Azure AI Projects-Clientbibliothek für JavaScript – Version 1.0.0-beta.2

Artikel
12/22/2024

Verwenden Sie die AI Projects-Clientbibliothek (in der Vorschau) für:

Verbindungen in Ihrem Azure AI Foundry-Projekt aufzählen und Verbindungseigenschaften abrufen. Rufen Sie beispielsweise die Ableitungsenendpunkt-URL und Anmeldeinformationen ab, die Ihrer Azure OpenAI-Verbindung zugeordnet sind.
Entwickeln von Agents mit dem Azure AI Agent Service, wobei ein umfangreiches Ökosystem von Modellen, Tools und Funktionen von OpenAI, Microsoft und anderen LLM-Anbietern genutzt wird. Der Azure AI-Agent-Dienst ermöglicht das Erstellen von Agents für eine breite Palette von generativen KI-Anwendungsfällen. Das Paket befindet sich derzeit in der privaten Vorschau.
OpenTelemetry-Ablaufverfolgungaktivieren.

Produktdokumentation

Inhaltsverzeichnis

Erste Schritte
- Voraussetzung
- Installieren des Pakets
Schlüsselkonzepte
- Erstellen und Authentifizieren des Client-
Beispiele
Problembehandlung für
- Ausnahmen
- Melden von Problemen
Beitragender

Erste Schritte

Voraussetzung

LTS-Versionen von Node.js
Ein Azure-Abonnement.
Ein Projekt in Azure AI Foundry.
Die Projektverbindungszeichenfolge. Sie finden Sie auf der Übersichtsseite ihres Azure AI Foundry-Projekts unter "Projektdetails". Im Folgenden wird davon ausgegangen, dass die Umgebungsvariable AZURE_AI_PROJECTS_CONNECTION_STRING für diesen Wert definiert wurde.
Entra-ID ist erforderlich, um den Client zu authentifizieren. Ihre Anwendung benötigt ein Objekt, das die TokenCredential Schnittstelle implementiert. Codebeispiele verwenden hier DefaultAzureCredential. Um dies zu erreichen, benötigen Sie Folgendes:
- Die rolle Contributor. Die zugewiesene Rolle kann über die Registerkarte "Access Control (IAM)" Ihrer Azure AI-Projektressource im Azure-Portal erfolgen.
- Azure CLI installiert.
- Sie sind bei Ihrem Azure-Konto angemeldet, indem Sie az loginausführen.
- Beachten Sie, dass das Abonnement, das Ihre Azure AI Project-Ressource enthält, Ihr Standardabonnement sein muss, wenn Sie über mehrere Azure-Abonnements verfügen. Führen Sie az account list --output table aus, um ihr gesamtes Abonnement auflisten und zu sehen, welche Standardeinstellung ist. Führen Sie az account set --subscription "Your Subscription ID or Name" aus, um Ihr Standardabonnement zu ändern.

Installieren des Pakets

npm install @azure/ai-projects

Schlüsselkonzepte

Erstellen und Authentifizieren des Clients

Die Klassenfactorymethode fromConnectionString wird verwendet, um den Client zu erstellen. So erstellen Sie einen Client:

import { AIProjectsClient } from "@azure/ai-projects";
import { DefaultAzureCredential } from "@azure/identity";

import "dotenv/config";  

const connectionString = process.env["AZURE_AI_PROJECTS_CONNECTION_STRING"] || "<connectionString>";

const client = AIProjectsClient.fromConnectionString(
  connectionString,
  new DefaultAzureCredential(),
);

Beispiele

Aufzählen von Verbindungen

Ihr Azure AI Foundry-Projekt verfügt über ein "Management Center". Wenn Sie ihn eingeben, wird unter Ihrem Projekt eine Registerkarte mit dem Namen "Verbundene Ressourcen" angezeigt. Mit den .connections Vorgängen auf dem Client können Sie die Verbindungen auflisten und Verbindungseigenschaften abrufen. Zu den Verbindungseigenschaften gehören u. a. die Ressourcen-URL und die Authentifizierungsanmeldeinformationen.

