Guia de início rápido: criar um novo agente (visualização)
O Azure AI Agent Service permite que você crie agentes de IA adaptados às suas necessidades por meio de instruções personalizadas e aumentadas por ferramentas avançadas, como interpretador de código e funções personalizadas.
Pré-requisitos
- Uma assinatura do Azure - Crie uma gratuitamente.
- Verifique se você tem a função RBAC do Desenvolvedor de IAdo Azure atribuída.
Suporte básico à configuração do agente
Antes de começar, determine se você deseja executar uma configuração básica do agente ou uma configuração padrão do agente. O Azure AI Foundry suporta apenas a configuração básica do agente.
Configuração básica: os agentes usam recursos de pesquisa e armazenamento multilocatários totalmente gerenciados pela Microsoft. Você não tem visibilidade ou controle sobre esses recursos subjacentes do Azure. Uma configuração básica pode ser criada usando o portal do Azure AI Foundry ou um modelo de bíceps automatizado.
Configuração padrão: os agentes usam recursos de pesquisa e armazenamento de propriedade do cliente e de locatário único. Com essa configuração, você tem controle total e visibilidade sobre esses recursos, mas incorre em custos com base no seu uso. A configuração padrão só pode ser realizada usando um modelo de bíceps automatizado.
Importante
O portal do Azure AI Foundry oferece suporte apenas à configuração básica no momento. Se você quiser executar uma configuração de agente padrão, use as outras guias na parte superior do artigo para saber mais sobre a configuração do agente padrão.
Criar um hub e um projeto no portal do Azure AI Foundry
Para criar um novo hub e projeto, você precisa da função Proprietário ou Colaborador no grupo de recursos ou em um hub existente. Se você não conseguir criar um hub devido a permissões, entre em contato com o administrador.
Para criar um projeto no Azure AI Foundry, siga estas etapas:
Vá para Azure AI Foundry. Se você estiver em um projeto, selecione Azure AI Foundry no canto superior esquerdo da página para ir para a página inicial.
Selecione + Criar projeto.
Introduza um nome para o projeto.
Se você tiver um hub, verá o que você usou mais recentemente selecionado.
Se você tiver acesso a mais de um hub, poderá selecionar um hub diferente na lista suspensa.
Se quiser criar um novo, selecione Criar novo hub e forneça um nome. Se quiser personalizar os valores padrão, consulte a documentação do Azure AI Foundry.
Selecione Criar.
Implementar um modelo
Entre no Azure AI Foundry.
Vá para o seu projeto ou crie um novo projeto no portal do Azure AI Foundry.
Na visão geral do projeto, selecione Agentes, localizado em Criar e personalizar.
Selecione seu recurso do Azure OpenAI.
Selecione um modelo de implantação para o Agente usar. Se você não tiver um, uma tela para implantar um novo modelo será aberta. Caso contrário, você pode selecionar Implantar um modelo.
Use o playground do agente
O playground de agentes permite explorar, prototipar e testar agentes sem a necessidade de executar nenhum código. A partir desta página, você pode iterar e experimentar novas ideias rapidamente.
Na tela Criar e depurar seus agentes, selecione seu agente ou crie um novo com Novo agente. O painel Configuração à direita é onde você pode alterar seus parâmetros e ferramentas.
Opcionalmente, você pode dar ao seu agente um nome diferente daquele gerado para ele e adicionar instruções para ajudar a melhorar seu desempenho. Dê ao seu agente instruções claras sobre o que fazer e como fazê-lo. Inclua tarefas específicas, sua ordem e quaisquer instruções especiais, como tom ou estilo de engajamento.
Gorjeta
Seu agente pode acessar várias ferramentas, como interpretador de código, que estendem seus recursos, como a capacidade de pesquisar na Web com o Bing, executar código e muito mais. No painel Configuração, role para baixo até conhecimento e ação e selecione Adicionar para ver as ferramentas disponíveis para uso.
Consulte também
Confira os modelos que você pode usar com agentes.
| Documentação | de referência Exemplos | Biblioteca código-fonte | Pacote (NuGet) |
Pré-requisitos
- Uma assinatura do Azure - Crie uma gratuitamente.
- A última versão do .NET
- Verifique se você tem a função RBAC do Desenvolvedor de IAdo Azure atribuída no nível apropriado.
- Instale a CLI do Azure e a extensão de aprendizado de máquina. Se você já tiver a CLI instalada, verifique se ela está atualizada para a versão mais recente.
Configurar seu projeto do Hub e Agente do Azure AI
A seção a seguir mostra como configurar os recursos necessários para começar a usar o Azure AI Agent Service:
Criar um Hub de IA do Azure para configurar o ambiente do aplicativo e os recursos do Azure.
