Integracja Microsoft Foundry z AZD

Nawigacja po rozdziale:

• 📚 Strona kursu: AZD dla początkujących
• 📖 Aktualny rozdział: Rozdział 2 - Rozwój z podejściem AI-First
• ⬅️ Poprzedni rozdział: Rozdział 1: Twój pierwszy projekt
• ➡️ Następny: Wdrażanie modelu AI
• 🚀 Następny rozdział: Rozdział 3: Konfiguracja

Przegląd

Ten przewodnik pokazuje, jak zintegrować usługi Microsoft Foundry z Azure Developer CLI (AZD), aby usprawnić wdrażanie aplikacji AI. Microsoft Foundry oferuje kompleksową platformę do tworzenia, wdrażania i zarządzania aplikacjami AI, podczas gdy AZD upraszcza proces infrastruktury i wdrażania.

Czym jest Microsoft Foundry?

Microsoft Foundry to zunifikowana platforma Microsoftu do rozwoju AI, która obejmuje:

• Katalog modeli: Dostęp do najnowocześniejszych modeli AI
• Prompt Flow: Wizualny kreator przepływów AI
• Portal Microsoft Foundry: Zintegrowane środowisko do tworzenia aplikacji AI
• Opcje wdrożenia: Wiele opcji hostingu i skalowania
• Bezpieczeństwo i zgodność: Wbudowane funkcje odpowiedzialnej AI

AZD + Microsoft Foundry: Razem lepiej

Wymagania wstępne

• Subskrypcja Azure z odpowiednimi uprawnieniami
• Zainstalowany Azure Developer CLI
• Dostęp do usług Microsoft Foundry Models
• Podstawowa znajomość Microsoft Foundry

Aktualna wersja AZD: Przykłady zostały sprawdzone na azd 1.23.12. Dla przepływu pracy agenta AI używaj aktualnego wydania wersji zapoznawczej rozszerzenia i sprawdź swoją zainstalowaną wersję przed rozpoczęciem.

Główne wzorce integracji

Wzorzec 1: Integracja modeli Microsoft Foundry

Przypadek użycia: Wdrażanie aplikacji czatu z modelami Microsoft Foundry Models

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

Infrastruktura (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
    }
  }
}

Wzorzec 2: Integracja AI Search + RAG

Przypadek użycia: Wdrażanie aplikacji generowania wspomaganego wyszukiwaniem (RAG)

// 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'
  }
}

Wzorzec 3: Integracja inteligencji dokumentów

Przypadek użycia: Przetwarzanie i analiza dokumentów

// 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
  }
}

🔧 Wzorce konfiguracji

Ustawienia zmiennych środowiskowych

Konfiguracja produkcyjna:

# Podstawowe usługi AI
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/"

# Konfiguracje modeli
azd env set AZURE_OPENAI_MODEL "gpt-4.1-mini"
azd env set AZURE_OPENAI_EMBEDDING_MODEL "text-embedding-3-large"

# Ustawienia wydajności
azd env set AZURE_OPENAI_CAPACITY 30
azd env set AZURE_SEARCH_SKU "standard"

Konfiguracja deweloperska:

# Ustawienia zoptymalizowane pod kątem kosztów dla rozwoju
azd env set AZURE_OPENAI_CAPACITY 10
azd env set AZURE_SEARCH_SKU "basic"
azd env set AZURE_DOCUMENT_INTELLIGENCE_SKU "F0"  # Darmowy poziom

Bezpieczna konfiguracja z 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
  }
}

Przepływy pracy wdrożenia

Rozszerzenia AZD dla Foundry

AZD oferuje rozszerzenia dodające funkcje specyficzne dla AI do pracy z usługami Microsoft Foundry:

# Zainstaluj rozszerzenie agentów Foundry
azd extension install azure.ai.agents

# Zainstaluj rozszerzenie do dostrajania
azd extension install azure.ai.finetune

# Zainstaluj rozszerzenie niestandardowych modeli
azd extension install azure.ai.models

# Wyświetl listę zainstalowanych rozszerzeń
azd extension list --installed

# Sprawdź aktualnie zainstalowaną wersję rozszerzenia agenta
azd extension show azure.ai.agents

Rozszerzenia AI nadal szybko się rozwijają w wersji zapoznawczej. Jeśli jakieś polecenie zachowuje się inaczej niż tu pokazano, zaktualizuj odpowiednie rozszerzenie przed rozwiązywaniem problemów z projektem.