Nachfolgend finden Sie Codebeispiele für die Verbindungsvorgänge. Vollständige Beispiele finden Sie im Ordner "Connections" in den [Paketbeispielen][Beispiele].

Abrufen von Eigenschaften aller Verbindungen

So listen Sie die Eigenschaften aller Verbindungen im Azure AI Foundry-Projekt auf:

const connections = await client.connections.listConnections();
for (const connection of connections) {
  console.log(connection);
}

Abrufen von Eigenschaften aller Verbindungen eines bestimmten Typs

So listen Sie die Eigenschaften von Verbindungen eines bestimmten Typs auf (hier Azure OpenAI):

const connections = await client.connections.listConnections({ category: "AzureOpenAI" });
for (const connection of connections) {
  console.log(connection);
}

Abrufen von Eigenschaften einer Verbindung anhand des Verbindungsnamens

So rufen Sie die Verbindungseigenschaften einer Verbindung mit dem Namen connectionNameab:

const connection = await client.connections.getConnection("connectionName");
console.log(connection);

So rufen Sie die Verbindungseigenschaften mit ihren Authentifizierungsanmeldeinformationen ab:

const connection = await client.connections.getConnectionWithSecrets("connectionName");
console.log(connection);

Agents (Vorschau)

Agents in der Azure AI Projects-Clientbibliothek wurden entwickelt, um verschiedene Interaktionen und Vorgänge in Ihren KI-Projekten zu erleichtern. Sie dienen als die Kernkomponenten, die Aufgaben verwalten und ausführen, und nutzen verschiedene Tools und Ressourcen, um bestimmte Ziele zu erreichen. In den folgenden Schritten wird die typische Sequenz für die Interaktion mit Agents beschrieben. Weitere Agent-Beispiele finden Sie im Ordner "Agents" in den [Paketbeispielen][Beispiele]

Agenten werden aktiv entwickelt. Ein Registrierungsformular für private Vorschau wird in Kürze verfügbar sein.

Agent erstellen

Hier ist ein Beispiel für das Erstellen eines Agents:

const agent = await client.agents.createAgent("gpt-4o", {
  name: "my-agent",
  instructions: "You are a helpful assistant",
});

Damit Agents auf Ihre Ressourcen oder benutzerdefinierten Funktionen zugreifen können, benötigen Sie Tools. Sie können Tools an createAgent über die Argumente tools und toolResources übergeben.

Dazu können Sie ToolSet verwenden:

const toolSet = new ToolSet();
toolSet.addFileSearchTool([vectorStore.id]);
toolSet.addCodeInterpreterTool([codeInterpreterFile.id]);

// Create agent with tool set
const agent = await client.agents.createAgent("gpt-4o", {
  name: "my-agent",
  instructions: "You are a helpful agent",
  tools: toolSet.toolDefinitions,
  toolResources: toolSet.toolResources,
});
console.log(`Created agent, agent ID: ${agent.id}`);

Agent mit Dateisuche erstellen

Zum Ausführen der Dateisuche durch einen Agent müssen wir zuerst eine Datei hochladen, einen Vektorspeicher erstellen und die Datei dem Vektorspeicher zuordnen. Hier ist ein Beispiel:

const localFileStream = fs.createReadStream("sample_file_for_upload.txt");
const file = await client.agents.uploadFile(localFileStream, "assistants", {
  fileName: "sample_file_for_upload.txt",
});
console.log(`Uploaded file, ID: ${file.id}`);

const vectorStore = await client.agents.createVectorStore({
  fileIds: [file.id],
  name: "my_vector_store",
});
console.log(`Created vector store, ID: ${vectorStore.id}`);

const fileSearchTool = ToolUtility.createFileSearchTool([vectorStore.id]);

const agent = await client.agents.createAgent("gpt-4o", {
  name: "SDK Test Agent - Retrieval",
  instructions: "You are helpful agent that can help fetch data from files you know about.",
  tools: [fileSearchTool.definition],
  toolResources: fileSearchTool.resources,
});
console.log(`Created agent, agent ID : ${agent.id}`);