Criar um projeto de IA do Azure em seu Hub cria um ponto de extremidade para seu aplicativo chamar e configura serviços de aplicativo para acessar recursos em seu locatário.
Conectando um recurso do Azure OpenAI ou um recurso dos Serviços de IA do Azure
Escolha Configuração Básica ou Padrão do Agente
Configuração básica: os agentes usam recursos de pesquisa e armazenamento multilocatários totalmente gerenciados pela Microsoft. Você não tem visibilidade ou controle sobre esses recursos subjacentes do Azure.
Configuração padrão: os agentes usam recursos de pesquisa e armazenamento de propriedade do cliente e de locatário único. Com essa configuração, você tem controle total e visibilidade sobre esses recursos, mas incorre em custos com base no seu uso.
Nota
Você pode usar os seguintes modelos de bíceps automatizados para executar um agente padrão ou básico. Você também pode criar um agente básico usando o portal do Azure AI Foundry. Atualmente, o Azure AI Foundry não oferece suporte à configuração padrão do agente.
[Opcional] Seleção de modelo no modelo de implantação automática
Você pode personalizar o modelo usado pelo agente editando os parâmetros do modelo no modelo de implantação automática. Para implantar um modelo diferente, você precisa atualizar pelo menos os modelName
parâmetros e modelVersion
.
Por padrão, o modelo de implantação é configurado com os seguintes valores:
Parâmetro do modelo | Valor Predefinido |
---|---|
nome_modelo | GPT-4O-Mini |
modelFormat | OpenAI (para Azure OpenAI) |
modelVersion | 2024-07-18 |
modelSkuName | GlobalStandard |
modeloLocalização | eastus |
Importante
Não altere o parâmetro modelFormat.
Os modelos suportam apenas a implementação de modelos OpenAI do Azure. Veja quais modelos do Azure OpenAI são suportados na documentação de suporte do modelo do Azure AI Agent Service.
[Opcional] Use seus próprios recursos durante a configuração do agente
Nota
Se você usar um recurso existente dos Serviços de IA ou do Azure OpenAI, nenhum modelo será implantado. Você pode implantar um modelo no recurso após a conclusão da configuração do agente.
Use um recurso existente de Serviços de IA, Azure OpenAI, Pesquisa de IA e/ou Armazenamento de Blob do Azure fornecendo a ID de recurso de braço completo no arquivo de parâmetros:
aiServiceAccountResourceId
aiSearchServiceResourceId
aiStorageAccountResourceId
Se você quiser usar um recurso existente do Azure OpenAI, precisará atualizar os aiServiceAccountResourceId
parâmetros e aiServiceKind
no arquivo de parâmetros. O aiServiceKind
parâmetro deve ser definido como AzureOpenAI
.
Para obter mais informações, consulte como usar seus próprios recursos.
Configurar e executar um agente
Componente | Description |
---|---|
Agente | IA personalizada que usa modelos de IA em conjunto com ferramentas. |
Ferramenta | As ferramentas ajudam a ampliar a capacidade de um agente de responder de forma confiável e precisa durante a conversa. Como conectar-se a bases de conhecimento definidas pelo usuário para fundamentar o modelo ou permitir que a pesquisa na Web forneça informações atuais. |
Tópico | Uma sessão de conversa entre um agente e um usuário. Os threads armazenam mensagens e manipulam automaticamente o truncamento para ajustar o conteúdo ao contexto de um modelo. |
Mensagem | Uma mensagem criada por um agente ou um usuário. As mensagens podem incluir texto, imagens e outros ficheiros. As mensagens são armazenadas como uma lista no Thread. |
Executar | Ativação de um agente para começar a ser executado com base no conteúdo do Thread. O agente usa sua configuração e as Mensagens do Thread para executar tarefas chamando modelos e ferramentas. Como parte de uma execução, o agente acrescenta mensagens ao thread. |
Etapa de execução | Uma lista detalhada das etapas que o agente tomou como parte de uma Execução. Um agente pode chamar ferramentas ou criar mensagens durante sua execução. Examinar as etapas de execução permite entender como o agente está chegando aos resultados. |
Instale o pacote .NET em seu projeto. Por exemplo, se você estiver usando a CLI do .NET, execute o seguinte comando.
dotnet add package Azure.AI.Projects
dotnet add package Azure.Identity
Em seguida, para autenticar suas solicitações de API e executar o programa, use o comando az login para entrar em sua assinatura do Azure.
az login
Use o código a seguir para criar e executar um agente. Para executar esse código, você precisará criar uma cadeia de conexão usando informações do seu projeto. Esta cadeia de caracteres está no formato:
<HostName>;<AzureSubscriptionId>;<ResourceGroup>;<ProjectName>
Gorjeta
Você também pode encontrar sua cadeia de conexão na visão geral do seu projeto no portal do Azure AI Foundry, em Detalhes>do projeto Cadeia de conexão do projeto.