Wdrążanie z agentem za pomocą azd ai

Jeśli masz manifest agenta, użyj azd ai agent init, aby wygenerować projekt połączony z Foundry Agent Service:

# Inicjalizuj z manifestu agenta
azd ai agent init -m agent-manifest.yaml --project-id <foundry-project-id>

# Wdróż do Azure
azd up

Najnowsze wydania wersji zapoznawczej azure.ai.agents dodają również wsparcie inicjalizacji z wykorzystaniem szablonów dla azd ai agent init. Jeśli korzystasz z nowszych przykładów agentów, sprawdź dostępne flagi w pomocy rozszerzenia dla swojej wersji.

Zobacz Polecenia AZD AI CLI dla pełnej referencji poleceń i flag.

Wdrążenie jednym poleceniem

# Wdróż wszystko jednym poleceniem
azd up

# Lub wdrażaj inkrementalnie
azd provision  # Tylko infrastruktura
azd deploy     # Tylko aplikacja

# Dla długotrwałego wdrażania aplikacji AI w azd 1.23.11+
azd deploy --timeout 1800

Wdrożenia specyficzne dla środowiska

# Środowisko deweloperskie
azd env new development
azd env set AZURE_LOCATION eastus
azd env set ENVIRONMENT_TYPE dev
azd up

# Środowisko produkcyjne
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

Monitorowanie i obserwowalność

Integracja z 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)
    '''
  }
}

Monitorowanie kosztów

// 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'
        ]
      }
    }
  }
}

🔐 Najlepsze praktyki bezpieczeństwa

Konfiguracja tożsamości zarządzanej

// 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'
  }
}

Bezpieczeństwo sieci

// 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']
        }
      }
    ]
  }
}

Optymalizacja wydajności

Strategie cache'owania

# 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'
  }
}

Konfiguracja auto-skalowania

// 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'
              }
            }
          }
        ]
      }
    }
  }
}

Rozwiązywanie typowych problemów

Problem 1: Przekroczony limit OpenAI

Objawy:

• Wdrożenie nie powiodło się z powodu błędów limitów
• Błędy 429 w logach aplikacji

Rozwiązania:

# Sprawdź aktualne wykorzystanie limitu
az cognitiveservices usage list --location eastus

# Spróbuj inny region
azd env set AZURE_LOCATION westus2
azd up

# Tymczasowo zmniejsz pojemność
azd env set AZURE_OPENAI_CAPACITY 10
azd deploy

Problem 2: Błędy uwierzytelniania

Objawy:

• Błędy 401/403 podczas wywoływania usług AI
• Komunikaty „Access denied”

Rozwiązania:

# Zweryfikuj przypisania ról
az role assignment list --scope /subscriptions/YOUR_SUB/resourceGroups/YOUR_RG

# Sprawdź konfigurację zarządzanej tożsamości
az webapp identity show --name YOUR_APP --resource-group YOUR_RG

# Zweryfikuj dostęp do Key Vault
az keyvault secret show --vault-name YOUR_KV --name openai-api-key

Problem 3: Problemy z wdrożeniem modeli

Objawy:

• Modele niedostępne podczas wdrożenia
• Niepowodzenia specyficznych wersji modeli

Rozwiązania:

# Wyświetl dostępne modele według regionu
az cognitiveservices model list --location eastus

# Zaktualizuj wersję modelu w szablonie bicep
# Sprawdź wymagania dotyczące pojemności modelu

Przykładowe szablony

Aplikacja czatu RAG (Python)

Repozytorium: azure-search-openai-demo

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

Opis: Najpopularniejszy przykład Azure AI — produkcyjna aplikacja czatu RAG umożliwiająca zadawanie pytań na podstawie własnych dokumentów. Używa GPT-4.1-mini do czatu, text-embedding-3-large do osadzania oraz Azure AI Search do wyszukiwania. Obsługuje dokumenty multimodalne, wejście/wyjście głosowe, uwierzytelnianie Microsoft Entra oraz śledzenie Application Insights.

Szybki start:

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

Aplikacja czatu RAG (.NET)

Repozytorium: azure-search-openai-demo-csharp

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

Opis: Odpowiednik w .NET/C# przykładu RAG chat w Python. Zbudowany z ASP.NET Core Minimal API i frontendem Blazor WebAssembly. Zawiera czat głosowy, wsparcie GPT-4o-mini vision oraz towarzyszący klient .NET MAUI Blazor Hybrid na desktop/mobilne.

