Microsoft Foundry Integration with AZD

April 3, 2026 · View on GitHub

Chapter Navigation:

📚 Course Home: AZD For Beginners
📖 Current Chapter: Chapter 2 - AI-First Development
⬅️ Previous Chapter: Chapter 1: Your First Project
➡️ Next: AI Model Deployment
🚀 Next Chapter: Chapter 3: Configuration

Overview

คู่มือนี้สาธิตวิธีการรวมบริการ Microsoft Foundry เข้ากับ Azure Developer CLI (AZD) เพื่อการปรับใช้แอปพลิเคชัน AI ที่ราบรื่น Microsoft Foundry มอบแพลตฟอร์มครบวงจรสำหรับการสร้าง ปรับใช้ และจัดการแอปพลิเคชัน AI ขณะที่ AZD ช่วยให้ง่ายต่อการจัดการโครงสร้างพื้นฐานและขั้นตอนการปรับใช้

What is Microsoft Foundry?

Microsoft Foundry คือแพลตฟอร์มรวมของ Microsoft สำหรับการพัฒนา AI ที่ประกอบด้วย:

Model Catalog: การเข้าถึงโมเดล AI ขั้นสูง
Prompt Flow: เครื่องมือออกแบบเวิร์กโฟลว์ AI แบบภาพ
Microsoft Foundry Portal: สภาพแวดล้อมการพัฒนาร่วมสำหรับแอป AI
Deployment Options: ตัวเลือกโฮสติ้งและปรับขนาดหลากหลาย
Safety and Security: ฟีเจอร์ AI ที่รับผิดชอบในตัว

AZD + Microsoft Foundry: Better Together

Feature	Microsoft Foundry	AZD Integration Benefit
Model Deployment	ปรับใช้ด้วยพอร์ทัลด้วยตนเอง	การปรับใช้อัตโนมัติและทำซ้ำได้
Infrastructure	การจัดหาแบบคลิกผ่าน	โครงสร้างพื้นฐานเป็นโค้ด (Bicep)
Environment Management	มุ่งเน้นสภาพแวดล้อมเดียว	หลายสภาพแวดล้อม (dev/staging/prod)
CI/CD Integration	จำกัด	รองรับ GitHub Actions โดยตรง
Cost Management	การตรวจสอบพื้นฐาน	การปรับแต่งค่าใช้จ่ายตามสภาพแวดล้อม

Prerequisites

การสมัครใช้งาน Azure ที่มีสิทธิ์เหมาะสม
ติดตั้ง Azure Developer CLI
เข้าถึงบริการ Microsoft Foundry Models
ความคุ้นเคยพื้นฐานกับ Microsoft Foundry

Current AZD baseline: ตัวอย่างเหล่านี้ถูกทดสอบกับ azd 1.23.12 สำหรับเวิร์กโฟลว์ตัวแทน AI ให้ใช้เวอร์ชันพรีวิวล่าสุดและตรวจสอบเวอร์ชันที่ติดตั้งก่อนเริ่ม

Core Integration Patterns

Pattern 1: Microsoft Foundry Models Integration

Use Case: ปรับใช้แอปแชทด้วยโมเดล Microsoft Foundry Models

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

Infrastructure (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

Use Case: ปรับใช้แอปการสร้างแบบเสริมการดึงข้อมูล (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'
  }
}

Pattern 3: Document Intelligence Integration

Use Case: เวิร์กโฟลว์การประมวลผลและวิเคราะห์เอกสาร

// 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
  }
}

🔧 Configuration Patterns

Environment Variables Setup

Production Configuration:

# บริการ AI แกนหลัก
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/"

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

# การตั้งค่าประสิทธิภาพ
azd env set AZURE_OPENAI_CAPACITY 30
azd env set AZURE_SEARCH_SKU "standard"

Development Configuration:

# การตั้งค่าที่เหมาะสมด้านต้นทุนสำหรับการพัฒนา
azd env set AZURE_OPENAI_CAPACITY 10
azd env set AZURE_SEARCH_SKU "basic"
azd env set AZURE_DOCUMENT_INTELLIGENCE_SKU "F0"  # ระดับฟรี

Secure Configuration with 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
  }
}

Deployment Workflows

AZD Extensions for Foundry

AZD ให้ส่วนขยายที่เพิ่มความสามารถเฉพาะด้าน AI สำหรับการทำงานกับบริการ Microsoft Foundry:

