5. Sesuaikan Template

March 31, 2026 · View on GitHub

!!! tip "PADA AKHIR MODUL INI ANDA AKAN MAMPU"

- [ ] Meneroka Kebolehan Ejen AI lalai
- [ ] Menambah Carian AI dengan indeks anda sendiri
- [ ] Mengaktifkan dan menganalisis metrik Penjejakan
- [ ] Melaksanakan menjalankan penilaian
- [ ] Melaksanakan imbasan red-teaming
- [ ] **Makmal 5: Membina Pelan Penyesuaian**

5.1 Kebolehan Ejen AI

!!! success "Kami telah menyelesaikannya dalam Makmal 01"

  • Carian Fail: Carian fail terbina dalam OpenAI untuk pengambilan pengetahuan
  • Sitrasi: Penyerahan sumber secara automatik dalam jawapan
  • Arahan Boleh Disesuaikan: Mengubah suai tingkah laku dan personaliti ejen
  • Integrasi Alat: Sistem alat yang boleh dikembangkan untuk kebolehan khusus

5.2 Pilihan Pengambilan Pengetahuan

!!! task "Untuk melengkapkan ini, kita perlu membuat perubahan dan menyebarkan semula"

```bash title=""
# Tetapkan pembolehubah persekitaran
azd env set USE_AZURE_AI_SEARCH_SERVICE true
azd env set AZURE_AI_EMBED_MODEL_NAME "text-embedding-3-large"
azd env set AZURE_AI_EMBED_DEPLOYMENT_NAME "embeddings-large"
azd env set AZURE_AI_EMBED_DEPLOYMENT_CAPACITY 75
azd env set AZURE_AI_SEARCH_INDEX_NAME "retail-products"

# Muat naik data dan buat indeks saya

```

Carian Fail OpenAI (Lalai):

  • Terbina dalam Foundry Agents
  • Pemprosesan dan pengindeksan dokumen automatik
  • Tiada konfigurasi tambahan diperlukan

Carian AI Azure (Pilihan):

  • Carian semantik hibrid dan vektor
  • Pengurusan indeks khusus
  • Kebolehan carian lanjutan
  • Memerlukan USE_AZURE_AI_SEARCH_SERVICE=true

5.3 Penjejakan & Pemantauan

!!! task "Untuk melengkapkan ini, kita perlu membuat perubahan dan menyebarkan semula"

```bash title=""
azd env set ENABLE_AZURE_MONITOR_TRACING true
azd deploy
```

Penjejakan:

  • Integrasi OpenTelemetry
  • Penjejakan permintaan/respons
  • Metrik prestasi
  • Tersedia dalam portal Microsoft Foundry

Logging:

  • Log aplikasi dalam Container Apps
  • Logging berstruktur dengan ID korelasi
  • Paparan log masa nyata dan sejarah

5.4 Penilaian Ejen

Penilaian Tempatan:

  • Penilai terbina dalam untuk penilaian kualiti
  • Skrip penilaian khusus
  • Penandaarasan prestasi

Pemantauan Berterusan:

  • Penilaian automatik interaksi langsung
  • Penjejakan metrik kualiti
  • Pengecaman regresi prestasi

Integrasi CI/CD:

  • Aliran kerja GitHub Actions
  • Ujian dan penilaian automatik
  • Ujian perbandingan statistik

5.5 Ejen Red Teaming AI

Red Teaming AI:

  • Imbasan keselamatan automatik
  • Penilaian risiko untuk sistem AI
  • Penilaian keselamatan merentas pelbagai kategori

Pengesahan:

  • Managed Identity untuk perkhidmatan Azure
  • Pilihan pengesahan Azure App Service
  • Kembali kepada basic auth untuk pembangunan

!!! quote "PADA AKHIR MAKAMAL INI ANDA SEPATUTNYA MEMPUNYAI" - [ ] Menetapkan keperluan senario anda - [ ] Menyesuaikan pembolehubah persekitaran (konfigurasi) - [ ] Menyesuaikan arahan ejen (tugas) - [ ] Menyebarkan template yang disesuaikan (aplikasi) - [ ] Melengkapkan tugas selepas penyebaran (manual) - [ ] Menjalankan penilaian ujian

Contoh ini menunjukkan penyesuaian template untuk kes penggunaan runcit perusahaan dengan dua ejen khusus dan beberapa penyebaran model.

