微软生成式 AI 入门课专题
本专题共 50 篇。内容依据 microsoft/generative-ai-for-beginners 仓库的公开内容整理。凡仓库里没有写明的地方，文中一律照实写 「仓库里没有找到相关说明」，不做推断。
本地跑通微软生成式 AI 入门课：Python 版本、依赖与 .env 字段
搭 generative-ai-for-beginners 的本地环境，卡人的从来不是概念，是 Python 版本对不对、依赖装哪一份 requirements、`.env` 放哪一层、字段名叫什么。本文以仓库 `00-course-setup` 下两份 setup 文档为主，并核对根目录 `.env.copy`、`.gitignore` 与 `.devcontainer/` 配置，把前置条件、四条安装路径与 `.env` 字段逐条落到文件上。
环境与三条 provider 路线
这门课最劝退的一段不在知识点，在配置。仓库里同一课常有 `oai-`、`aoai-`、`githubmodels-` 三套示例，选错路线就会报模型不存在。这一组把云端与本地两种环境、三条接入路线的环境变量差异，以及认证报错、endpoint 与部署名对不上这几个高频问题一次讲清。
不想装环境：用 Codespaces 跑微软生成式 AI 入门课的完整步骤
generative-ai-for-beginners 提供了一条浏览器里的云端启动路径。本文按仓库 00-course-setup 下的三个文件把步骤拆开：fork 之后容器里到底跑了哪几条命令、密钥用 Codespaces secret 还是 .env、云端与本地在取值方式上差在哪一行代码，以及哪些说明仓库里其实没有给。
微软生成式 AI 入门课的 githubmodels-app.py 连的是 Foundry Models
generative-ai-for-beginners 同一节课常有 oai、aoai、githubmodels 三份示例。本文只盯 githubmodels 这一条：要填哪两个环境变量、client 怎么初始化、它和 OpenAI 那份代码差在哪几行，以及为什么这个前缀现在名不副实。全部依据仓库内的文件，未运行过代码。
微软生成式 AI 入门课接 Azure OpenAI：endpoint、部署名、版本
把 generative-ai-for-beginners 的课程示例从 OpenAI 切到 Azure OpenAI，卡住的往往不是代码而是四个环境变量的语义。本文按仓库里的 .env.copy、aoai-app.py 与 shared/python/api_utils.py，逐个讲清 endpoint 要拼成什么、部署名为什么不等于模型名、API 版本字段在新旧两条路线里各是什么处境，以及怎么验证配对了。
OpenAI、Azure OpenAI、Foundry Models：微软生成式 AI 入门课三条路线
generative-ai-for-beginners 的同一课下常有 oai-、aoai-、githubmodels- 三份代码。这篇把三套代码在客户端类、认证变量、模型标识、调用方法与取结果上的差异逐项对齐，说清各自的前置门槛，并给出从你手头账号倒推该配哪一套的决策路径。
跑微软生成式 AI 入门课报模型不存在：多半是 provider 选串了
generative-ai-for-beginners 的同一课往往有 oai-、aoai-、githubmodels- 三套示例，凭据变量、客户端类和 model 的取值来源都不一样。本文按仓库文件把这三条线拆开，给出判定动作、处置方式和验证办法，并说明哪些报错其实不属于这一类。
Azure OpenAI 报 404：微软生成式 AI 入门课的 endpoint 与部署名
跑 generative-ai-for-beginners 的 Azure OpenAI 示例时，最常卡住的不是代码而是三个环境变量。本文顺着仓库里 aoai-app.py 的 base_url 拼接、.env.copy 的 endpoint 形态注释、以及 api_version 字段在两种客户端之间的错位，给出一套能自己走一遍的判定动作。
微软生成式 AI 入门课报认证错误：三条 provider 路线密钥字段不同
generative-ai-for-beginners 的同一课往往备有 oai、aoai、githubmodels 三个版本的示例，它们读的环境变量名不是一套，报错形态也不一样。本文按仓库里的 .env.copy、03-providers.md、shared/python/env_utils.py 与三个示例脚本，把「报错文本 → 该配哪个字段」这条映射理清楚。