# ติดตั้งส่วนขยายเอเจนต์ Foundry
azd extension install azure.ai.agents

# ติดตั้งส่วนขยายการปรับแต่งละเอียด
azd extension install azure.ai.finetune

# ติดตั้งส่วนขยายโมเดลที่กำหนดเอง
azd extension install azure.ai.models

# แสดงรายการส่วนขยายที่ติดตั้ง
azd extension list --installed

# ตรวจสอบเวอร์ชันส่วนขยายเอเจนต์ที่ติดตั้งในปัจจุบัน
azd extension show azure.ai.agents

ส่วนขยาย AI ยังคงพัฒนาอย่างรวดเร็วในช่วงพรีวิว หากคำสั่งทำงานแตกต่างจากที่แสดง ให้ทำการอัปเกรดส่วนขยายที่เกี่ยวข้องก่อนแก้ไขปัญหาโปรเจกต์

Agent-First Deployment with `azd ai`

หากคุณมีแผ่นกำกับตัวแทน ใช้ azd ai agent init เพื่อสร้างโครงโปรเจกต์ที่เชื่อมต่อกับ Foundry Agent Service:

# เริ่มต้นจากตัวระบุเอเย่นต์
azd ai agent init -m agent-manifest.yaml --project-id <foundry-project-id>

# ติดตั้งไปยัง Azure
azd up

การเปิดตัวพรีวิวล่าสุดของ azure.ai.agents ยังเพิ่มการรองรับการเริ่มต้นด้วยเทมเพลตสำหรับ azd ai agent init หากคุณกำลังติดตามตัวอย่างตัวแทนรุ่นใหม่ ตรวจสอบความช่วยเหลือของส่วนขยายเพื่อดูธงที่มีในเวอร์ชันที่ติดตั้ง

ดูที่ AZD AI CLI Commands สำหรับเอกสารคำสั่งและธงทั้งหมด

Single Command Deployment

# ใช้คำสั่งเดียวในการปรับใช้ทั้งหมด
azd up

# หรือปรับใช้อย่างค่อยเป็นค่อยไป
azd provision  # แค่โครงสร้างพื้นฐานเท่านั้น
azd deploy     # แค่แอปพลิเคชันเท่านั้น

# สำหรับการปรับใช้งานแอป AI ที่ทำงานยาวนานใน azd 1.23.11+
azd deploy --timeout 1800

Environment-Specific Deployments

# สภาพแวดล้อมการพัฒนา
azd env new development
azd env set AZURE_LOCATION eastus
azd env set ENVIRONMENT_TYPE dev
azd up

# สภาพแวดล้อมการผลิต
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

Monitoring and Observability

Application Insights Integration

// 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)
    '''
  }
}

Cost Monitoring

// 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'
        ]
      }
    }
  }
}

🔐 Security Best Practices

Managed Identity Configuration

// 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'
  }
}

Network Security

// 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']
        }
      }
    ]
  }
}

Performance Optimization

Caching Strategies

# 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'
  }
}

Auto-scaling Configuration

// 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'
              }
            }
          }
        ]
      }
    }
  }
}

Troubleshooting Common Issues

Issue 1: OpenAI Quota Exceeded

Symptoms:

การปรับใช้ล้มเหลวด้วยข้อผิดพลาดโควตา
ข้อผิดพลาด 429 ในบันทึกแอปพลิเคชัน

Solutions:

# ตรวจสอบการใช้งานโควตาปัจจุบัน
az cognitiveservices usage list --location eastus

# ลองใช้ภูมิภาคอื่น
azd env set AZURE_LOCATION westus2
azd up

# ลดความจุชั่วคราว
azd env set AZURE_OPENAI_CAPACITY 10
azd deploy

Issue 2: Authentication Failures

Symptoms:

ข้อผิดพลาด 401/403 เมื่อเรียกบริการ AI
ข้อความ "Access denied"

Solutions:

# ตรวจสอบการกำหนดบทบาท
az role assignment list --scope /subscriptions/YOUR_SUB/resourceGroups/YOUR_RG

# ตรวจสอบการกำหนดค่าบัญชีตัวตนที่จัดการ
az webapp identity show --name YOUR_APP --resource-group YOUR_RG

# ตรวจสอบการเข้าถึง Key Vault
az keyvault secret show --vault-name YOUR_KV --name openai-api-key

Issue 3: Model Deployment Issues

Symptoms:

โมเดลไม่พร้อมใช้งานในปรับใช้
เวอร์ชันโมเดลบางตัวล้มเหลว

Solutions:

# แสดงรายการโมเดลที่มีตามภูมิภาค
az cognitiveservices model list --location eastus

# อัปเดตเวอร์ชันโมเดลในเทมเพลต bicep
# ตรวจสอบความต้องการความจุของโมเดล

Example Templates

RAG Chat Application (Python)

