费使用，但请求和令牌有速率限制。如果您想访问非 GitHub 模型（即通过 Azure AI 或其他端点托管的外部模型），需要提供相应的 API 密钥或认证信息。

🚀 第 2 步：添加并配置您的第一个模型

模型选择策略：

GPT-4.1：适合复杂推理和分析
Phi-4-mini：轻量快速，适合简单任务

🔧 配置流程：

从目录中选择 OpenAI GPT-4.1
点击 Add to My Models —— 将模型注册到您的模型列表
选择 Try in Playground 启动测试环境
等待模型初始化（首次设置可能需要一些时间）

Playground Setup

⚙️ 理解模型参数：

Temperature：控制创造力（0 = 确定性，1 = 创造性）
Max Tokens：最大响应长度
Top-p：核采样，控制响应多样性

🎯 第 3 步：掌握 Playground 界面

Playground 是您的 AI 实验室。以下是最大化其潜力的方法：

🎨 提示工程最佳实践：

具体明确：清晰详细的指令效果更好
提供上下文：包含相关背景信息
使用示例：用示例告诉模型您的需求
反复迭代：根据初步结果优化提示

🧪 测试场景：

# 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."

Testing Results

🏆 挑战练习：模型性能对比

🎯 目标：使用相同提示比较不同模型，了解它们的优势

📋 操作说明：

将 Phi-4-mini 添加到您的工作区
对 GPT-4.1 和 Phi-4-mini 使用相同的提示

set

比较响应质量、速度和准确性
在结果部分记录您的发现

Model Comparison

💡 关键洞察：

何时使用大型语言模型（LLM）与小型语言模型（SLM）
成本与性能的权衡
不同模型的专长能力

🤖 实操练习 2：使用 Agent Builder 构建自定义代理

🎯 目标：创建针对特定任务和工作流的专用 AI 代理

🏗️ 第 1 步：了解 Agent Builder

Agent Builder 是 AI 工具包的核心亮点。它允许您创建定制的 AI 助手，将大型语言模型的强大能力与自定义指令、特定参数和专业知识结合起来。

🧠 代理架构组成：

核心模型：基础 LLM（GPT-4、Groks、Phi 等）
系统提示：定义代理的个性和行为
参数：针对性能优化的细节设置
工具集成：连接外部 API 和 MCP 服务
记忆：对话上下文和会话持久化

Agent Builder Interface

⚙️ 第 2 步：深入代理配置

🎨 创建有效的系统提示：

# 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

当然，您也可以使用 Generate System Prompt 让 AI 帮助生成和优化提示

🔧 参数优化：

参数	推荐范围	使用场景
Temperature	0.1-0.3	技术性/事实性回答
Temperature	0.7-0.9	创意/头脑风暴任务
Max Tokens	500-1000	简洁回答
Max Tokens	2000-4000	详细解释

🐍 第 3 步：实战练习 - Python 编程代理

🎯 任务：创建专门的 Python 编程助手

📋 配置步骤：

模型选择：选择 Claude 3.5 Sonnet（非常适合代码相关任务）
系统提示设计：

# 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