5.6 Sesuaikan Untuk Anda!

5.6.1. Keperluan Senario

Penempatan Ejen:

  • Ejen Pembeli: Membantu pelanggan mencari dan membandingkan produk
  • Ejen Kesetiaan: Mengurus ganjaran dan promosi pelanggan

Penempatan Model:

  • gpt-4.1: Model sembang utama
  • o3: Model penaakulan untuk pertanyaan kompleks
  • gpt-4.1-nano: Model ringan untuk interaksi mudah
  • text-embedding-3-large: Embedding berkualiti tinggi untuk carian

Ciri-ciri:

  • Penjejakan dan pemantauan diaktifkan
  • Carian AI untuk katalog produk
  • Rangka kerja penilaian untuk jaminan kualiti
  • Red teaming untuk pengesahan keselamatan

5.6.2 Pelaksanaan Senario

5.6.2.1. Konfigurasi Pra-Penyebaran

Cipta skrip persediaan (setup-retail.sh)

#!/bin/bash

# Tetapkan nama persekitaran
azd env set AZURE_ENV_NAME "retail-ai-agents"

# Konfigurasikan rantau (pilih berdasarkan ketersediaan model)
azd env set AZURE_LOCATION "eastus2"

# Aktifkan semua perkhidmatan pilihan
azd env set USE_APPLICATION_INSIGHTS true
azd env set USE_AZURE_AI_SEARCH_SERVICE true
azd env set ENABLE_AZURE_MONITOR_TRACING true

# Konfigurasikan model chat utama (gpt-4.1 sebagai yang paling hampir dengan gpt-4.1)
azd env set AZURE_AI_AGENT_MODEL_NAME "gpt-4.1"
azd env set AZURE_AI_AGENT_MODEL_FORMAT "OpenAI"
azd env set AZURE_AI_AGENT_DEPLOYMENT_NAME "chat-primary"
azd env set AZURE_AI_AGENT_DEPLOYMENT_CAPACITY 150

# Konfigurasikan model embedding untuk carian yang dipertingkatkan
azd env set AZURE_AI_EMBED_MODEL_NAME "text-embedding-3-large"
azd env set AZURE_AI_EMBED_DEPLOYMENT_NAME "embeddings-large"
azd env set AZURE_AI_EMBED_DEPLOYMENT_CAPACITY 75

# Tetapkan nama agen (akan mencipta agen pertama)
azd env set AZURE_AI_AGENT_NAME "shopper-agent"

# Konfigurasikan indeks carian
azd env set AZURE_AI_SEARCH_INDEX_NAME "retail-products"

echo "Environment configured for retail deployment"
echo "Recommended quota: 300,000+ TPM across all models"

5.6.2.2: Arahan Ejen

Cipta custom-agents/shopper-agent-instructions.md:

# Shopper Agent Instructions

You are a helpful shopping assistant for an enterprise retail company. Your role is to:

1. **Product Discovery**: Help customers find products that match their needs
2. **Comparison**: Provide detailed product comparisons with pros/cons
3. **Recommendations**: Suggest complementary products and alternatives
4. **Inventory**: Check product availability and delivery options

## Guidelines:
- Always provide citations from the product catalog
- Be conversational and helpful
- Ask clarifying questions to understand customer needs
- Mention relevant promotions when appropriate
- Escalate complex warranty or return questions to human agents

## Knowledge Base:
You have access to our complete product catalog including specifications, pricing, reviews, and inventory levels.

Cipta custom-agents/loyalty-agent-instructions.md:

# Loyalty Agent Instructions

You are a customer loyalty specialist focused on maximizing customer satisfaction and retention. Your responsibilities include:

1. **Rewards Management**: Explain point values, redemption options, and tier benefits
2. **Promotions**: Identify applicable discounts and special offers
3. **Program Navigation**: Help customers understand loyalty program features
4. **Account Support**: Assist with account-related questions and updates

## Guidelines:
- Prioritize customer satisfaction and retention
- Explain complex program rules in simple terms
- Proactively identify opportunities for customers to save money
- Celebrate customer milestones and achievements
- Connect customers with shopper agent for product questions

## Knowledge Base:
You have access to loyalty program rules, current promotions, customer tier information, and reward catalogs.

