Integrazione di Microsoft Foundry con AZD

Chapter Navigation:

• 📚 Home del Corso: AZD per Principianti
• 📖 Capitolo corrente: Capitolo 2 - Sviluppo AI-First
• ⬅️ Capitolo precedente: Capitolo 1: Il tuo primo progetto
• ➡️ Successivo: Distribuzione di modelli AI
• 🚀 Capitolo successivo: Capitolo 3: Configurazione

Panoramica

Questa guida mostra come integrare i servizi Microsoft Foundry con Azure Developer CLI (AZD) per distribuire applicazioni AI in modo semplificato. Microsoft Foundry fornisce una piattaforma completa per creare, distribuire e gestire applicazioni AI, mentre AZD semplifica il processo di infrastruttura e distribuzione.

Che cos'è Microsoft Foundry?

Microsoft Foundry è la piattaforma unificata di Microsoft per lo sviluppo AI che include:

• Model Catalog: Accesso a modelli AI all'avanguardia
• Prompt Flow: Designer visivo per i workflow AI
• Microsoft Foundry Portal: Ambiente di sviluppo integrato per applicazioni AI
• Deployment Options: Molteplici opzioni di hosting e scalabilità
• Safety and Security: Funzionalità di AI responsabile integrate

AZD + Microsoft Foundry: Meglio Insieme

Prerequisiti

• Sottoscrizione Azure con le autorizzazioni appropriate
• Azure Developer CLI installato
• Accesso ai servizi Microsoft Foundry Models
• Familiarità di base con Microsoft Foundry

Current AZD baseline: These examples were reviewed against azd 1.23.12. For the AI agent workflow, use the current preview extension release and check your installed version before you begin.

Pattern di integrazione principali

Pattern 1: Integrazione dei modelli Microsoft Foundry

Caso d'uso: distribuire applicazioni di chat con i modelli di Microsoft Foundry

# azure.yaml
name: ai-chat-app
services:
  api:
    project: ./api
    host: containerapp
    env:
      - AZURE_OPENAI_ENDPOINT
      - AZURE_OPENAI_API_KEY

Infrastruttura (main.bicep):

// Microsoft Foundry Models Account
resource openAIAccount 'Microsoft.CognitiveServices/accounts@2023-05-01' = {
  name: openAIAccountName
  location: location
  kind: 'OpenAI'
  sku: {
    name: 'S0'
  }
  properties: {
    customSubDomainName: openAIAccountName
    disableLocalAuth: false
  }
}

// Deploy GPT model
resource gptDeployment 'Microsoft.CognitiveServices/accounts/deployments@2023-05-01' = {
  parent: openAIAccount
  name: 'gpt-4.1-mini'
  properties: {
    model: {
      format: 'OpenAI'
      name: 'gpt-4.1-mini'
      version: '2024-07-18'
    }
    scaleSettings: {
      scaleType: 'Standard'
      capacity: 30
    }
  }
}

Pattern 2: AI Search + RAG Integration

Caso d'uso: distribuire applicazioni RAG (retrieval-augmented generation)

// Azure AI Search
resource searchService 'Microsoft.Search/searchServices@2023-11-01' = {
  name: searchServiceName
  location: location
  sku: {
    name: 'basic'
  }
  properties: {
    replicaCount: 1
    partitionCount: 1
    hostingMode: 'default'
  }
}

// Connect Search with OpenAI
resource searchConnection 'Microsoft.Search/searchServices/dataConnections@2023-11-01' = {
  parent: searchService
  name: 'openai-connection'
  properties: {
    targetResourceId: openAIAccount.id
    authenticationMethod: 'managedIdentity'
  }
}

Pattern 3: Document Intelligence Integration

Caso d'uso: workflow di elaborazione e analisi dei documenti

// Document Intelligence service
resource documentIntelligence 'Microsoft.CognitiveServices/accounts@2023-05-01' = {
  name: documentIntelligenceName
  location: location
  kind: 'FormRecognizer'
  sku: {
    name: 'S0'
  }
  properties: {
    customSubDomainName: documentIntelligenceName
  }
}

// Storage for document processing
resource storageAccount 'Microsoft.Storage/storageAccounts@2023-01-01' = {
  name: storageAccountName
  location: location
  sku: {
    name: 'Standard_LRS'
  }
  kind: 'StorageV2'
  properties: {
    accessTier: 'Hot'
    allowBlobPublicAccess: false
  }
}

🔧 Modelli di configurazione

Configurazione delle variabili d'ambiente

Configurazione di produzione:

# Servizi principali di intelligenza artificiale
azd env set AZURE_OPENAI_ENDPOINT "https://your-openai.openai.azure.com/"
azd env set AZURE_SEARCH_ENDPOINT "https://your-search.search.windows.net"
azd env set AZURE_DOCUMENT_INTELLIGENCE_ENDPOINT "https://your-formrec.cognitiveservices.azure.com/"

# Configurazioni del modello
azd env set AZURE_OPENAI_MODEL "gpt-4.1-mini"
azd env set AZURE_OPENAI_EMBEDDING_MODEL "text-embedding-3-large"

# Impostazioni delle prestazioni
azd env set AZURE_OPENAI_CAPACITY 30
azd env set AZURE_SEARCH_SKU "standard"

Configurazione di sviluppo:

# Impostazioni ottimizzate per i costi per lo sviluppo
azd env set AZURE_OPENAI_CAPACITY 10
azd env set AZURE_SEARCH_SKU "basic"
azd env set AZURE_DOCUMENT_INTELLIGENCE_SKU "F0"  # Livello gratuito

Configurazione sicura con Key Vault

// Key Vault for secrets
resource keyVault 'Microsoft.KeyVault/vaults@2023-02-01' = {
  name: keyVaultName
  location: location
  properties: {
    tenantId: tenant().tenantId
    sku: {
      family: 'A'
      name: 'standard'
    }
    accessPolicies: [
      {
        tenantId: tenant().tenantId
        objectId: webAppIdentity.properties.principalId
        permissions: {
          secrets: ['get']
        }
      }
    ]
  }
}

// Store OpenAI key securely
resource openAIKeySecret 'Microsoft.KeyVault/vaults/secrets@2023-02-01' = {
  parent: keyVault
  name: 'openai-api-key'
  properties: {
    value: openAIAccount.listKeys().key1
  }
}

Flussi di distribuzione

Estensioni AZD per Foundry

AZD fornisce estensioni che aggiungono capacità specifiche per l'AI per lavorare con i servizi Microsoft Foundry:

# Installa l'estensione Foundry agents
azd extension install azure.ai.agents

# Installa l'estensione per il fine-tuning
azd extension install azure.ai.finetune

# Installa l'estensione per i modelli personalizzati
azd extension install azure.ai.models

# Elenca le estensioni installate
azd extension list --installed

# Ispeziona la versione dell'estensione agent attualmente installata
azd extension show azure.ai.agents

Le estensioni AI sono ancora in rapida evoluzione in anteprima. Se un comando si comporta diversamente rispetto a quanto mostrato qui, aggiorna l'estensione pertinente prima di risolvere i problemi del progetto stesso.

Distribuzione incentrata sull'agente con azd ai

Se disponi di un manifest dell'agente, usa azd ai agent init per creare lo scheletro di un progetto connesso al Foundry Agent Service:

# Inizializza da un manifesto dell'agente
azd ai agent init -m agent-manifest.yaml --project-id <foundry-project-id>

# Distribuisci su Azure
azd up

Le recenti release preview di azure.ai.agents hanno anche aggiunto il supporto all'inizializzazione basata su template per azd ai agent init. Se stai seguendo esempi agent più recenti, controlla l'help dell'estensione per i flag esatti disponibili nella versione installata.

Vedi Comandi CLI AZD AI per il riferimento completo dei comandi e dei flag.

Distribuzione con singolo comando

# Distribuisci tutto con un solo comando
azd up

# Oppure distribuisci in modo incrementale
azd provision  # Solo infrastruttura
azd deploy     # Solo applicazione

# Per le distribuzioni di applicazioni AI di lunga durata in azd 1.23.11+
azd deploy --timeout 1800

Distribuzioni specifiche per ambiente

# Ambiente di sviluppo
azd env new development
azd env set AZURE_LOCATION eastus
azd env set ENVIRONMENT_TYPE dev
azd up

# Ambiente di produzione
azd env new production
azd env set AZURE_LOCATION westus2
azd env set ENVIRONMENT_TYPE prod
azd env set AZURE_OPENAI_CAPACITY 100
azd up

Monitoraggio e osservabilità

Integrazione con Application Insights

// Application Insights for AI application monitoring
resource applicationInsights 'Microsoft.Insights/components@2020-02-02' = {
  name: applicationInsightsName
  location: location
  kind: 'web'
  properties: {
    Application_Type: 'web'
    WorkspaceResourceId: logAnalyticsWorkspace.id
  }
}