跟着课程把六类应用写出来
文本生成、多轮聊天、搜索与 embedding、图像生成、函数调用、RAG 与向量库。每篇都逐段拆具体的那个 `.py` 或 `.ipynb`，说清客户端怎么初始化、消息结构长什么样、参数各是什么意思、结果从哪个字段取。
跟微软生成式 AI 入门课写第一个文本生成应用：oai-app.py 逐段拆开
generative-ai-for-beginners 第 06 课的 python 目录里同时躺着 oai、aoai、githubmodels 三套示例，选错一套就会在配置上卡住。本文只走 OpenAI 那一条线，把 oai-app.py 这二十来行从客户端初始化、input 的消息结构、参数含义一直拆到 output_text 的取值路径，并交代仓库里写明的边界。
聊天应用的多轮历史在哪一层拼：微软生成式 AI 入门课第 7 课
照着 generative-ai-for-beginners 第 7 课跑完第一个聊天示例，多半会发现模型"记不住"上一轮。这篇沿着仓库里的 notebook 逐行看清楚：历史列表到底在哪一层拼、系统消息为什么必须排第一条、简版与完整版差在哪几行，以及 store=False 与 previous_response_id 之间那条被课程绕开的岔路。
微软生成式 AI 入门课第 8 课：从 transcript 到 embedding
generative-ai-for-beginners 第 8 课把「一堆视频字幕」变成能用自然语言检索的索引，中间隔着五个 enrich 脚本。本文按仓库里的代码把这条链路走一遍：每个脚本改了哪个字段、索引最终存成什么结构、检索时相似度到底怎么算，以及这套脚本里有哪些会静默吞数据的地方。
第 9 课的图像生成应用：微软生成式 AI 入门课里请求怎么发、结果怎么取
generative-ai-for-beginners 第 9 课给了 Azure OpenAI 与 OpenAI 两份图像生成示例，同一个接口在两份代码里的写法并不一样。本文对着 09-building-image-applications 目录下的 aoai-app.py 与 oai-app.py，把请求参数、返回结构、结果落盘这条链路拆开，并标出仓库里几处容易踩的不一致。
函数调用的完整往返：微软生成式 AI 入门课第 11 课的工具定义与回传
顺着 generative-ai-for-beginners 第 11 课的 python 笔记本，把一次函数调用拆成三段：工具 schema 里每个字段是什么、模型返回的 function_call 项长什么样、结果怎么以 function_call_output 回传给模型。同时指出课程正文与代码不一致的几处，以及照抄示例代码会踩的两个坑。
微软生成式 AI 入门课第 15 课 RAG：向量库那段 notebook 逐块读
逐块拆 generative-ai-for-beginners 第 15 课的 RAG notebook，看清 split_text 的切块条件、写进 DataFrame 的字段到底有哪些、Cosmos DB 客户端连上之后发生了什么，以及检索到的片段在 chatbot 函数里被拼到提示词的哪个位置。含 README 与 notebook 两处写法不一致的对照，以及跑之前要先核对的前置条件。
跑不通时的排查
notebook 内核与虚拟环境没对上、被限流时仓库自带的重试封装做了什么、换了模型 embedding 维度就对不上、图像请求被内容策略挡下、函数定义了却不被调用、Phi 加载失败、`.env` 明明写了却读不到、课程自带的测试跑不过。
微软生成式 AI 入门课的 notebook 跑不起来：内核、依赖、环境三层排查
打开 generative-ai-for-beginners 的 .ipynb，第一个单元就 ModuleNotFoundError，或者内核干脆连不上。这篇按依赖清单在哪、内核选到了谁、虚拟环境和内核有没有绑上三层顺序排查，每一层都给可执行的判定动作，并说明什么情况下说明问题根本不在环境上。
跑微软生成式 AI 入门课示例被限流：仓库自带的重试封装做了什么
generative-ai-for-beginners 的 shared/python/api_utils.py 里有个 make_safe_request，很多人以为它会替课程示例兜住限流。本文按排查顺序读一遍这个函数：它捕获哪些异常、退避有没有实现、中间几次失败去哪了，以及课程示例其实根本没走它，你该在哪一层自己补。