5.6.2.3: Skrip Penyebaran

Cipta deploy-retail.sh:

#!/bin/bash
set -e

echo "🚀 Starting Enterprise Retail AI Agents deployment..."

# Sahkan prasyarat
echo "📋 Validating prerequisites..."
if ! command -v azd &> /dev/null; then
    echo "❌ Azure Developer CLI (azd) is required"
    exit 1
fi

if ! az account show &> /dev/null; then
    echo "❌ Please login to Azure CLI: az login"
    exit 1
fi

# Sediakan persekitaran
echo "🔧 Configuring deployment environment..."
chmod +x setup-retail.sh
./setup-retail.sh

# Semak kuota di wilayah yang dipilih
echo "📊 Checking quota availability..."
LOCATION=$(azd env get-values | grep AZURE_LOCATION | cut -d'=' -f2 | tr -d '"')
echo "Deploying to region: $LOCATION"
echo "⚠️  Please verify you have 300,000+ TPM quota for:"
echo "   - gpt-4.1: 150,000 TPM"
echo "   - text-embedding-3-large: 75,000 TPM"
echo "   - Additional models: 75,000+ TPM"

read -p "Continue with deployment? (y/N): " -n 1 -r
echo
if [[ ! $REPLY =~ ^[Yy]$ ]]; then
    echo "Deployment cancelled"
    exit 1
fi

# Lancarkan infrastruktur dan aplikasi
echo "🏗️  Deploying Azure infrastructure..."
azd up

# Tangkap output penyebaran
echo "📝 Capturing deployment information..."
azd show > deployment-info.txt

# Dapatkan URL aplikasi web
APP_URL=$(azd env get-values | grep '^APP_URL=' | cut -d'=' -f2- | tr -d '"')

if [ ! -z "$APP_URL" ]; then
    echo "✅ Deployment completed successfully!"
    echo "🌐 Web Application: $APP_URL"
    echo "🔍 Azure Portal: Run 'azd show' for resource group link"
    echo "📊 Microsoft Foundry Portal: https://ai.azure.com"
else
    echo "⚠️  Deployment completed but unable to retrieve URL"
    echo "Run 'azd show' for deployment details"
fi

echo "📚 Next steps:"
echo "1. Create second agent (Loyalty Agent) in Microsoft Foundry portal"
echo "2. Upload product catalog to search index"
echo "3. Configure custom agent instructions"
echo "4. Test both agents with sample queries"

5.6.2.4: Konfigurasi Pasca-Penyebaran

Cipta configure-retail-agents.sh:

#!/bin/bash

echo "🔧 Configuring retail agents..."

# Dapatkan maklumat penyebaran
PROJECT_ENDPOINT=$(azd env get-values | grep AZURE_EXISTING_AIPROJECT_ENDPOINT | cut -d'=' -f2 | tr -d '"')
AGENT_ID=$(azd env get-values | grep AZURE_EXISTING_AGENT_ID | cut -d'=' -f2 | tr -d '"')

echo "Project Endpoint: $PROJECT_ENDPOINT"
echo "Primary Agent ID: $AGENT_ID"

# Arahan untuk konfigurasi manual
echo "
🤖 Agent Configuration:

1. **Update Shopper Agent Instructions:**
   - Go to Microsoft Foundry portal: https://ai.azure.com
   - Navigate to your project
   - Select Agents tab
   - Edit the existing agent
   - Update instructions with content from custom-agents/shopper-agent-instructions.md

2. **Create Loyalty Agent:**
   - In Agents tab, click 'Create Agent'
   - Name: 'loyalty-agent'
   - Model: Use same deployment as shopper agent
   - Instructions: Use content from custom-agents/loyalty-agent-instructions.md
   - Enable file search tool
   - Save and note the Agent ID

