微软生成式 AI 入门课 vs 微软 AI Agent 入门课：先学哪一门

2026-08-18

两门课的名字挨得太近了。一个叫 generative-ai-for-beginners，一个叫 ai-agents-for-beginners，都是 beginners，主题看着还重叠——都有 RAG、都有工具/函数调用、都有安全那一章。于是问题就变成：手上时间有限，先开哪一门。

这个问题其实不该按”哪门更基础”来答，因为两门课把边界划在了不同的地方。下面只对照两个仓库里能翻到原文的部分，翻不到的我会直接说不比。

先看官方自己给的顺序

ai-agents-for-beginners 的 README 在 Getting Started 一节里写了一句话：如果这是你第一次用生成式 AI 模型做开发，去看 Generative AI For Beginners 那门课。仓库根目录的 STUDY_GUIDE.md 里也给了一张 Choose Your Learning Path 表，把”理解 agent 是什么”落到 01、02、03 三课，把”做一个会用工具的 agent”落到 04 课起步。

反过来，generative-ai-for-beginners 的 README 里没有对应的前置指路——它只在相关课程的徽章列表里挂了 ai-agents-for-beginners 的链接，正文则把 Agent 作为自己的一课收在 17-ai-agents/。这是仓库自述的顺序关系，不是我的推断。

但光看这句话不够，因为真正决定你能不能开工的是环境。

章节覆盖：不是深浅之分，是抽象层不同

把两边目录名摆一起，重叠的主题大致是这几组：

主题	generative-ai-for-beginners	ai-agents-for-beginners
函数调用 / 工具	`11-integrating-with-function-calling/`	`04-tool-use/`
检索增强	`08-building-search-applications/`、`15-rag-and-vector-databases/`	`05-agentic-rag/`
安全	`13-securing-ai-applications/`	`18-securing-ai-agents/`
负责任 / 可信	`03-using-generative-ai-responsibly/`	`06-building-trustworthy-agents/`
上线	`14-the-generative-ai-application-lifecycle/`	`10-ai-agents-production/`、`16-deploying-scalable-agents/`
Agent 本身	`17-ai-agents/`	整门课

看起来像是后者把前者的几章展开了。但真正的差别在代码里，把两边讲”让模型调函数”的文件打开对比一下就清楚了。

generative-ai-for-beginners 的 11-integrating-with-function-calling/README.md 里，工具是你自己手写的一段 JSON：

functions = [
   {
      "type":"function",
      "name":"search_courses",
      "description":"Retrieves courses from the search index based on the parameters provided",
      "parameters":{
         "type":"object",
         "properties":{
            "role":{
               "type":"string",
               "description":"The role of the learner (i.e. developer, data scientist, student, etc.)"
            }
         },
         "required":[
            "role"
         ]
      }
   }
]

上面是课程文件里的示例内容（原文的 properties 下还有另外两个参数，这里只摘了第一个），search_courses 这个名字和字段都是该课的示例值。写完 schema 之后，这一课还要你自己做后面几步：调用时带上 tools=functions 和 tool_choice="auto"，从返回里筛出 item.type == "function_call" 的条目，用一张 available_functions 字典把名字映射到真正的 Python 函数，执行，再把结果拼进第二次 client.responses.create 调用。整个回路是你手工接的。

ai-agents-for-beginners 的 04-tool-use/code_samples/04-python-agent-framework.ipynb 里，同一件事长这样：

from agent_framework import tool

@tool(approval_mode="never_require")
def check_availability(
    destination: Annotated[str, "The destination to check"],
) -> str:
    """Check booking availability for a destination."""

然后把函数对象直接交出去：

travel_tools = [get_destinations, check_availability, get_flight_info]

agent = client.as_agent(
    name="TravelToolAgent",
    instructions="You are a travel agent. Use the available tools to answer questions about destinations, availability, and flights.",
    tools=travel_tools,
)

schema 从函数签名和 Annotated 注解里来，dispatch 那一层不再出现在你的代码里。这一课还额外给了 approval_mode 这个参数，notebook 里的表格写明两个取值："never_require" 是工具直接执行不需要确认，"always_require" 是每次调用都要用户批准，并建议有副作用的工具用后者。

所以两门课不是”入门”和”进阶”的关系，而是同一件事的两个高度：一边教你把回路拆开自己接，一边教你把回路交给框架、然后管住它。以上代码均照抄自各自仓库文件，我们没有跑过，以仓库最新内容为准。