// Custom metrics for AI operations
resource customMetrics 'Microsoft.Insights/components/analyticsItems@2015-05-01' = {
  parent: applicationInsights
  name: 'AI-Metrics'
  properties: {
    name: 'AI Operations Metrics'
    content: '''
      requests
      | where name contains "openai"
      | summarize 
          RequestCount = count(),
          AvgDuration = avg(duration),
          SuccessRate = countif(success == true) * 100.0 / count()
      by bin(timestamp, 5m)
    '''
  }
}

Monitoraggio dei costi

// Budget alert for AI services
resource budget 'Microsoft.Consumption/budgets@2023-05-01' = {
  name: 'ai-services-budget'
  properties: {
    timePeriod: {
      startDate: '2024-01-01'
      endDate: '2024-12-31'
    }
    timeGrain: 'Monthly'
    amount: 500
    category: 'Cost'
    notifications: {
      notification1: {
        enabled: true
        operator: 'GreaterThan'
        threshold: 80
        contactEmails: [
          'admin@company.com'
        ]
      }
    }
  }
}

🔐 Pratiche consigliate di sicurezza

Configurazione dell'identità gestita

// Managed identity for the web application
resource webAppIdentity 'Microsoft.ManagedIdentity/userAssignedIdentities@2023-01-31' = {
  name: '${appName}-identity'
  location: location
}

// Assign OpenAI User role
resource openAIRoleAssignment 'Microsoft.Authorization/roleAssignments@2022-04-01' = {
  scope: openAIAccount
  name: guid(openAIAccount.id, webAppIdentity.id, 'Cognitive Services OpenAI User')
  properties: {
    roleDefinitionId: subscriptionResourceId('Microsoft.Authorization/roleDefinitions', '5e0bd9bd-7b93-4f28-af87-19fc36ad61bd')
    principalId: webAppIdentity.properties.principalId
    principalType: 'ServicePrincipal'
  }
}

Sicurezza della rete

// Private endpoints for AI services
resource openAIPrivateEndpoint 'Microsoft.Network/privateEndpoints@2023-04-01' = {
  name: '${openAIAccountName}-pe'
  location: location
  properties: {
    subnet: {
      id: virtualNetwork.properties.subnets[0].id
    }
    privateLinkServiceConnections: [
      {
        name: 'openai-connection'
        properties: {
          privateLinkServiceId: openAIAccount.id
          groupIds: ['account']
        }
      }
    ]
  }
}

Ottimizzazione delle prestazioni

Strategie di caching

# azure.yaml - Redis cache integration
services:
  api:
    project: ./api
    host: containerapp
    env:
      - REDIS_CONNECTION_STRING
      - CACHE_TTL=3600

// Redis cache for AI responses
resource redisCache 'Microsoft.Cache/redis@2023-04-01' = {
  name: redisCacheName
  location: location
  properties: {
    sku: {
      name: 'Basic'
      family: 'C'
      capacity: 1
    }
    enableNonSslPort: false
    minimumTlsVersion: '1.2'
  }
}

Configurazione di autoscaling

// Container App with auto-scaling
resource containerApp 'Microsoft.App/containerApps@2023-05-01' = {
  name: containerAppName
  location: location
  properties: {
    configuration: {
      ingress: {
        external: true
        targetPort: 8000
      }
    }
    template: {
      scale: {
        minReplicas: 1
        maxReplicas: 10
        rules: [
          {
            name: 'http-scaling'
            http: {
              metadata: {
                concurrentRequests: '30'
              }
            }
          }
        ]
      }
    }
  }
}

Risoluzione dei problemi comuni

Problema 1: Quota OpenAI superata

Sintomi:

• La distribuzione fallisce con errori di quota
• Errori 429 nei log dell'applicazione

Soluzioni:

# Verifica l'utilizzo corrente della quota
az cognitiveservices usage list --location eastus

# Prova una regione diversa
azd env set AZURE_LOCATION westus2
azd up

# Riduci temporaneamente la capacità
azd env set AZURE_OPENAI_CAPACITY 10
azd deploy

Problema 2: Errori di autenticazione

Sintomi:

• Errori 401/403 durante le chiamate ai servizi AI
• Messaggi "Accesso negato"

Soluzioni:

# Verificare le assegnazioni di ruolo
az role assignment list --scope /subscriptions/YOUR_SUB/resourceGroups/YOUR_RG

# Verificare la configurazione dell'identità gestita
az webapp identity show --name YOUR_APP --resource-group YOUR_RG

# Verificare l'accesso a Key Vault
az keyvault secret show --vault-name YOUR_KV --name openai-api-key

Problema 3: Problemi di distribuzione dei modelli

Sintomi:

• Modelli non disponibili nella distribuzione
• Versioni specifiche del modello che falliscono

Soluzioni:

# Elenca i modelli disponibili per regione
az cognitiveservices model list --location eastus

# Aggiorna la versione del modello nel template bicep
# Verifica i requisiti di capacità del modello

Modelli di esempio

Applicazione Chat RAG (Python)

Repository: azure-search-openai-demo

Servizi: Azure OpenAI + Azure AI Search + Azure Container Apps + Azure Blob Storage

Descrizione: Il sample Azure AI più popolare — un'app chat RAG pronta per la produzione che ti permette di porre domande sui tuoi documenti. Usa GPT-4.1-mini per la chat, text-embedding-3-large per gli embedding e Azure AI Search per il recupero. Supporta documenti multimodali, input/output vocale, autenticazione Microsoft Entra e tracciamento con Application Insights.

Avvio rapido:

azd init --template azure-search-openai-demo
azd up

Applicazione Chat RAG (.NET)

Repository: azure-search-openai-demo-csharp

Servizi: Azure OpenAI + Azure AI Search + Azure Container Apps + Semantic Kernel

Descrizione: L'equivalente .NET/C# del sample Python RAG chat. Costruito con ASP.NET Core Minimal API e frontend Blazor WebAssembly. Include chat vocale, supporto GPT-4o-mini vision e un client desktop/mobile .NET MAUI Blazor Hybrid companion.

Avvio rapido:

azd init --template azure-search-openai-demo-csharp
azd up

Applicazione Chat RAG (Java)

Repository: azure-search-openai-demo-java

Servizi: Azure OpenAI + Azure AI Search + Azure Container Apps / AKS + Langchain4J + Azure Cosmos DB

Descrizione: Versione Java del sample RAG chat che utilizza Langchain4J per l'orchestrazione AI. Supporta architettura microservizi event-driven, molteplici strategie di ricerca (testo, vettore, ibrido), upload di documenti con Azure Document Intelligence e distribuzione su Azure Container Apps o Azure Kubernetes Service.

Avvio rapido:

azd init --template azure-search-openai-demo-java
azd up

Enterprise Retail Copilot con Azure AI Foundry

Repository: contoso-chat

Servizi: Azure OpenAI + Azure AI Foundry + Prompty + Azure AI Search + Azure Container Apps + Azure Cosmos DB

Descrizione: Copilot retail end-to-end RAG che utilizza Azure AI Foundry e Prompty. Un chatbot per il rivenditore Contoso Outdoor che ancorà le risposte ai dati del catalogo prodotti e degli ordini dei clienti. Dimostra l'intero workflow GenAIOps — prototipazione con Prompty, valutazione con evaluator assistiti dall'AI e distribuzione tramite AZD su Container Apps.

Avvio rapido:

azd init --template contoso-chat
azd up

Applicazione Multi-Agente per Scrittura Creativa

Repository: contoso-creative-writer

Servizi: Azure OpenAI + Azure AI Agent Service + Bing Grounding + Azure AI Search + Azure Container Apps

Descrizione: Sample multi-agente che dimostra l'orchestrazione di agenti AI con Prompty. Usa un agente di ricerca (Bing Grounding in Azure AI Agent Service), un agente prodotto (Azure AI Search), un agente scrittore e un agente editor che collaborano per produrre articoli ben documentati. Include CI/CD con valutazione in GitHub Actions.

Avvio rapido:

azd init --template contoso-creative-writer
azd up

Chat RAG Serverless (JavaScript/TypeScript)

Repository: serverless-chat-langchainjs

Servizi: Azure OpenAI + Azure Functions + Azure Static Web Apps + Azure Cosmos DB for NoSQL + LangChain.js

Descrizione: Chatbot RAG completamente serverless usando LangChain.js con Azure Functions per l'API e Azure Static Web Apps per l'hosting. Usa Azure Cosmos DB sia come store vettoriale sia come database della cronologia chat. Supporta lo sviluppo locale con Ollama per test a costo zero.