Agent mit Codedolmetscher erstellen

Nachfolgend sehen Sie ein Beispiel zum Hochladen einer Datei und verwenden sie für Codedolmetscher von einem Agent:

const fileStream = fs.createReadStream("nifty_500_quarterly_results.csv");
const fFile = await client.agents.uploadFile(fileStream, "assistants", {
  fileName: "nifty_500_quarterly_results.csv",
});
console.log(`Uploaded local file, file ID : ${file.id}`);

const codeInterpreterTool = ToolUtility.createCodeInterpreterTool([file.id]);

// Notice that CodeInterpreter must be enabled in the agent creation, otherwise the agent will not be able to see the file attachment
const agent = await client.agents.createAgent("gpt-4o-mini", {
  name: "my-agent",
  instructions: "You are a helpful agent",
  tools: [codeInterpreterTool.definition],
  toolResources: codeInterpreterTool.resources,
});
console.log(`Created agent, agent ID: ${agent.id}`);

Agent mit Bing Grounding erstellen

Damit Ihr Agent die Suche über die Bing-Such-API durchführen kann, verwenden Sie ToolUtility.createConnectionTool() zusammen mit einer Verbindung.

Hier ist ein Beispiel:

const bingGroundingConnectionId = "<bingGroundingConnectionId>";
const bingTool = ToolUtility.createConnectionTool(connectionToolType.BingGrounding, [
  bingGroundingConnectionId,
]);

const agent = await client.agents.createAgent("gpt-4-0125-preview", {
  name: "my-agent",
  instructions: "You are a helpful agent",
  tools: [bingTool.definition],
});
console.log(`Created agent, agent ID : ${agent.id}`);

Agent mit Azure AI Search erstellen

Azure AI Search ist ein Unternehmenssuchsystem für leistungsstarke Anwendungen. Es ist in Azure OpenAI Service und Azure Machine Learning integriert und bietet erweiterte Suchtechnologien wie Vektorsuche und Volltextsuche. Ideal für Wissensbasiseinblicke, Informationsermittlung und Automatisierung

Hier ist ein Beispiel für die Integration von Azure AI Search:

const cognitiveServicesConnectionName = "<cognitiveServicesConnectionName>";
const cognitiveServicesConnection = await client.connections.getConnection(
  cognitiveServicesConnectionName,
);
const azureAISearchTool = ToolUtility.createAzureAISearchTool(
  cognitiveServicesConnection.id,
  cognitiveServicesConnection.name,
);

// Create agent with the Azure AI search tool
const agent = await client.agents.createAgent("gpt-4-0125-preview", {
  name: "my-agent",
  instructions: "You are a helpful agent",
  tools: [azureAISearchTool.definition],
  toolResources: azureAISearchTool.resources,
});
console.log(`Created agent, agent ID : ${agent.id}`);

Agent mit Funktionsaufruf erstellen

Sie können Ihre Agents verbessern, indem Sie Rückruffunktionen als Funktionstools definieren. Diese können createAgent über die Kombination aus tools und toolResourcesbereitgestellt werden. Nur die Funktionsdefinitionen und Beschreibungen werden ohne die Implementierungen für createAgentbereitgestellt. Das Run oder event handler of stream löst basierend auf den Funktionsdefinitionen einen requires_action Status aus. Ihr Code muss diesen Status behandeln und die entsprechenden Funktionen aufrufen.

Hier ist ein Beispiel:

class FunctionToolExecutor {
  private functionTools: { func: Function, definition: FunctionToolDefinition }[];

  constructor() {
    this.functionTools = [{
      func: this.getUserFavoriteCity,
      ...ToolUtility.createFunctionTool({
        name: "getUserFavoriteCity",
        description: "Gets the user's favorite city.",
        parameters: {}
      })
    }, {
      func: this.getCityNickname,
      ...ToolUtility.createFunctionTool({
        name: "getCityNickname",
        description: "Gets the nickname of a city, e.g. 'LA' for 'Los Angeles, CA'.",
        parameters: { type: "object", properties: { location: { type: "string", description: "The city and state, e.g. Seattle, Wa" } } }
      })
    }, {
      func: this.getWeather,
      ...ToolUtility.createFunctionTool({
        name: "getWeather",
        description: "Gets the weather for a location.",
        parameters: { type: "object", properties: { location: { type: "string", description: "The city and state, e.g. Seattle, Wa" }, unit: { type: "string", enum: ['c', 'f'] } } }
      })
    }];
  }