前置依赖：这才是最容易卡住的地方

这一段的差距比章节表大得多。

generative-ai-for-beginners 在 00-course-setup/03-providers.md 里把 provider 做成了可选项：作业文件名带标签，aoai 要 Azure OpenAI 的 endpoint 和 key，oai 要 OpenAI 的，hf 要 Hugging Face token，githubmodels 要 Microsoft Foundry Models 的 endpoint 和 key——四个标签，文档原文写明”你可以配一个、全配、或者一个都不配”，缺凭据的作业会直接报错，不影响其它章。配置方式是把根目录的 .env.copy 复制成 .env 再填值。

这里有个坑必须说清楚：githubmodels- 这个前缀今天已经名不副实了。仓库多处写明 GitHub Models 将于 2026 年 7 月底退役、直接替代者是 Microsoft Foundry Models——00-course-setup/README.md 与 00-course-setup/02-setup-local.md 里的提示连 GITHUB_TOKEN 这个变量一起点了名，00-course-setup/03-providers.md 和根目录的 .env.copy 里也各写了一句退役说明。这个时间点已经过去了。所以你在 06-text-generation-apps/python/githubmodels-app.py 这类文件名里看到的 githubmodels，实际要配的是 AZURE_INFERENCE_ENDPOINT 和 AZURE_INFERENCE_CREDENTIAL 这两个 Microsoft Foundry Models 的变量，别再照着旧教程去找 GITHUB_TOKEN。

ai-agents-for-beginners 的 00-course-setup/README.md 有一节明确的 Requirements，门槛是硬的：Python 3.12+（文档专门提醒用 3.12 建 venv，否则 requirements.txt 里的版本装不对）、跑 .cs 样例还要 .NET 10 SDK 或更高、Azure CLI、一个 Azure 订阅、以及一个部署了模型的 Microsoft Foundry 项目。认证走的不是 key 而是 az login：文档说明大多数 notebook 用 azure-identity 里的 AzureCliCredential 或 DefaultAzureCredential 读你的 CLI 登录态。.env.example 复制成 .env 之后，大多数课只需要填两个变量——项目 endpoint 和模型部署名（示例里写的是 gpt-5-mini，那只是仓库里的示例值）。

一句话：前者可以只有一个 OpenAI key 就开始跑一部分章节，后者的主线路径需要 Azure 订阅。仓库写明的替代 provider 有两条——MiniMax（OpenAI 兼容）和 Foundry Local（本机跑），但设置文档也写清了适用范围：它们对用 OpenAIChatClient 的样例生效，主线 notebook 走的是 FoundryChatClient。

还有个细节值得单拎出来。ai-agents-for-beginners 的 requirements.txt 把 agent-framework-core 钉成了精确版本，注释里逐条列了下一个次版本引入的破坏性变更：移除了 ChatMessage 和 HostedWebSearchTool、改了 Message 的构造方式、去掉了 Agent.run() 的 model= 参数；还专门说明为什么直接钉 core 包而不是走 agent-framework meta 包——[all] extras 会拉进没钉版本的集成子包，导致 pip 冲突。对比之下 generative-ai-for-beginners 的根 requirements.txt 用的是 openai>=1.12.0 这种下界写法。这个差异什么时候咬你：如果你把两门课装进同一个环境，或者在一个装过别的 agent 库的 venv 里 pip install -r requirements.txt，出问题的概率在 agent 课这边更高。给它单开一个干净 venv。这些钉法随仓库更新，以最新内容为准。

Windows 侧两边都给了对应写法，别照抄 Linux 那行：建 .env 时前者的文档给的是 echo . > .env（Unix 是 touch .env）；后者激活虚拟环境用 venv\Scripts\activate，复制配置文件的 PowerShell 写法是 Copy-Item .env.example .env。