embedding 维度对不上导致检索报错：微软生成式 AI 入门课从写入端查起
语义检索突然报向量维度不匹配，或者查什么都返回空，多半不是查询代码写错了，而是写入索引时用的 embedding 模型和查询时用的不是同一个。本文沿着 generative-ai-for-beginners 第八课的写入脚本与查询 notebook，讲清楚这条链路上哪几处把模型名写死了、换模型后为什么必须重建基线。
图像生成请求被内容策略挡下：微软生成式 AI 入门课示例怎么处理
跑 generative-ai-for-beginners 第 09 课的图像生成示例时，请求被挡下往往看不到任何报错，控制台只留一行 completed。本文顺着仓库里 aoai-solution.py 的 try/finally、notebook 里的 except 分支、README 的 metaprompt 小节，把判定动作、处置方式与验证方法逐条对上，并说明哪些症状其实不是内容策略造成的。
微软生成式 AI 入门课里函数定义了却不调用：schema 与消息结构两头查
工具定义写完了，模型却当没看见，或者调了一次之后第二轮接不上。本文照着 generative-ai-for-beginners 第 11 课的 Python notebook 与 README，把 tool schema 的顶层形状、必填字段、描述写法，以及工具结果在消息里的摆放位置逐处对一遍，并指出仓库里几处正文与代码不一致的地方。
微软生成式 AI 入门课的 Phi 加载失败：依赖、权重、设备三层排查
照着 generative-ai-for-beginners 的 19-slm 课跑 Phi 系列 notebook，最常卡住的地方是 from_pretrained 那一行。本文按依赖、权重来源、设备三层拆开，逐层给出可执行的判定动作，并把仓库里 19-slm/python 下几个 notebook 的原始写法、requirements.txt 的实际覆盖范围以及 device_map 的三种写法一一对上号。
.env 写了却读不到：读一遍微软生成式 AI 入门课的 env 加载逻辑
generative-ai-for-beginners 的示例脚本报「缺少环境变量」，多数时候不是 .env 写错了，而是这一段代码根本没加载它。本文顺着 shared/python/env_utils.py、tests/test_env_utils.py 和 00-course-setup 的三份配置文档，把加载顺序、文件查找位置、测试覆盖到与没覆盖到的边界情况理一遍，并给出可执行的判定动作。
拦住了什么、没拦住什么：微软生成式 AI 入门课自带的输入校验
generative-ai-for-beginners 的 shared/python/input_validation.py 提供了一组输入校验与清洗函数，很多人接进自己的应用就当成了防注入。本文逐条读它的规则、看 tests 覆盖了哪些输入形态，指出从正则字面语义就能读出的几处绕过口，并给出仓库文档自己写明的处置顺序。
微软生成式 AI 入门课的测试跑不过：先看 conftest 与 fixture
generative-ai-for-beginners 仓库根目录下有一个 tests/ 目录，CI 里跑 pytest tests/，但按课程的本地安装步骤装完依赖后不一定能顺利收集。本文只依据仓库文件本身，梳理 conftest.py 到底注册了什么、这套测试对环境变量的依赖到底有多少、以及它在断网环境下的结构，并给出逐步的判定动作与排除条件。
概念地基与提示工程
课程怎么给生成式 AI 划范围、用哪几个维度给模型分类，以及第 4 课与第 5 课的提示技法各自落到哪段代码上。最后一篇讲两课的技法边界：什么时候该从基础技法升级到高级技法。
第 1 课怎么划生成式 AI 的范围：微软生成式 AI 入门课的概念地基
generative-ai-for-beginners 的第 1 课没有一行代码，却把整门课的定义边界、教学案例和术语口径全定死了。这篇沿着 01-introduction-to-genai/README.md 走一遍它划的四条线，并指出其中的 temperature 一说到了第 6 课要打折扣。
微软生成式 AI 入门课第 2 课怎么给大模型分类：五个维度对到选型问题
generative-ai-for-beginners 第 2 课在「理解不同类型的 LLM」下挂了五个并列小节，很多人当成一份分类学背下来。这篇不复述课程，只做一件事：把这几个维度还原成选型时各自回答的那个问题，并顺着仓库里的 .env 变量、embeddings 调用和 provider 标签，指出维度在代码里长什么样。