  private getUserFavoriteCity(): {} {
    return { "location": "Seattle, WA" };
  }

  private getCityNickname(location: string): {} {
    return { "nickname": "The Emerald City" };
  }

  private getWeather(location: string, unit: string): {} {
    return { "weather": unit === "f" ? "72f" : "22c" };
  }

  public invokeTool(toolCall: RequiredToolCallOutput & FunctionToolDefinitionOutput): ToolOutput | undefined {
    console.log(`Function tool call - ${toolCall.function.name}`);
    const args = [];
    if (toolCall.function.parameters) {
      try {
        const params = JSON.parse(toolCall.function.parameters);
        for (const key in params) {
          if (Object.prototype.hasOwnProperty.call(params, key)) {
            args.push(params[key]);
          }
        }
      } catch (error) {
        console.error(`Failed to parse parameters: ${toolCall.function.parameters}`, error);
        return undefined;
      }
    }
    const result = this.functionTools.find((tool) => tool.definition.function.name === toolCall.function.name)?.func(...args);
    return result ? {
      toolCallId: toolCall.id,
      output: JSON.stringify(result)
    } : undefined;
  }

  public getFunctionDefinitions(): FunctionToolDefinition[] {
    return this.functionTools.map(tool => {return tool.definition});
  }
}

const functionToolExecutor = new FunctionToolExecutor();
const functionTools = functionToolExecutor.getFunctionDefinitions();
const agent = await client.agents.createAgent("gpt-4o",
  {
    name: "my-agent",
    instructions: "You are a weather bot. Use the provided functions to help answer questions. Customize your responses to the user's preferences as much as possible and use friendly nicknames for cities whenever possible.",
    tools: functionTools
  });
console.log(`Created agent, agent ID: ${agent.id}`);

Thread erstellen

Für jede Sitzung oder Unterhaltung ist ein Thread erforderlich. Hier ist ein Beispiel:

const thread = await client.agents.createThread();

Thread mit Toolressource erstellen

In einigen Szenarien müssen Sie möglicherweise einzelnen Threads bestimmte Ressourcen zuweisen. Um dies zu erreichen, stellen Sie das toolResources Argument für createThreadbereit. Im folgenden Beispiel erstellen Sie einen Vektorspeicher und laden eine Datei hoch, aktivieren einen Agent für die Dateisuche mithilfe des arguments tools, und ordnen Sie die Datei dann dem Thread mithilfe des Arguments toolResources zu.

const localFileStream = fs.createReadStream("sample_file_for_upload.txt");
const file = await client.agents.uploadFile(localFileStream, "assistants", {
  fileName: "sample_file_for_upload.txt",
});
console.log(`Uploaded file, ID: ${file.id}`);

const vectorStore = await client.agents.createVectorStore({
  fileIds: [file.id],
  name: "my_vector_store",
});
console.log(`Created vector store, ID: ${vectorStore.id}`);

const fileSearchTool = ToolUtility.createFileSearchTool([vectorStore.id]);

const agent = await client.agents.createAgent("gpt-4o", {
  name: "SDK Test Agent - Retrieval",
  instructions: "You are helpful agent that can help fetch data from files you know about.",
  tools: [fileSearchTool.definition],
});
console.log(`Created agent, agent ID : ${agent.id}`);

// Create thread with file resources.
// If the agent has multiple threads, only this thread can search this file.
const thread = await client.agents.createThread({ toolResources: fileSearchTool.resources });

Nachricht erstellen

Um eine Nachricht zu erstellen, die der Assistent verarbeiten soll, übergeben Sie user als role und eine Frage als content:

const message = await client.agents.createMessage(thread.id, {
  role: "user",
  content: "hello, world!",
});