Repository: azure-search-openai-demo

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

Description: ตัวอย่าง Azure AI ยอดนิยมที่สุด — แอปแชท RAG ที่พร้อมใช้งานจริงซึ่งให้คุณถามคำถามกับเอกสารของคุณเอง ใช้ GPT-4.1-mini สำหรับแชท, text-embedding-3-large สำหรับ embeddings, และ Azure AI Search สำหรับการดึงข้อมูล รองรับเอกสารหลายรูปแบบ, การป้อน/ส่งเสียง, การตรวจสอบสิทธิ์ Microsoft Entra, และการติดตามด้วย Application Insights

Quick Start:

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

RAG Chat Application (.NET)

Repository: azure-search-openai-demo-csharp

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

Description: เทียบเท่าของ .NET/C# ของตัวอย่าง RAG chat ใน Python สร้างด้วย ASP.NET Core Minimal API และ Blazor WebAssembly frontend มีการแชทด้วยเสียง, รองรับ GPT-4o-mini vision และไคลเอนต์ .NET MAUI Blazor Hybrid สำหรับเดสก์ท็อป/มือถือ

Quick Start:

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

RAG Chat Application (Java)

Repository: azure-search-openai-demo-java

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

Description: เวอร์ชัน Java ของตัวอย่าง RAG chat ใช้ Langchain4J สำหรับการจัดการ AI รองรับสถาปัตยกรรมอีเวนต์ไมโครเซอร์วิส, กลยุทธ์การค้นหาหลายแบบ (ข้อความ, เวกเตอร์, ไฮบริด), การอัปโหลดเอกสารด้วย Azure Document Intelligence, และปรับใช้บน Azure Container Apps หรือ Azure Kubernetes Service

Quick Start:

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

Enterprise Retail Copilot with Azure AI Foundry

Repository: contoso-chat

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

Description: โคไพลอต RAG สำหรับธุรกิจค้าปลีกครบวงจร ใช้ Azure AI Foundry และ Prompty แชทบอท Contoso Outdoor ที่ยึดคำตอบกับข้อมูลแคตตาล็อกสินค้าและคำสั่งซื้อผู้ใช้ แสดงเวิร์กโฟลว์ GenAIOps ทั้งหมด — ต้นแบบกับ Prompty, ประเมินด้วยผู้ช่วย AI, และปรับใช้ผ่าน AZD ไปยัง Container Apps

Quick Start:

azd init --template contoso-chat
azd up

Creative Writing Multi-Agent Application

Repository: contoso-creative-writer

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

Description: ตัวอย่าง multi-agent ที่แสดงการจัดการตัวแทน AI ด้วย Prompty ใช้ตัวแทนวิจัย (Bing Grounding ใน Azure AI Agent Service), ตัวแทนผลิตภัณฑ์ (Azure AI Search), ตัวแทนผู้เขียน และตัวแทนบรรณาธิการ ทำงานร่วมกันสร้างบทความที่มีการวิจัยดี รวม CI/CD ด้วยการประเมินใน GitHub Actions

Quick Start:

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

Serverless RAG Chat (JavaScript/TypeScript)

Repository: serverless-chat-langchainjs

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

Description: แชทบอท RAG แบบไม่มีเซิร์ฟเวอร์เต็มรูปแบบ ใช้ LangChain.js กับ Azure Functions สำหรับ API และ Azure Static Web Apps สำหรับโฮสต์ ใช้ Azure Cosmos DB เป็นทั้งที่เก็บเวกเตอร์และฐานข้อมูลประวัติการแชท รองรับการพัฒนาท้องถิ่นด้วย Ollama สำหรับการทดสอบฟรี

Quick Start:

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

Chat with Your Data Solution Accelerator

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

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

Description: ตัวเร่งความเร็วโซลูชัน RAG ระดับองค์กร พร้อมพอร์ทัลผู้ดูแลระบบสำหรับอัปโหลด/จัดการเอกสาร, ตัวเลือกออร์เคสเตรเตอร์หลายแบบ (Semantic Kernel, LangChain, Prompt Flow), การพูดเป็นข้อความ, การผสานกับ Microsoft Teams, และเลือกใช้ฐานข้อมูล PostgreSQL หรือ Cosmos DB ออกแบบเป็นจุดเริ่มต้นที่ปรับแต่งได้สำหรับสถานการณ์ RAG ในการผลิต

Quick Start:

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

AI Travel Agents — Multi-Agent MCP Orchestration

Repository: azure-ai-travel-agents

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

Description: แอปอ้างอิงสำหรับการจัดการตัวแทน AI หลายตัว ใช้สามเฟรมเวิร์ก (LangChain.js, LlamaIndex.TS และ Microsoft Agent Framework) มีเซิร์ฟเวอร์ MCP (Model Context Protocol) สี่ภาษา ปรับใช้เป็น Azure Container Apps แบบไม่มีเซิร์ฟเวอร์ พร้อมการตรวจสอบด้วย OpenTelemetry

Quick Start:

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

Azure AI Starter

Repository: azd-ai-starter

Services: Azure AI Services + Azure OpenAI

Description: เทมเพลต Bicep ขั้นต่ำที่ปรับใช้บริการ Azure AI พร้อมโมเดลการเรียนรู้เครื่องที่ตั้งค่าไว้ จุดเริ่มต้นน้ำหนักเบาสำหรับเมื่อคุณต้องการแค่โครงสร้างพื้นฐาน Azure AI โดยไม่ต้องมีสแตกแอปเต็มรูปแบบ

Quick Start:

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

Browse more templates: เยี่ยมชม Awesome AZD AI Template Gallery สำหรับเทมเพลต AZD เฉพาะ AI กว่า 80 แบบ ครอบคลุมหลายภาษาและสถานการณ์

Next Steps

Try the Examples: เริ่มด้วยเทมเพลตที่สร้างไว้แล้วซึ่งตรงกับกรณีใช้งานของคุณ
Customize for Your Needs: ปรับแต่งโครงสร้างพื้นฐานและโค้ดแอปพลิเคชัน
Add Monitoring: นำการสังเกตการณ์ครบวงจรมาใช้
Optimize Costs: ปรับแต่งการตั้งค่าสำหรับงบประมาณของคุณ
Secure Your Deployment: นำรูปแบบความปลอดภัยในองค์กรมาใช้
Scale to Production: เพิ่มฟีเจอร์หลายภูมิภาคและความพร้อมใช้งานสูง

🎯 Hands-On Exercises

Exercise 1: Deploy Microsoft Foundry Models Chat App (30 minutes)

Goal: ปรับใช้และทดสอบแอปแชท AI พร้อมใช้ในสภาพแวดล้อมจริง

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

# ตั้งค่าตัวแปรสภาพแวดล้อม
azd env set AZURE_LOCATION eastus2
azd env set AZURE_OPENAI_CAPACITY 30

# ปรับใช้
azd up

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

# ตรวจสอบการทำงานของ AI
azd monitor

# ทำความสะอาด
azd down --force --purge

Success Criteria:

ปรับใช้สำเร็จโดยไม่มีข้อผิดพลาดโควตา
สามารถเข้าถึงอินเทอร์เฟซแชทในเบราว์เซอร์
สามารถถามคำถามและได้รับคำตอบจาก AI
Application Insights แสดงข้อมูลโทรมาตร
ล้างทรัพยากรสำเร็จ

Estimated Cost: $5-10 สำหรับการทดสอบ 30 นาที

Exercise 2: Configure Multi-Model Deployment (45 minutes)

Goal: ปรับใช้โมเดล AI หลายตัวโดยใช้การตั้งค่าที่แตกต่าง

# สร้างการกำหนดค่า Bicep ที่กำหนดเอง
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

# นำไปใช้และตรวจสอบ
azd provision
azd show

Success Criteria:

โมเดลหลายตัวถูกปรับใช้สำเร็จ
กำหนดความจุต่างกันได้
โมเดลเข้าถึงได้ผ่าน API
สามารถเรียกใช้ทั้งสองโมเดลจากแอปพลิเคชัน

Exercise 3: Implement Cost Monitoring (20 minutes)

Goal: ตั้งค่าการแจ้งเตือนงบประมาณและติดตามค่าใช้จ่าย

# เพิ่มการแจ้งเตือนงบประมาณใน 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

# ปรับใช้การแจ้งเตือนงบประมาณ
azd provision

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

Success Criteria:

สร้างการแจ้งเตือนงบประมาณใน Azure สำเร็จ
ตั้งค่าการแจ้งเตือนทางอีเมล
สามารถดูข้อมูลค่าใช้จ่ายใน Azure Portal
ตั้งค่าขีดจำกัดงบประมาณเหมาะสม

💡 Frequently Asked Questions

ฉันจะลดค่าใช้จ่าย Microsoft Foundry Models ในช่วงพัฒนาระบบได้อย่างไร?