微软生成式 AI 入门课第 4 课：提示工程的地基是哪几件事
generative-ai-for-beginners 第 4 课配了三份 notebook，练习内容完全一样，只换客户端接线。本文顺着这三份文件走一遍，看课程是怎么把「验证配置」「验证编造」「验证技法」拆成三个可判定的探针的，以及采样参数那条已经变过的分界线。
七种高级技法只有一种落进 aoai-solution.py：微软生成式 AI 入门课第 5 课
generative-ai-for-beginners 第 5 课列了 zero-shot、few-shot、chain-of-thought、self-refine 等一串提示技法，但这一课的 python 目录下只有 assignment 与 solution 两个文件。本文顺着 05-advanced-prompts/python/aoai-solution.py 逐处对，看看哪条技法真的落到了代码里、落在哪一行，以及 temperature 那一节现在已经和第 6 课的说明对不上了。
基础提示和高级提示：微软生成式 AI 入门课第 4、5 课的边界
generative-ai-for-beginners 的第 4 课与第 5 课都在讲提示工程，技法清单还有重叠。这篇从两课的代码目录结构入手，说清它们各自把边界划在哪、什么样的场景该从第 4 课那套升级到第 5 课，以及采样参数这条最容易踩空的分岔。
工程化：负责任 AI、安全、生命周期与 UX
这几课最容易被当成务虚内容跳过，但它们给的其实是可执行动作：风险类型对应哪些缓解动作、攻击面怎么分类、从原型到上线中间少了哪几步、交互上哪些是必答题。低代码路线单列，并对照写代码的能力边界在哪里断掉。
微软生成式 AI 入门课第 3 课的负责任 AI：不是口号，是可执行动作
generative-ai-for-beginners 第 3 课整章没有一行代码，但它列的风险类型与缓解层，在这个仓库里都能找到对应的落点。本文沿着「风险 → 缓解层 → 具体文件」走一遍，指出各层缓解分别落在哪个文件的哪个函数上，哪一层在仓库里根本没有代码，以及同一课两条 provider 路线里同名校验函数的行为差异。
微软生成式 AI 入门课第 13 课的应用安全：重点盯的是哪几类攻击面
generative-ai-for-beginners 第 13 课通篇没有代码，只给了攻击面分类；真正的防护动作散在 shared/python/input_validation.py 和 docs/SECURITY_GUIDELINES.md 里。这篇沿着仓库文件走一遍，说清课程把攻击面切成哪几类、代码里到底拦了什么、哪些其实是通用 Web 安全。
微软生成式 AI 入门课第 14 课的应用生命周期：从原型到上线中间少了哪几步
generative-ai-for-beginners 第 14 课把生成式 AI 应用的生命周期切成三大步加一个贯穿环。本文沿课程正文把每一步的产出物、评估环节落在哪个位置捋一遍，并对照仓库里 shared/python 与 tests 目录真正给了代码的部分，指出哪几项在这个课程仓里只有概念、没有可执行的评估脚本。
微软生成式 AI 入门课第 12 课的应用 UX：哪些交互问题是必答题
generative-ai-for-beginners 的 12-designing-ux-for-ai-applications 只有一篇 README、没有代码，很容易被当成鸡汤跳过。这篇把它列的信任、解释性、控制权、反馈四条原则，逐条对到仓库里真实存在的文件上——shared/python 的校验函数、06 课的 persona prompt、07 课的 UX 小节，看它们在界面前一层各自管了什么。
微软生成式 AI 入门课第 10 课低代码：不写代码能走到哪一步
generative-ai-for-beginners 第 10 课整节没有代码目录，也是全课唯一带 assignment.md 的一节——而这个文件是空的。这篇沿着 10-building-low-code-ai-applications/README.md 走一遍它给的两条流程，说清 Copilot 生成之后还要手工补哪些步骤、AI Builder 的能力分在哪几个产品里，以及这一课的边界到底划在哪。
低代码还是写代码：微软生成式 AI 入门课第 10 课的边界断在哪