Nachricht mit Dateisuchanlage erstellen

Wenn Sie eine Datei an eine Nachricht für die Inhaltssuche anfügen möchten, verwenden Sie ToolUtility.createFileSearchTool() und das argument attachments:

const fileSearchTool = ToolUtility.createFileSearchTool();
const message = await client.agents.createMessage(thread.id, {
  role: "user",
  content: "What feature does Smart Eyewear offer?",
  attachments: {
    fileId: file.id,
    tools: [fileSearchTool.definition],
  },
});

Nachricht mit Codedolmetscheranlage erstellen

Wenn Sie eine Datei an eine Nachricht für die Datenanalyse anfügen möchten, verwenden Sie ToolUtility.createCodeInterpreterTool() und das argument attachment.

Hier ist ein Beispiel:

// notice that CodeInterpreter must be enabled in the agent creation,
// otherwise the agent will not be able to see the file attachment for code interpretation
const codeInterpreterTool = ToolUtility.createCodeInterpreterTool();
const agent = await client.agents.createAgent("gpt-4-1106-preview", {
  name: "my-assistant",
  instructions: "You are helpful assistant",
  tools: [codeInterpreterTool.definition],
});
console.log(`Created agent, agent ID: ${agent.id}`);

const thread = client.agents.createThread();
console.log(`Created thread, thread ID: ${thread.id}`);

const message = await client.agents.createMessage(thread.id, {
  role: "user",
  content:
    "Could you please create bar chart in TRANSPORTATION sector for the operating profit from the uploaded csv file and provide file to me?",
  attachments: {
    fileId: file.id,
    tools: [codeInterpreterTool.definition],
  },
});
console.log(`Created message, message ID: ${message.id}`);

Erstellen von "Ausführen", "Run_and_Process" oder "Stream"

Nachfolgend sehen Sie ein Beispiel für createRun und Abfragen, bis die Ausführung abgeschlossen ist:

let run = await client.agents.createRun(thread.id, agent.id);

// Poll the run as long as run status is queued or in progress
while (
  run.status === "queued" ||
  run.status === "in_progress" ||
  run.status === "requires_action"
) {
  // Wait for a second
  await new Promise((resolve) => setTimeout(resolve, 1000));
  run = await client.agents.getRun(thread.id, run.id);
}

Verwenden Sie die createThreadAndRun-Methode, um die SDK-Umfrage in Ihrem Auftrag zu erhalten.

Hier ist ein Beispiel:

const run = await client.agents.createThreadAndRun(thread.id, agent.id);

Bei Streaming müssen Umfragen auch nicht berücksichtigt werden.

Hier ist ein Beispiel:

const streamEventMessages = await client.agents.createRun(thread.id, agent.id).stream();

Die Ereignisbehandlung kann wie folgt erfolgen:

for await (const eventMessage of streamEventMessages) {
switch (eventMessage.event) {
  case RunStreamEvent.ThreadRunCreated:
    console.log(`ThreadRun status: ${(eventMessage.data as ThreadRunOutput).status}`)
    break;
  case MessageStreamEvent.ThreadMessageDelta:
    {
      const messageDelta = eventMessage.data as MessageDeltaChunk;
      messageDelta.delta.content.forEach((contentPart) => {
        if (contentPart.type === "text") {
          const textContent = contentPart as MessageDeltaTextContent
          const textValue = textContent.text?.value || "No text"
          console.log(`Text delta received:: ${textValue}`)
        }
      });
    }
    break;

  case RunStreamEvent.ThreadRunCompleted:
    console.log("Thread Run Completed");
    break;
  case ErrorEvent.Error:
    console.log(`An error occurred. Data ${eventMessage.data}`);
    break;
  case DoneEvent.Done:
    console.log("Stream completed.");
    break;
  }
}

Nachricht abrufen

Verwenden Sie das folgende Beispiel, um Nachrichten von Agents abzurufen:

const messages = await client.agents.listMessages(thread.id);