Szybki start:

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

Aplikacja czatu RAG (Java)

Repozytorium: azure-search-openai-demo-java

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

Opis: Wersja Java przykładu RAG chat wykorzystująca Langchain4J do orkiestracji AI. Obsługuje architekturę mikroserwisów opartą na zdarzeniach, wiele strategii wyszukiwania (tekst, wektor, hybrydowe), przesyłanie dokumentów z Azure Document Intelligence oraz wdrożenie na Azure Container Apps lub Azure Kubernetes Service.

Szybki start:

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

Enterprise Retail Copilot z Azure AI Foundry

Repozytorium: contoso-chat

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

Opis: Kompleksowy copilot sprzedaży detalicznej RAG korzystający z Azure AI Foundry i Prompty. Chatbot Contoso Outdoor, który opiera odpowiedzi na katalogu produktów i danych zamówień klientów. Demonstruje pełny przepływ GenAIOps — prototypowanie z Prompty, ocenę z pomocą AI oraz wdrożenie przez AZD do Container Apps.

Szybki start:

azd init --template contoso-chat
azd up

Aplikacja wieloagentowa do kreatywnego pisania

Repozytorium: contoso-creative-writer

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

Opis: Przykład wieloagentowy pokazujący orkiestrację agentów AI z Prompty. Wykorzystuje agenta badawczego (Bing Grounding w usłudze Azure AI Agent Service), agenta produktowego (Azure AI Search), agenta piszącego i agenta redaktora do współtworzenia dobrze opracowanych artykułów. Zawiera CI/CD z oceną w GitHub Actions.

Szybki start:

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

Serverless RAG Chat (JavaScript/TypeScript)

Repozytorium: serverless-chat-langchainjs

Usługi: Azure OpenAI + Azure Functions + Azure Static Web Apps + Azure Cosmos DB dla NoSQL + LangChain.js

Opis: W pełni bezserwerowy chatbot RAG wykorzystujący LangChain.js z Azure Functions dla API i Azure Static Web Apps do hostingu. Używa Azure Cosmos DB jako magazynu wektorów i bazy historii czatu. Wspiera lokalny rozwój z Ollama dla testów bez kosztów.

Szybki start:

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

Akcelerator rozwiązania Chat with Your Data

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

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

Opis: Rozwiązanie RAG klasy enterprise z panelem administracyjnym do przesyłania/zarządzania dokumentami, wieloma opcjami orkiestratora (Semantic Kernel, LangChain, Prompt Flow), rozpoznawaniem mowy, integracją z Microsoft Teams oraz możliwością wyboru bazy PostgreSQL lub Cosmos DB. Zaprojektowane jako konfigurowalny punkt startowy dla scenariuszy produkcyjnych RAG.

Szybki start:

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

Agenci AI w podróży — orkiestracja MCP wieloagentowa

Repozytorium: azure-ai-travel-agents

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

Opis: Aplikacja referencyjna do orkiestracji wieloagentowej AI z trzema frameworkami (LangChain.js, LlamaIndex.TS i Microsoft Agent Framework). Zawiera serwery MCP (Model Context Protocol) w czterech językach wdrożone jako bezserwerowe Azure Container Apps z monitoringiem OpenTelemetry.

Szybki start:

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

Azure AI Starter

Repozytorium: azd-ai-starter

Usługi: Azure AI Services + Azure OpenAI

Opis: Minimalny szablon Bicep wdrażający usługi Azure AI z skonfigurowanymi modelami machine learning. Lekki punkt startowy, gdy potrzebna jest tylko infrastruktura Azure AI bez pełnego stosu aplikacji.

Szybki start:

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

Przeglądaj więcej szablonów: Odwiedź Awesome AZD AI Template Gallery z ponad 80 szablonami AZD dedykowanymi AI w różnych językach i scenariuszach.