generative-ai-for-beginners 第 10 课走低代码路线，第 6、11 课走写代码路线。这篇把两条路线在同一个仓库里各自写明的边界摆出来，给出「什么时候低代码够用、什么时候必须落到代码」的判断依据，不做优劣排名。
模型选择：开源、小模型与微调
开源模型怎么评估、微调的数据格式与提交流程、Phi 三个 demo notebook 的差别，以及三组选型对照：小模型与大模型、开源模型与闭源 API、RAG 与微调。末尾两篇是课程里 Mistral 与 Meta 模型的调用路径。★这一组一律不写模型清单、参数量与跑分。
微软生成式 AI 入门课第 16 课的开源模型：给的是尺子不是清单
generative-ai-for-beginners 第 16 课讲开源模型，很多人翻完只记住了几个模型名字。这篇沿着 16-open-source-models/README.md 走一遍课程真正给出的东西：术语怎么被换掉、判断一个模型算不算开源的那几条信息、选型时课程让你从哪几个入口看，以及跟着 00-course-setup/03-providers.md 把模型真正接进来的三条路径与 Windows 侧的写法。
JSONL 数据格式、提交与轮询：微软生成式 AI 入门课第 18 课微调
拆开 generative-ai-for-beginners 第 18 课的微调作业：训练文件的 JSONL 每行长什么样、files.create 与 fine_tuning.jobs 这条提交与轮询链路怎么写、README 的格式要求和仓库自带样本文件在哪一点上对不上，以及 RESOURCES.md 该按什么顺序翻。
Phi-3.5 三个 demo notebook 差在哪：微软生成式 AI 入门课第 19 课
generative-ai-for-beginners 第 19 课的 19-slm/python/ 下挂着三个 Phi 演示 notebook，看着像同一份代码换了个模型名，实际加载的类、输入形态和依赖都不一样。本文逐字对读这三份文件，说清各自从哪个路径加载、prompt 怎么拼、哪些依赖仓库根本没有写进 requirements，以及照抄时最容易踩到的几处不一致。
小模型和大模型怎么选：微软生成式 AI 入门课第 19 课的判断维度
generative-ai-for-beginners 把选型拆在第 02 课和第 19 课两处：一处给判断维度，一处给部署形态。本文顺着这两个 README 与 19-slm/python 下的示例代码，把云端 API、第三方推理服务、本地 Transformers、Ollama、Foundry Local、ONNX Runtime for GenAI 几条路线的边界摆出来，并指出采样参数在这几条路线上不通用这个容易咬人的地方。
开源模型和闭源 API：微软生成式 AI 入门课第 16 课把差异落在哪几处
generative-ai-for-beginners 第 16 课讲开放模型时没给选型答案。本文顺着仓库里的 .env.copy、19 课的本地运行命令和 18 课的微调 notebook，把开源模型与闭源 API 的差别落到获取方式、部署责任、可控性三处可查证的地方，并给出从处境倒推的判断顺序。
RAG 还是微调：微软生成式 AI 入门课第 15、18 课摊开对看
手上有一批自己的资料想让模型答得准，generative-ai-for-beginners 给了两条路——第 15 课的 RAG 和第 18 课的微调。本文只对照两课白纸黑字写明的东西：各自解决什么问题、数据要准备成什么样、资料变了要付出什么代价，并指出示例代码里两处容易照抄踩坑的地方。
githubmodels- 前缀连的其实是 Foundry：微软生成式 AI 入门课第 20 课
generative-ai-for-beginners 第 20 课只留了一份 githubmodels-assignment.ipynb，但文件名里的前缀和它实际读的环境变量已经对不上了。本文沿着这个 notebook 的三段代码走一遍调用链，并把它和第 04、06、07、21 课的同名前缀文件逐处比对，说清哪些写法是这一课独有的、哪些不能往前面的课上套。
微软生成式 AI 入门课第 21 课 Meta 模型：调用路径与作业设计
generative-ai-for-beginners 第 21 课的练习文件叫 githubmodels-assignment.ipynb，代码里却一个 GitHub Models 的变量都没有。这篇沿着这个文件从环境变量、两段 client.complete 调用一路读到「这一课到底怎么算做完」，把仓库里写明的验收依据和仓库里根本没写的部分分开讲。
