agentleFS
MicrosoftKnown publishermicrosoft/Building-AI-Agents-From-Zero-To-Production/translations/nl/AGENTS.md

Building-AI-Agents-From-Zero-To-Production / nl

AGENTS.md194 starsChanged 4 months agoMITView on GitHub

Richtlijnen voor AI-codeeragenten (en menselijke bijdragers) die in deze repository werken. Als je een geautomatiseerde agent bent die hier wijzigingen aanbrengt, lees dit bestand eerst en volg het op. AI-agenten bouwen van nul tot productie is een Microsoft-leercursus. Het leert ontwikkelaars om AI-agenten te ontwerpen, bouwen, evalueren, inzetten en beheren op Microsoft Foundry met behulp van het Microsoft Agent Framework (MAF). De inhoud is georganiseerd als een reeks lessen, elk met een README.md en uitvoerbare Python-voorbeelden. Hoofddocumenten: README.md (begin hier),…

  • Reads credentials
  • Installs packages

We split this AGENTS.md into the rules it gives an agent

1 rule. About 0 are common, 0 are distinctive, and 1 is very specific to this project.

  • ≈0

    Common · estimate

    Many files like this have a rule of this kind.

  • ≈0

    Distinctive · estimate

    This author's own choices. Worth a look.

  • 1

    Very specific

    Tied to their project's names, files or tools. Probably skip.

  • Common
  • Distinctive
  • Very specific
  1. Very specific:

    Commit geen gegenereerde caches, virtuele omgevingen of .env-bestanden (allemaal genegeerd door git).

    line 91

≈ “Common” is an estimate: at least 1 in 5 of the 36,368 AGENTS.md files we read have a rule of the same kind, not the same words. “Very specific” is our guess from the words: it names a file, a command, a setting or the project itself.

Keep what fits and drop the rest. Your version, ready for your agents.
Files
AGENTS.md

AGENTS.md

Richtlijnen voor AI-codeeragenten (en menselijke bijdragers) die in deze repository werken. Als je een geautomatiseerde agent bent die hier wijzigingen aanbrengt, lees dit bestand eerst en volg het op.

Wat deze repository is

AI-agenten bouwen van nul tot productie is een Microsoft-leercursus. Het leert ontwikkelaars om AI-agenten te ontwerpen, bouwen, evalueren, inzetten en beheren op Microsoft Foundry met behulp van het Microsoft Agent Framework (MAF). De inhoud is georganiseerd als een reeks lessen, elk met een README.md en uitvoerbare Python-voorbeelden.

lesson-1-agent-design/            Use case + how to design effective agents
lesson-2-agent-development/       Build specialised agents with MAF (multiple runnable samples)
lesson-3-agent-evals/             Evaluations and observability
lesson-4-agentdeployment/         Deploy a hosted agent + OpenAI ChatKit front end
lesson-5-hosted-agents-production/ Hosted Agents vs Capability Hosts, BYO storage, governance
lesson-6-toolbox/                 Microsoft Toolbox: define + govern tools centrally
lesson-7-multi-agent-a2a/         Multi-agent orchestration over the A2A protocol

Hoofddocumenten: README.md (begin hier), MIGRATION-GUIDE.md (details SDK-migratie), CHANGELOG.md.

Gouden regels

  1. Nooit geheimen commiten. Alleen *.env.example-bestanden worden gevolgd; echte .env-bestanden worden genegeerd door git. Hardcode geen endpoints, sleutels, tokens of verbindingsreeksen in voorbeelden of documentatie.
  2. Raak translations/ of translated_images/ niet aan. Deze worden automatisch gegenereerd door een vertaal-GitHub-actie. Bewerk ze nooit handmatig; breng bronwijzigingen alleen aan in de topniveaulessen- bestanden.
  3. Geen verouderde modellen. Gebruik gpt-5.1 voor chat/evaluatie en gpt-5-codex voor coderen. Introduceer niet gpt-4o, gpt-4.1 of een met pensioen gegaan model, en gebruik geen GitHub-models (die stoppen op 30 juli 2026) — alle modellen worden geleverd via Microsoft Foundry.
  4. Gebruik de huidige SDK-interface. Voorbeelden richten zich op agent-framework (gepind in requirements.txt) met FoundryChatClient en de Responses API. Breng niet de oudere AzureAIClient / AzureAIAgentClient / AzureOpenAIChatClient patronen opnieuw in.
  5. Houd terminologie actueel: Microsoft Foundry (niet "Azure AI Foundry"), Microsoft Agent Framework, Hosted Agents, Capability Hosts, Microsoft Toolbox, MCP / Hosted MCP, A2A.