Avvio rapido:

azd init --template serverless-chat-langchainjs
azd up

Chat con i tuoi dati - Solution Accelerator

Repository: chat-with-your-data-solution-accelerator

Servizi: Azure OpenAI + Azure AI Search + Azure App Service + Azure Document Intelligence + Azure Functions + Azure Cosmos DB / PostgreSQL

Descrizione: Acceleratore di soluzione RAG di livello enterprise con portale admin per upload/gestione dei documenti, molteplici opzioni di orchestrazione (Semantic Kernel, LangChain, Prompt Flow), speech-to-text, integrazione Microsoft Teams e scelta del backend tra PostgreSQL o Cosmos DB. Progettato come punto di partenza personalizzabile per scenari RAG in produzione.

Avvio rapido:

azd init --template chat-with-your-data-solution-accelerator
azd up

Agenti di viaggio AI — Orchestrazione MCP multi-agente

Repository: azure-ai-travel-agents

Servizi: Azure OpenAI + Azure AI Foundry + Azure Container Apps + MCP Servers (.NET, Python, Java, TypeScript)

Descrizione: Applicazione di riferimento per l'orchestrazione AI multi-agente usando tre framework (LangChain.js, LlamaIndex.TS e Microsoft Agent Framework). Presenta server MCP (Model Context Protocol) in quattro linguaggi distribuiti come Azure Container Apps serverless con monitoraggio OpenTelemetry.

Avvio rapido:

azd init --template azure-ai-travel-agents
azd up

Azure AI Starter

Repository: azd-ai-starter

Servizi: Azure AI Services + Azure OpenAI

Descrizione: Template Bicep minimale che distribuisce i servizi Azure AI con modelli di machine learning configurati. Un punto di partenza leggero quando hai bisogno solo dell'infrastruttura Azure AI senza uno stack applicativo completo.

Avvio rapido:

azd init --template azd-ai-starter
azd up

Sfoglia altri template: Visita la Awesome AZD AI Template Gallery per oltre 80 template AZD specifici per AI in diversi linguaggi e scenari.

Prossimi passi

1. Prova gli esempi: Inizia con un template pre-costruito che corrisponde al tuo caso d'uso
2. Personalizza per le tue esigenze: Modifica l'infrastruttura e il codice applicativo
3. Aggiungi monitoraggio: Implementa osservabilità completa
4. Ottimizza i costi: Affina le configurazioni in base al tuo budget
5. Metti in sicurezza la distribuzione: Applica pattern di sicurezza enterprise
6. Scala in produzione: Aggiungi funzionalità multi-regione e alta disponibilità

🎯 Esercizi pratici

Esercizio 1: Distribuire l'app chat con i modelli Microsoft Foundry (30 minuti)

Obiettivo: Distribuire e testare un'app chat AI pronta per la produzione

# Inizializza il modello
mkdir ai-chat-demo && cd ai-chat-demo
azd init --template azure-search-openai-demo

# Imposta le variabili d'ambiente
azd env set AZURE_LOCATION eastus2
azd env set AZURE_OPENAI_CAPACITY 30

# Distribuisci
azd up

# Testa l'applicazione
WEB_URL=$(azd show --output json | jq -r '.services.web.endpoint')
echo "Chat app: $WEB_URL"

# Monitora le operazioni di intelligenza artificiale
azd monitor

# Pulisci
azd down --force --purge

Criteri di successo:

• La distribuzione si completa senza errori di quota
• È possibile accedere all'interfaccia di chat nel browser
• È possibile porre domande e ottenere risposte potenziate dall'AI
• Application Insights mostra dati di telemetria
• Risorse ripulite con successo

Costo stimato: $5-10 per 30 minuti di test

Esercizio 2: Configurare una distribuzione multi-modello (45 minuti)

Obiettivo: Distribuire più modelli AI con configurazioni diverse

# Crea una configurazione Bicep personalizzata
cat > infra/ai-models.bicep << 'EOF'
param openAiAccountName string
param location string

resource openAi 'Microsoft.CognitiveServices/accounts@2023-05-01' existing = {
  name: openAiAccountName
}

// gpt-4.1-mini for general chat
resource gpt4omini 'Microsoft.CognitiveServices/accounts/deployments@2023-05-01' = {
  parent: openAi
  name: 'gpt-4.1-mini'
  properties: {
    model: {
      format: 'OpenAI'
      name: 'gpt-4.1-mini'
      version: '2024-07-18'
    }
    scaleSettings: {
      scaleType: 'Standard'
      capacity: 30
    }
  }
}

// Text embedding for search
resource embedding 'Microsoft.CognitiveServices/accounts/deployments@2023-05-01' = {
  parent: openAi
  name: 'text-embedding-3-large'
  properties: {
    model: {
      format: 'OpenAI'
      name: 'text-embedding-3-large'
      version: '1'
    }
    scaleSettings: {
      scaleType: 'Standard'
      capacity: 50
    }
  }
  dependsOn: [gpt4omini]
}
EOF