仓库工程细节
课程仓自己的工程部分同样值得读：`api_utils.py` 替你挡了哪些麻烦、第 8 课那六个 transcript 脚本构成的数据流水线怎么拆、仓库自带的 Responses API 迁移 skill 怎么用，以及同一课既有 notebook 又有 `.py` 时两种形态各适合什么阶段。
微软生成式 AI 入门课的 api_utils.py：它替你挡了哪些麻烦
generative-ai-for-beginners 的 shared/python/api_utils.py 只有四个函数，却把超时、重试、缺 key 的报错和 Azure v1 端点拼接都收进去了。本文沿着函数签名、异常分支和 tests/test_api_utils.py 的断言走一遍，说清它挡了什么、没挡什么，以及哪些分支根本没被测到。
六个 transcript 脚本串成一条流水线：微软生成式 AI 入门课第 8 课
generative-ai-for-beginners 第 8 课直接给了一份现成的 embedding 索引，但真要换成自己的数据，就得看懂 scripts 目录下那六个 Python 脚本的先后顺序、各自读写哪个文件、以及中间那份 JSON 在每一步被加了什么字段。本文沿着仓库里的编排脚本走一遍这条流水线，把每一步的产出、字段变化和几处代码与文档对不上的地方标出来。
Azure OpenAI 迁到 Responses API：微软生成式 AI 入门课的迁移 skill
generative-ai-for-beginners 仓库里藏着一个专门做 API 迁移的 skill，把 Chat Completions 换成 Responses API 的每一处改动都列成了对应表。本文拆解它的触发方式、cheat-sheet 里的新旧写法映射、以及仓库自身没有被这套规则覆盖的那两课。
同一课的 .ipynb 与 .py 差在哪：微软生成式 AI 入门课第 6 课
generative-ai-for-beginners 的第 06 课在同一个目录里同时放了 .ipynb 和一组 .py，两者内容并不重合。本文逐一核对这一课里两种形态的实际差别、它们各自停在哪一步，以及照着 notebook 的参数去改 .py 会撞上什么，最后给一条从你的处境倒推的选择路径。
Agent 与课程选择
这门课的第 17 课讲 Agent，讲到什么深度、和另一门 Agent 专门课差在哪。加上两组边界对照：函数调用到 Agent 之间跨了什么、搜索应用与 RAG 应用的数据流差异。最后一篇给出两门 beginners 课的学习顺序建议。
微软生成式 AI 入门课第 17 课：Agent 怎么讲给刚入门的人
把 generative-ai-for-beginners 第 17 课拆开看：它给 Agent 下的定义只有「LLM + state + tools」三件，然后拿这把尺子去量几个框架。本文沿着 17-ai-agents/README.md 走一遍，标出各框架承载 state 与 tools 的具体对象，指出这一课与仓库其它部分对不上的地方，以及它和另一门 Agent 课的定位差别。
函数调用和 Agent：微软生成式 AI 入门课第 11 到 17 课跨了什么
generative-ai-for-beginners 的第 11 课教 function calling，第 17 课讲 AI Agent 框架，中间还隔着好几课，却没人说清这两者的分界在哪。本文只对照三件仓库里写死了的事：谁决定下一步、有没有循环、状态存在谁手里，并给出什么时候该从前者换到后者的判断依据。
搜索应用和 RAG 的边界：微软生成式 AI 入门课第 8 课与第 15 课
generative-ai-for-beginners 里第 8 课做搜索、第 15 课做 RAG，两课都在算余弦相似度，很多人分不清区别。本文按仓库里的代码走一遍两条链路，落在数据流的终点和检索结果的用法这两处差异上，并给出该照哪一课抄的判断顺序。
微软生成式 AI 入门课 vs 微软 AI Agent 入门课：先学哪一门
generative-ai-for-beginners 与 ai-agents-for-beginners 名字挨着、主题重叠，但环境前置和代码抽象层完全不同。本文只对照两个仓库里白纸黑字写明的部分——章节覆盖怎么错位、各自要什么前置条件、同一件"函数调用"在两边被写成什么样，然后按你手上已有的东西倒推该先开哪一门。
学完这门课，接下来该往哪走？
从 AI 编程实践到 Agent 工程落地，站内有成体系的教程与学习路线。