Setup

python -m venv .venv
# Windows:  .venv\Scripts\Activate.ps1
# macOS/Linux:  source .venv/bin/activate
pip install -r requirements.txt

az login                     # voorbeelden authenticeren met uw ontwikkelaarsidentiteit
cp .env.example .env         # vul vervolgens uw Foundry-projectendpoint + model in

Vereisten: Python 3.12+, de Azure CLI, en toegang tot een Microsoft Foundry-project met een ingezet GPT-5-seriemodel. Elke les-README vermeldt zijn eigen vereisten en de omgevingsvariabelen die het nodig heeft (zie het .env.example op lesniveau waar aanwezig).

Voorbeelden uitvoeren

De meeste les-2 voorbeelden starten een lokale DevUI op een speciale poort (bijvoorbeeld 8090–8096); de A2A server in les 7 luistert op poort 9000. Controleer de docstring/README van elk voorbeeld voor het exacte commando en poort. Omdat voorbeelden live Foundry-endpoints aanroepen, hebben ze een geldig .env en az login nodig.

Wijzigingen valideren

Er is geen unit-test suite; validatie is statisch + live:

  • Statische poort (moet slagen voor commit): byte-compileer elk voorbeeld.
    python -m py_compile $(git ls-files '*.py')
    In Windows PowerShell:
    git ls-files '*.py' | ForEach-Object { python -m py_compile $_ }
  • Markdown-links: de CI static taak voert markdown-link-check uit (configuratie: .github/workflows/markdown-link-check-config.json). Controleer of nieuwe externe links oplossen (HTTP 200).
  • Smoke test: .github/workflows/smoke-test-hosted-agent.yml voert de AI Smoke Test-actie uit tegen een ingezet hosted agent (workflow_dispatch, OIDC). Live agent runs vereisen Azure-toegang.

CI (static taak) ontdekt automatisch .py-bestanden, dus nieuwe voorbeelden worden gedekt zonder de workflow aan te passen. Commit geen code die faalt voor py_compile.

Commitconventies

  • Schrijf gefocuste commits met duidelijke, imperatieve berichten.
  • Voeg de co-auteur trailer toe bij agent-ondersteunde commits:
    Co-authored-by: Copilot App <223556219+Copilot@users.noreply.github.com>
  • Commit geen gegenereerde caches, virtuele omgevingen of .env-bestanden (allemaal genegeerd door git).

Waar specifieke wijzigingen aan te brengen

WijzigingLocatie
Cursusverhaal/lestekstlesson-*/README.md (alleen bron — nooit translations/)
Uitvoerbare codelesson-*/**.py, setup_vector_store.py
Afhankelijkhedenrequirements.txt (houd versies vastgepind)
Documentatie omgevingsvariabelen.env.example, lesniveau .env.example
CI / statische poort.github/workflows/
Cursusvaardigheden voor AI-assistenten.github/skills/

<!-- CO-OP TRANSLATOR DISCLAIMER START -->

Disclaimer: Dit document is vertaald met behulp van de AI vertaaldienst Co-op Translator. Hoewel we streven naar nauwkeurigheid, dient u er rekening mee te houden dat geautomatiseerde vertalingen fouten of onnauwkeurigheden kunnen bevatten. Het originele document in de oorspronkelijke taal moet worden beschouwd als de gezaghebbende bron. Voor kritieke informatie wordt professionele menselijke vertaling aanbevolen. Wij zijn niet aansprakelijk voor eventuele misverstanden of verkeerde interpretaties die voortvloeien uit het gebruik van deze vertaling.

<!-- CO-OP TRANSLATOR DISCLAIMER END -->

Download now (ZIP)

Does it work?

Reviews from people and from AI agents that ran it: what they used it for, and whether it worked.

Reviews can't be read right now.

Your trail

Files you open will collect here, so you can find them again.

Open two or more, and you can remix the rules you like from each into one list. Kept in this browser only.

Now do this for your own.

Bring your CLAUDE.md, AGENTS.md or skills. agentleFS shows which of your rules are common, which are yours and which only fit one project, and keeps one version your agents read everywhere.