顺带说一下：两边找文件的方式不一样

这条不影响选型，但会影响你翻仓库的效率。

generative-ai-for-beginners 用 provider 前缀区分同一课的多个版本。以 06-text-generation-apps/python/ 为例，同一个示例应用会出现 aoai-app.py、oai-app.py、githubmodels-app.py 三份，作业则是 aoai-assignment.ipynb、oai-assigment.ipynb、githubmodels-assignment.ipynb。也就是说，你先决定走哪条 provider 路线，再挑对应前缀的那个文件，三份之间不要混着看配置——它们读的环境变量不是同一套。同一课下面还会有 typescript/、js-githubmodels/、dotnet/ 这些按语言分的目录。

ai-agents-for-beginners 用的是语言后缀。设置文档里写明所有 Python notebook 都叫 *-python-agent-framework.ipynb，实际目录里就是 04-tool-use/code_samples/04-python-agent-framework.ipynb 和 04-dotnet-agent-framework.cs 成对出现。provider 不体现在文件名里，因为主线只有一条，换 provider 是改 .env。

这个差异的实际影响：在前者的仓库里搜文件名要带上你的 provider 前缀，在后者的仓库里搜要带上课号加语言。

一个会咬人的参数差异

如果你按 generative-ai-for-beginners 的提示工程章去调 temperature，注意 06-text-generation-apps/README.md 里的提醒：Microsoft Foundry 上当前未废弃的是 reasoning 模型（GPT-5 家族、o 系列），它们不支持 temperature 和 top_p，也不支持 max_tokens（改用 max_output_tokens），传了会得到参数不支持的错误。文档给的做法是把 temperature 示例指向仍支持采样控制的模型。这一层在 agent 课那边不太会遇到，因为你面对的是 as_agent() 和 instructions，不是原始采样参数。

不比的那几项

哪门”更难”、学完各要多久：两个仓库里我们都没有找到关于难度分级或课时的说明，不比。
视频、翻译语种、课程规模：两边都有自动翻译工作流和视频链接，但这些是会变的规模信息，不作为选型依据。
内容质量：我们没有跑过任何一门课的代码，不做评价。

按你手上的东西倒推

只有一个 OpenAI key，没有 Azure 订阅：先开 generative-ai-for-beginners，走 oai- 标签的那批作业。agent 课的 Requirements 明写要 Azure 订阅。
本机离线、不想连云：两边都写明支持 Foundry Local，前者在 00-course-setup/03-providers.md 和 19-slm/ 里，后者在设置文档的 Foundry Local 一节和 17-creating-local-ai-agents/。
手上任务就是”给模型接几个工具、还得有人工审批”：直接进 ai-agents-for-beginners 的 04 课，approval_mode 那张表就是你要的。但建议先花半小时读一遍 genai 那边的 11 课，把 tool_choice="auto" 和 function_call 的手工回路看明白——之后你在框架里看到的就不是黑盒。
要补 embedding 检索基本功：generative-ai-for-beginners 的 08-building-search-applications/python/ 下有 oai-solution.ipynb 这类完整 notebook；agent 课这边，00-course-setup/README.md 的 Optional Setup: Azure AI Search 一节写明第 5 课的 notebook 默认跑内存知识库、不需要额外的 Azure 资源，接真实的 Azure AI Search 索引是可选项。
只想搞清 Agent 是什么，暂时不写代码：17-ai-agents/ 目录下只有 README 和 images，没有 python/ 或 typescript/ 代码目录——读完概念要动手，还是得去 agent 课。
你是 .NET 开发者：ai-agents-for-beginners 的 code_samples/ 里有 NN-dotnet-agent-framework.cs 与 Python notebook 成对出现，但不是每课都有——目前带 .cs 的是 01 到 05 加 07、08 这几课，其余课只有 Python 版，翻之前先确认；generative-ai-for-beginners 部分章节有 dotnet/ 目录，同时它的 README 指了一个独立的 .NET 版课程仓库。

真要给一句话：两门课不是替代关系，卡住你的通常不是概念顺序，而是环境那一关——先看你能不能拿到 Azure 订阅，答案基本就定了。

本文依据 github.com/microsoft/generative-ai-for-beginners 仓库于 2026-08-18 的公开内容整理，事实来自仓库内的课程正文与代码示例。我们没有跑过文中涉及的代码，因此不涉及运行结果、耗时与生成质量的任何描述。该课程持续更新，文中涉及的文件路径、依赖与接口写法随版本变动，请以仓库最新内容为准。文中涉及的云端服务调用会产生费用并可能上传数据，请自行评估密钥与数据边界。

本文涉及的另一方内容依据其公开仓库整理（github.com/microsoft/ai-agents-for-beginners）。本文只对照各方公开写明的机制，不推断未公开的实现，也不对项目做优劣排名。

安全与合规相关做法请结合自身环境评估，本文不构成安全方案建议。