Kolejne kroki

1. Wypróbuj przykłady: Zacznij od gotowego szablonu pasującego do twojego przypadku użycia
2. Dostosuj do swoich potrzeb: Modyfikuj infrastrukturę i kod aplikacji
3. Dodaj monitorowanie: Zaimplementuj pełną obserwowalność
4. Optymalizuj koszty: Dostosuj konfiguracje do budżetu
5. Zabezpiecz wdrożenie: Wdroż wzorce bezpieczeństwa klasy enterprise
6. Skaluj do produkcji: Dodaj funkcje wieloregionalności i wysokiej dostępności

🎯 Ćwiczenia praktyczne

Ćwiczenie 1: Wdróż aplikację czatu Microsoft Foundry Models (30 minut)

Cel: Wdrażanie i testowanie produkcyjnej aplikacji czatu AI

# Zainicjuj szablon
mkdir ai-chat-demo && cd ai-chat-demo
azd init --template azure-search-openai-demo

# Ustaw zmienne środowiskowe
azd env set AZURE_LOCATION eastus2
azd env set AZURE_OPENAI_CAPACITY 30

# Wdróż
azd up

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

# Monitoruj działania AI
azd monitor

# Posprzątaj
azd down --force --purge

Kryteria sukcesu:

• Wdrożenie zakończone bez błędów limitów
• Dostęp do interfejsu czatu w przeglądarce
• Możliwość zadawania pytań i uzyskania odpowiedzi AI
• Application Insights pokazuje dane telemetryczne
• Pomyślne zwolnienie zasobów po zakończeniu

Szacowany koszt: 5–10 USD za 30 minut testów

Ćwiczenie 2: Skonfiguruj wdrożenie wielu modeli (45 minut)

Cel: Wdrażanie wielu modeli AI z różnymi konfiguracjami

# Utwórz niestandardową konfigurację Bicep
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

# Wdróż i zweryfikuj
azd provision
azd show

Kryteria sukcesu:

• Kilka modeli wdrożonych pomyślnie
• Zastosowane różne ustawienia pojemności
• Modele dostępne przez API
• Możliwość wywoływania obu modeli z aplikacji

Ćwiczenie 3: Wdroż monitoring kosztów (20 minut)

Cel: Ustawienie alertów budżetowych i śledzenie kosztów

# Dodaj alert budżetowy do 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

# Wdróż alert budżetowy
azd provision

# Sprawdź bieżące koszty
az consumption usage list --start-date $(date -d '7 days ago' +%Y-%m-%d) --end-date $(date +%Y-%m-%d)

Kryteria sukcesu:

• Utworzony alert budżetowy w Azure
• Skonfigurowane powiadomienia e-mail
• Możliwość przeglądania danych kosztowych w Portalu Azure
• Odpowiednio ustawione progi budżetowe

💡 Najczęściej zadawane pytania

# Konfiguracja rozwojowa
azd env set AZURE_OPENAI_CAPACITY 10
azd env set ENABLE_RESPONSE_CACHE true

# Sprawdź bieżący limit
az cognitiveservices usage list --location eastus2

# Spróbuj innego regionu
azd env set AZURE_LOCATION westus2
azd up

# Tymczasowo zmniejsz pojemność
azd env set AZURE_OPENAI_CAPACITY 10
azd provision

# Poproś o zwiększenie limitu
# Przejdź do Azure Portal > Quotas > Request increase

# 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
  }
}

Społeczność i wsparcie

• Microsoft Foundry Discord: Kanał #Azure
• AZD GitHub: Problemy i dyskusje
• Microsoft Learn: Oficjalna dokumentacja
• Agent Skills: Microsoft Foundry skill na skills.sh - Zainstaluj umiejętności agenta Azure + Foundry w swoim edytorze za pomocą npx skills add microsoft/github-copilot-for-azure

Nawigacja po rozdziałach:

• 📚 Strona kursu: AZD dla początkujących
• 📖 Bieżący rozdział: Rozdział 2 - AI-First Development
• ⬅️ Poprzedni rozdział: Rozdział 1: Twój pierwszy projekt
• ➡️ Następny: Wdrożenie modelu AI
• 🚀 Następny rozdział: Rozdział 3: Konfiguracja

Potrzebujesz pomocy? Dołącz do dyskusji społeczności lub otwórz zgłoszenie w repozytorium. Społeczność Azure AI + AZD jest tutaj, aby pomóc Ci odnieść sukces!

Zastrzeżenie:
Niniejszy dokument został przetłumaczony przy użyciu automatycznej usługi tłumaczeniowej AI Co-op Translator. Choć dokładamy starań, aby tłumaczenie było precyzyjne, prosimy pamiętać, że automatyczne przekłady mogą zawierać błędy lub niedokładności. Oryginalny dokument w języku źródłowym należy traktować jako wiarygodne źródło informacji. W przypadku istotnych informacji zalecamy skorzystanie z profesjonalnego tłumaczenia wykonanego przez człowieka. Nie ponosimy odpowiedzialności za ewentualne nieporozumienia lub błędne interpretacje wynikające z korzystania z tego tłumaczenia.