// The messages are following in the reverse order,
// we will iterate them and output only text contents.
for (const dataPoint of messages.data.reverse()) {
    const lastMessageContent: MessageContentOutput = dataPoint.content[dataPoint.content.length - 1];
    console.log( lastMessageContent);
    if (isOutputOfType<MessageTextContentOutput>(lastMessageContent, "text")) {
      console.log(`${dataPoint.role}: ${(lastMessageContent as MessageTextContentOutput).text.value}`);
    }
  }

Datei abrufen

Von Agents hochgeladene Dateien können nicht zurückgefragt werden. Wenn Ihr Anwendungsfall auf den von den Agents hochgeladenen Dateiinhalt zugreifen muss, wird empfohlen, eine zusätzliche Kopie von Ihrer Anwendung zugänglich zu halten. Von Agents generierte Dateien können jedoch von getFileContentabgerufen werden.

Hier ist ein Beispiel zum Abrufen von Datei-IDs aus Nachrichten:

const messages = await client.agents.listMessages(thread.id);
const imageFile = (messages.data[0].content[0] as MessageImageFileContentOutput).imageFile;
const imageFileName = (await client.agents.getFile(imageFile.fileId)).filename;

const fileContent = await (await client.agents.getFileContent(imageFile.fileId).asNodeStream()).body;
if (fileContent) {
  const chunks: Buffer[] = [];
  for await (const chunk of fileContent) {
    chunks.push(Buffer.from(chunk));
  }
  const buffer = Buffer.concat(chunks);
  fs.writeFileSync(imageFileName, buffer);
} else {
  console.error("Failed to retrieve file content: fileContent is undefined");
}
console.log(`Saved image file to: ${imageFileName}`);

Teardown

Verwenden Sie die folgenden Funktionen, um Ressourcen nach Abschluss von Vorgängen zu entfernen:

await client.agents.deleteVectorStore(vectorStore.id);
console.log(`Deleted vector store, vector store ID: ${vectorStore.id}`);

await client.agents.deleteFile(file.id);
console.log(`Deleted file, file ID: ${file.id}`);

client.agents.deleteAgent(agent.id);
console.log(`Deleted agent, agent ID: ${agent.id}`);

Pause

Sie können ihrem Azure AI Foundry-Projekt eine Azure-Ressource "Application Insights" hinzufügen. Sehen Sie sich die Registerkarte "Ablaufverfolgung" in Ihrem Studio an. Wenn eine aktiviert wurde, können Sie die Verbindungszeichenfolge für Application Insights abrufen, Ihre Agents konfigurieren und den vollständigen Ausführungspfad über Azure Monitor beobachten. In der Regel sollten Sie die Ablaufverfolgung starten, bevor Sie einen Agent erstellen.

Installation

Stellen Sie sicher, dass Sie OpenTelemetry und das Azure SDK-Ablaufverfolgungs-Plug-In über

npm install @opentelemetry/api \
  @opentelemetry/instrumentation \
  @opentelemetry/sdk-trace-node \
  @azure/opentelemetry-instrumentation-azure-sdk \
  @azure/monitor-opentelemetry-exporter

Außerdem benötigen Sie einen Exporter, um Telemetrie an Ihr Observability-Back-End zu senden. Sie können Ablaufverfolgungen in der Konsole drucken oder einen lokalen Viewer wie Aspire Dashboardverwenden.

Um eine Verbindung mit dem Aspire Dashboard oder einem anderen mit OpenTelemetry kompatiblen Back-End herzustellen, installieren Sie OTLP-Exporter:

npm install @opentelemetry/exporter-trace-otlp-proto \
  @opentelemetry/exporter-metrics-otlp-proto