ใช้ Free Tier: Microsoft Foundry Models ให้โทเค็นฟรี 50,000 โทเค็น/เดือน
ลดความจุ: ตั้งค่าความจุเป็น 10 TPM แทน 30+ ในช่วงพัฒนา
ใช้ azd down: ปลดทรัพยากรเมื่อตอนไม่ได้พัฒนา
แคชการตอบกลับ: ใช้ Redis cache สำหรับคำถามซ้ำๆ
ใช้ Prompt Engineering: ลดการใช้โทเค็นด้วยการตั้งค่าคำสั่งที่มีประสิทธิภาพ

# การกำหนดค่าการพัฒนา
azd env set AZURE_OPENAI_CAPACITY 10
azd env set ENABLE_RESPONSE_CACHE true

ความแตกต่างระหว่าง Microsoft Foundry Models กับ OpenAI API คืออะไร?

Microsoft Foundry Models:

ความปลอดภัยและการปฏิบัติตามข้อกำหนดสำหรับองค์กร
การรวมเครือข่ายส่วนตัว
การรับประกัน SLA
การพิสูจน์ตัวตนด้วย managed identity
โควต้าที่สูงกว่า

OpenAI API:

เข้าถึงโมเดลใหม่ได้เร็วกว่า
การตั้งค่าง่ายกว่า
ระดับการเข้าถึงต่ำกว่า
ใช้งานได้ในอินเทอร์เน็ตสาธารณะเท่านั้น

สำหรับแอปพลิเคชันในระดับการผลิต แนะนำให้ใช้ Microsoft Foundry Models.

ฉันจะแก้ไขข้อผิดพลาดโควต้าที่เกินของ Microsoft Foundry Models ได้อย่างไร?

# ตรวจสอบโควต้าปัจจุบัน
az cognitiveservices usage list --location eastus2

# ลองภูมิภาคอื่น
azd env set AZURE_LOCATION westus2
azd up

# ลดความจุชั่วคราว
azd env set AZURE_OPENAI_CAPACITY 10
azd provision

# ขอเพิ่มโควต้า
# ไปที่ Azure Portal > Quotas > ขอเพิ่มโควต้า

ฉันสามารถใช้ข้อมูลของตัวเองกับ Microsoft Foundry Models ได้ไหม?

ได้เลย! ใช้ Azure AI Search สำหรับ RAG (Retrieval Augmented Generation):

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

ดูเทมเพลต azure-search-openai-demo

ฉันจะรักษาความปลอดภัยของ AI model endpoints ได้อย่างไร?

แนวทางปฏิบัติที่ดีที่สุด:

ใช้ Managed Identity (ไม่ใช้คีย์ API)
เปิดใช้งาน Private Endpoints
กำหนดค่า network security groups
ใช้การจำกัดอัตรา (rate limiting)
ใช้ Azure Key Vault สำหรับเก็บความลับ

// 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
  }
}

ชุมชนและการสนับสนุน

Microsoft Foundry Discord: #Azure channel
AZD GitHub: ปัญหาและการอภิปราย
Microsoft Learn: เอกสารอย่างเป็นทางการ
Agent Skills: ทักษะ Microsoft Foundry บน skills.sh - ติดตั้งทักษะ Azure + Foundry agent ในตัวแก้ไขของคุณด้วยคำสั่ง npx skills add microsoft/github-copilot-for-azure

การนำทางบท:

📚 หน้าแรกหลักสูตร: AZD For Beginners
📖 บทปัจจุบัน: บทที่ 2 - การพัฒนา AI-First
⬅️ บทก่อนหน้า: บทที่ 1: โปรเจกต์แรกของคุณ
➡️ ถัดไป: การปรับใช้โมเดล AI
🚀 บทถัดไป: บทที่ 3: การกำหนดค่า

ต้องการความช่วยเหลือ? เข้าร่วมการอภิปรายชุมชนของเราหรือเปิดประเด็นปัญหาในที่เก็บโค้ด ชุมชน Azure AI + AZD พร้อมช่วยให้คุณประสบความสำเร็จ!

ข้อปฏิเสธความรับผิดชอบ:
เอกสารฉบับนี้ได้ถูกแปลโดยใช้บริการแปลภาษาอัตโนมัติ Co-op Translator แม้เราจะพยายามให้ข้อมูลถูกต้องที่สุด โปรดทราบว่าการแปลอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่ถูกต้อง เอกสารต้นฉบับในภาษาต้นทางควรถูกพิจารณาเป็นแหล่งข้อมูลที่เชื่อถือได้ สำหรับข้อมูลที่สำคัญ ควรใช้การแปลโดยมืออาชีพที่มีความชำนาญ เราไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความผิดพลาดใด ๆ ที่อาจเกิดขึ้นจากการใช้การแปลนี้