# Distribuisci e verifica
azd provision
azd show

Criteri di successo:

• Più modelli distribuiti con successo
• Applicate impostazioni di capacità differenti
• Modelli accessibili tramite API
• L'applicazione può chiamare entrambi i modelli

Esercizio 3: Implementare il monitoraggio dei costi (20 minuti)

Obiettivo: Configurare avvisi di budget e tracciamento dei costi

# Aggiungi un avviso di budget a Bicep
cat >> infra/main.bicep << 'EOF'

resource budget 'Microsoft.Consumption/budgets@2023-05-01' = {
  name: 'ai-monthly-budget'
  properties: {
    timePeriod: {
      startDate: '2024-01-01'
      endDate: '2025-12-31'
    }
    timeGrain: 'Monthly'
    amount: 200
    category: 'Cost'
    notifications: {
      notification1: {
        enabled: true
        operator: 'GreaterThan'
        threshold: 80
        contactEmails: ['your-email@example.com']
      }
      notification2: {
        enabled: true
        operator: 'GreaterThan'
        threshold: 100
        contactEmails: ['your-email@example.com']
      }
    }
  }
}
EOF

# Distribuisci l'avviso di budget
azd provision

# Verifica i costi correnti
az consumption usage list --start-date $(date -d '7 days ago' +%Y-%m-%d) --end-date $(date +%Y-%m-%d)

Criteri di successo:

• Avviso di budget creato in Azure
• Notifiche email configurate
• È possibile visualizzare i dati dei costi nel Portale di Azure
• Soglie di budget impostate in modo appropriato

💡 Domande frequenti

# Controlla la quota corrente
az cognitiveservices usage list --location eastus2

# Prova una regione diversa
azd env set AZURE_LOCATION westus2
azd up

# Riduci temporaneamente la capacità
azd env set AZURE_OPENAI_CAPACITY 10
azd provision

# Richiedi un aumento della quota
# Vai al Portale di Azure > Quote > Richiedi un aumento

# azure.yaml
services:
  ai:
    env:
      - AZURE_SEARCH_ENDPOINT
      - AZURE_SEARCH_INDEX
      - AZURE_OPENAI_ENDPOINT

// Managed Identity authentication
resource webAppIdentity 'Microsoft.ManagedIdentity/userAssignedIdentities@2023-01-31' = {
  name: 'web-identity'
  location: location
}

resource openAIRoleAssignment 'Microsoft.Authorization/roleAssignments@2022-04-01' = {
  scope: openAIAccount
  name: guid(openAIAccount.id, webAppIdentity.id)
  properties: {
    roleDefinitionId: subscriptionResourceId('Microsoft.Authorization/roleDefinitions', '5e0bd9bd-7b93-4f28-af87-19fc36ad61bd')
    principalId: webAppIdentity.properties.principalId
  }
}

Comunità e supporto

• Microsoft Foundry Discord: #Azure channel
• AZD GitHub: Segnalazioni e discussioni
• Microsoft Learn: Documentazione ufficiale
• Agent Skills: Microsoft Foundry skill on skills.sh - Installa le skill agent di Azure + Foundry nel tuo editor con npx skills add microsoft/github-copilot-for-azure

Navigazione del capitolo:

• 📚 Home del corso: AZD For Beginners
• 📖 Capitolo corrente: Capitolo 2 - Sviluppo AI-First
• ⬅️ Capitolo precedente: Capitolo 1: Il tuo primo progetto
• ➡️ Successivo: Distribuzione dei modelli AI
• 🚀 Capitolo successivo: Capitolo 3: Configurazione

Hai bisogno di aiuto? Partecipa alle discussioni della nostra community o apri un issue nel repository. La community Azure AI + AZD è qui per aiutarti ad avere successo!

Disclaimer: Questo documento è stato tradotto utilizzando il servizio di traduzione automatica Co-op Translator. Pur facendo del nostro meglio per garantire l'accuratezza, si prega di notare che le traduzioni automatiche possono contenere errori o imprecisioni. Il documento originale nella sua lingua dovrebbe essere considerato la fonte autorevole. Per informazioni critiche, si raccomanda una traduzione professionale effettuata da un traduttore umano. Non siamo responsabili per eventuali fraintendimenti o interpretazioni errate derivanti dall'uso di questa traduzione.