# Testing Course Samples > Valide que os notebooks das lições e os exemplos de código funcionam em uma configuração ativa Microsoft Foundry / Azure OpenAI. O repositório inclui um executor em scripts/validate-notebooks.ps1 que executa todos os notebooks Python de forma headless e imprime uma matriz PASS/FAIL. - Skill: `thedixitjain/testing-course-samples-29` (Agent Skill) - Install (CLI): `npx skillmds add thedixitjain/testing-course-samples-29` - Raw SKILL.md: https://api.skillmd.com/api/skills/thedixitjain/testing-course-samples-29/raw - Safety review: pending - Works with: Claude Code, Claude.ai, OpenAI Codex - Category: DevOps & Infra - Author: thedixitjain (https://skillmd.com/u/thedixitjain) - Updated: 2026-09-09 - Page: https://skillmd.com/skills/thedixitjain/testing-course-samples-29 --- # Testando os Exemplos do Curso Valide que os notebooks das lições e os exemplos de código funcionam em uma configuração ativa Microsoft Foundry / Azure OpenAI. O repositório inclui um executor em [`scripts/validate-notebooks.ps1`](../../../../../scripts/validate-notebooks.ps1) que executa todos os notebooks Python de forma headless e imprime uma matriz PASS/FAIL. ## Quando usar - "Validar todos os notebooks / exemplos contra minha assinatura Azure." - "Teste rápido do curso após atualizar pacotes ou mudar modelos." - "Quais lições ainda funcionam / falham ao vivo?" Não use isso para o GitHub Action AI Smoke Test (que valida agentes *implantados* hospedados — veja [`tests/README.md`](../../../tests/README.md)). Esta habilidade executa os notebooks localmente. ## Pré-requisitos (verifique primeiro) 1. **Python 3.12+** com dependências do curso: `python -m pip install -r requirements.txt` mais o executor: `python -m pip install nbconvert ipykernel`. 2. **`.env` na raiz do repositório** (copie de [`.env.example`](../../../../../.env.example)) com pelo menos: - `AZURE_AI_PROJECT_ENDPOINT` — endpoint do projeto Foundry (`https://.services.ai.azure.com/api/projects/`) - `AZURE_AI_MODEL_DEPLOYMENT_NAME` — um deployment não depreciado (ex: `gpt-5-mini`) - `AZURE_OPENAI_ENDPOINT` (`https://.openai.azure.com`) e `AZURE_OPENAI_DEPLOYMENT` para lições que chamam Azure OpenAI diretamente (Lição 06, 02-azure-openai, 14 handoff/human-loop). 3. **`az login`** concluído — exemplos se autenticam com `AzureCliCredential` (Entra ID, sem chave). 4. Verifique se o deployment do modelo existe: `az cognitiveservices account deployment list -g -n -o table`. ## Executando a validação ```powershell # Todos os notebooks Python (ignora .NET, .venv, site-packages, traduções, recursos de habilidades) pwsh scripts/validate-notebooks.ps1 # Uma única lição, com um tempo limite por célula mais longo pwsh scripts/validate-notebooks.ps1 -Filter '08-*' -Timeout 600 # Apenas lista o que seria executado (sem execução) pwsh scripts/validate-notebooks.ps1 -List # Interpretador explícito (se `python` não estiver no PATH, por exemplo, alias da Windows Store) pwsh scripts/validate-notebooks.ps1 -Python "C:/path/to/python.exe" ``` O script grava cópias executadas, logs por notebook e `results.json` em `$env:TEMP\aiab-nbval` e finaliza com o número de falhas. Falhas transitórias (limites HTTP 429 em assinaturas compartilhadas, um eventual problema no token `AzureCliCredential` ou um timeout) são automaticamente tentadas novamente (`-Retries`, padrão 2, com `-RetryDelaySeconds` de espera, padrão 20). Se um deployment de modelo estiver gerando 429s regularmente, verifique a cota TPM GlobalStandard da assinatura (`az cognitiveservices usage list -l `) — aumentar a capacidade de um único deployment não ajuda quando a cota da *assinatura* está esgotada. ## Interpretando resultados - `PASS` — o notebook rodou de ponta a ponta sem erro em células. - `FAIL` — a primeira linha `*Error` / `*Exception` é exibida; abra o `log_*.txt` correspondente na pasta de saída para o traceback completo. - A falha de um único notebook é limitada por `-Timeout` (por célula), então uma célula de intervenção humana travada aparece como `StdinNotImplementedError` ao invés de travar. ## Lições que precisam de recursos extras (espera-se que falhem sem eles) | Lição | Requisito extra | |--------|-------------------| | 05 Agentic RAG | Azure AI Search (`AZURE_SEARCH_SERVICE_ENDPOINT`, chave) — possui caminho de fallback em memória | | 11 MCP / GitHub | Servidor MCP GitHub + PAT | | 13 memória (cognee) | `cognee` configurado com um provedor de modelo | | 15 uso no navegador | Navegadores Playwright instalados (`playwright install`) + `AZURE_OPENAI_CHAT_DEPLOYMENT_NAME` | | 17 agente local | Runtime local Foundry + modelo Qwen baixado (no dispositivo, sem nuvem) | | notebooks `*-dotnet-*` | kernel .NET Interactive (excluído por padrão; use `-IncludeDotnet`) | ## Reportando resultados Resuma em uma tabela PASS/FAIL agrupada por lição. Separe regressões genuínas (bugs de código/configuração a corrigir) de lacunas de ambiente (Search/Foundry Local/PAT ausentes), e cite o `log_*.txt` falho para cada falha real. --- **Aviso Legal**: Este documento foi traduzido usando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos pela precisão, por favor, esteja ciente de que traduções automatizadas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte autorizada. Para informações críticas, recomenda-se tradução profissional humana. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações incorretas decorrentes do uso desta tradução. --- **Source:** [`microsoft/ai-agents-for-beginners`](https://github.com/microsoft/ai-agents-for-beginners) → `translations/pt-BR/.agents/skills/testing-course-samples/SKILL.md`