3. **Upload Knowledge Base:**
   - Prepare product catalog files (JSON/CSV format)
   - Upload to both agents' file search
   - Or configure Azure AI Search index

4. **Test Configuration:**
   - Test shopper agent with product queries
   - Test loyalty agent with rewards questions
   - Verify citations and search functionality

📊 Monitoring Setup:
- Tracing: Available in Microsoft Foundry > Tracing tab
- Logs: Azure Portal > Container Apps > Monitoring > Log Stream
- Evaluation: Run python evals/evaluate.py

🔒 Security Validation:
- Run red teaming: python airedteaming/ai_redteaming.py
- Review security recommendations
- Configure authentication if needed
"

5.6.3: Ujian dan Pengesahan

Cipta test-retail-deployment.sh:

#!/bin/bash

echo "🧪 Testing retail deployment..."

# Sahkan pembolehubah persekitaran ditetapkan
echo "📋 Checking environment configuration..."
azd env get-values | grep -E "(AZURE_AI_|USE_|ENABLE_)"

# Uji ketersediaan aplikasi web
APP_URL=$(azd env get-values | grep '^APP_URL=' | cut -d'=' -f2- | tr -d '"')
if [ ! -z "$APP_URL" ]; then
    echo "🌐 Testing web application at: $APP_URL"
    HTTP_STATUS=$(curl -s -o /dev/null -w "%{http_code}" "$APP_URL")
    if [ "$HTTP_STATUS" = "200" ]; then
        echo "✅ Web application is responding"
    else
        echo "❌ Web application returned status: $HTTP_STATUS"
    fi
else
    echo "❌ Could not retrieve web application URL"
fi

# Jalankan penilaian jika dikonfigurasikan
if [ -f "evals/evaluate.py" ]; then
    echo "📊 Running agent evaluation..."
    cd evals
    python -m pip install -r ../src/requirements.txt
    python -m pip install azure-ai-evaluation
    python evaluate.py
    cd ..
fi

echo "
🎯 Deployment validation complete!

Next steps:
1. Access the web application and test basic functionality
2. Create the second agent (Loyalty Agent) in Microsoft Foundry portal
3. Upload your product catalog and loyalty program data
4. Configure agent instructions for your specific use case
5. Run comprehensive testing with your retail scenarios
"

5.6.4 Hasil Dijangkakan

Selepas mengikuti panduan pelaksanaan ini, anda akan mempunyai:

  1. Infrastruktur Disebarkan:

    • Projek Microsoft Foundry dengan penempatan model
    • Container Apps yang menjadi hos aplikasi web
    • Perkhidmatan Carian AI untuk katalog produk
    • Application Insights untuk pemantauan

  2. Ejen Awal:

    • Ejen Pembeli dikonfigurasi dengan arahan asas
    • Kebolehan carian fail diaktifkan
    • Penjejakan dan pemantauan dikonfigurasi

  3. Bersedia Untuk Penyesuaian:

    • Rangka kerja untuk menambah Ejen Kesetiaan
    • Template arahan tersuai
    • Skrip ujian dan pengesahan
    • Persediaan pemantauan dan penilaian

  4. Kesiapsiagaan Pengeluaran:

    • Imbasan keselamatan dengan red teaming
    • Pemantauan prestasi
    • Rangka kerja penilaian kualiti
    • Seni bina boleh skala

Contoh ini menunjukkan bagaimana templat AZD boleh diperluas dan disesuaikan untuk senario perusahaan tertentu sambil mengekalkan amalan terbaik untuk keselamatan, pemantauan, dan skala.

Penafian:
Dokumen ini telah diterjemahkan menggunakan perkhidmatan terjemahan AI Co-op Translator. Walaupun kami berusaha untuk ketepatan, sila maklum bahawa terjemahan automatik mungkin mengandungi kesilapan atau ketidaktepatan. Dokumen asal dalam bahasa asalnya hendaklah dianggap sebagai sumber yang sahih. Untuk maklumat penting, terjemahan profesional oleh manusia adalah disyorkan. Kami tidak bertanggungjawab atas sebarang salah faham atau salah tafsir yang timbul daripada penggunaan terjemahan ini.