Ablaufverfolgungsbeispiel

Hier ist ein Codebeispiel, das oben createAgenteingeschlossen werden soll:

import { trace } from "@opentelemetry/api";
import { AzureMonitorTraceExporter } from "@azure/monitor-opentelemetry-exporter"
import {
    ConsoleSpanExporter,
    NodeTracerProvider,
    SimpleSpanProcessor,
} from "@opentelemetry/sdk-trace-node";

const provider = new NodeTracerProvider();
provider.addSpanProcessor(new SimpleSpanProcessor(new ConsoleSpanExporter()));
provider.register();

const tracer = trace.getTracer("Agents Sample", "1.0.0");

const client = AIProjectsClient.fromConnectionString(
  connectionString || "", new DefaultAzureCredential()
);

if (!appInsightsConnectionString) {
  appInsightsConnectionString = await client.telemetry.getConnectionString();
}

if (appInsightsConnectionString) {
  const exporter = new AzureMonitorTraceExporter({
    connectionString: appInsightsConnectionString
  });
  provider.addSpanProcessor(new SimpleSpanProcessor(exporter));
}

await tracer.startActiveSpan("main", async (span) => {
    client.telemetry.updateSettings({enableContentRecording: true})
// ...

Fehlerbehebung

Ausnahmen

Clientmethoden, die Dienstaufrufe ausführen, lösen eine RestError- für eine nicht erfolgreiche HTTP-Statuscodeantwort des Diensts aus. Die code der Ausnahme enthält den HTTP-Antwortstatuscode. Die error.message der Ausnahme enthält eine detaillierte Meldung, die bei der Diagnose des Problems hilfreich sein kann:

import { RestError } from "@azure/core-rest-pipeline"

// ...

try {
  const result = await client.connections.listConnections();
} catch (e as RestError) {
  console.log(`Status code: ${e.code}`);
  console.log(e.message);
}

Wenn Sie beispielsweise falsche Anmeldeinformationen angeben:

Status code: 401 (Unauthorized)
Operation returned an invalid status 'Unauthorized'

Melden von Problemen

Um Probleme mit der Clientbibliothek zu melden oder zusätzliche Features anzufordern, öffnen Sie bitte ein GitHub-Problem hier

Beitragend

Dieses Projekt begrüßt Beiträge und Vorschläge. Die meisten Beiträge erfordern, dass Sie einem Mitwirkenden-Lizenzvertrag (CLA) zustimmen, der erklärt, dass Sie das Recht haben, uns tatsächlich die Rechte zur Nutzung Ihres Beitrags zu gewähren. Weitere Informationen finden Sie unter https://cla.microsoft.com.

Wenn Sie eine Pullanfrage einreichen, bestimmt ein CLA-Bot automatisch, ob Sie eine CLA bereitstellen und die PR entsprechend dekorieren müssen (z. B. Bezeichnung, Kommentar). Folgen Sie einfach den Anweisungen des Bots. Sie müssen dies nur einmal über alle Reposs hinweg tun, indem Sie unsereN CLA verwenden.

Dieses Projekt hat den Microsoft Open Source Code of Conductübernommen. Weitere Informationen finden Sie im Code of Conduct FAQ oder wenden Sie sich an opencode@microsoft.com mit weiteren Fragen oder Kommentaren.

Freigeben über

Azure AI Projects-Clientbibliothek für JavaScript – Version 1.0.0-beta.2

Inhaltsverzeichnis

Erste Schritte

Voraussetzung

Installieren des Pakets

Schlüsselkonzepte

Erstellen und Authentifizieren des Clients

Beispiele

Aufzählen von Verbindungen

Abrufen von Eigenschaften aller Verbindungen

Abrufen von Eigenschaften aller Verbindungen eines bestimmten Typs

Abrufen von Eigenschaften einer Verbindung anhand des Verbindungsnamens

Agents (Vorschau)

Agent erstellen

Agent mit Dateisuche erstellen

Agent mit Codedolmetscher erstellen

Agent mit Bing Grounding erstellen

Agent mit Azure AI Search erstellen

Agent mit Funktionsaufruf erstellen

Thread erstellen

Thread mit Toolressource erstellen

Nachricht erstellen

Nachricht mit Dateisuchanlage erstellen

Nachricht mit Codedolmetscheranlage erstellen

Erstellen von "Ausführen", "Run_and_Process" oder "Stream"

Nachricht abrufen

Datei abrufen

Teardown

Pause

Installation

Ablaufverfolgungsbeispiel

Fehlerbehebung

Ausnahmen

Melden von Problemen

Beitragend

Zusätzliche Ressourcen