HostName
pode ser encontrado navegando até o seu discovery_url
e removendo a liderança https://
e a fuga./discovery
Para localizar o , discovery_url
execute este comando da CLI:
az ml workspace show -n {project_name} --resource-group {resource_group_name} --query discovery_url
Por exemplo, sua cadeia de conexão pode ter a seguinte aparência:
eastus.api.azureml.ms;12345678-abcd-1234-9fc6-62780b3d3e05;my-resource-group;my-project-name
Defina essa cadeia de conexão como uma variável de ambiente chamada PROJECT_CONNECTION_STRING
.
// Copyright (c) Microsoft Corporation. All rights reserved.
// Licensed under the MIT License.
#nullable disable
using Azure.Identity;
namespace Azure.AI.Projects.Tests;
public class Sample_Agent
{
static async Task Main()
{
var connectionString = Environment.GetEnvironmentVariable("PROJECT_CONNECTION_STRING");
AgentsClient client = new AgentsClient(connectionString, new DefaultAzureCredential());
// Step 1: Create an agent
Response<Agent> agentResponse = await client.CreateAgentAsync(
model: "gpt-4o-mini",
name: "My Agent",
instructions: "You are a helpful agent.",
tools: new List<ToolDefinition> { new CodeInterpreterToolDefinition() });
Agent agent = agentResponse.Value;
// Intermission: agent should now be listed
Response<PageableList<Agent>> agentListResponse = await client.GetAgentsAsync();
//// Step 2: Create a thread
Response<AgentThread> threadResponse = await client.CreateThreadAsync();
AgentThread thread = threadResponse.Value;
// Step 3: Add a message to a thread
Response<ThreadMessage> messageResponse = await client.CreateMessageAsync(
thread.Id,
MessageRole.User,
"I need to solve the equation `3x + 11 = 14`. Can you help me?");
ThreadMessage message = messageResponse.Value;
// Intermission: message is now correlated with thread
// Intermission: listing messages will retrieve the message just added
Response<PageableList<ThreadMessage>> messagesListResponse = await client.GetMessagesAsync(thread.Id);
//Assert.That(messagesListResponse.Value.Data[0].Id == message.Id);
// Step 4: Run the agent
Response<ThreadRun> runResponse = await client.CreateRunAsync(
thread.Id,
agent.Id,
additionalInstructions: "");
ThreadRun run = runResponse.Value;
do
{
await Task.Delay(TimeSpan.FromMilliseconds(500));
runResponse = await client.GetRunAsync(thread.Id, runResponse.Value.Id);
}
while (runResponse.Value.Status == RunStatus.Queued
|| runResponse.Value.Status == RunStatus.InProgress);
Response<PageableList<ThreadMessage>> afterRunMessagesResponse
= await client.GetMessagesAsync(thread.Id);
IReadOnlyList<ThreadMessage> messages = afterRunMessagesResponse.Value.Data;
// Note: messages iterate from newest to oldest, with the messages[0] being the most recent
foreach (ThreadMessage threadMessage in messages)
{
Console.Write($"{threadMessage.CreatedAt:yyyy-MM-dd HH:mm:ss} - {threadMessage.Role,10}: ");
foreach (MessageContent contentItem in threadMessage.ContentItems)
{
if (contentItem is MessageTextContent textItem)
{
Console.Write(textItem.Text);
}
else if (contentItem is MessageImageFileContent imageFileItem)
{
Console.Write($"<image from ID: {imageFileItem.FileId}");
}
Console.WriteLine();
}
}
}
}
| Documentação | de referência Exemplos | Biblioteca código | fonte Pacote (PyPi) |
Pré-requisitos
- Uma assinatura do Azure - Crie uma gratuitamente.
- Python 3.8 ou posterior
- Verifique se você tem a função RBAC do Desenvolvedor de IAdo Azure atribuída no nível apropriado.
- Instale a CLI do Azure e a extensão de aprendizado de máquina. Se você já tiver a CLI instalada, verifique se ela está atualizada para a versão mais recente.
Configurar seu projeto do Hub e Agente do Azure AI
A seção a seguir mostra como configurar os recursos necessários para começar a usar o Azure AI Agent Service:
Criar um Hub de IA do Azure para configurar o ambiente do aplicativo e os recursos do Azure.
Criar um projeto de IA do Azure em seu Hub cria um ponto de extremidade para seu aplicativo chamar e configura serviços de aplicativo para acessar recursos em seu locatário.
Conectando um recurso do Azure OpenAI ou um recurso dos Serviços de IA do Azure
Escolha Configuração Básica ou Padrão do Agente
Configuração básica: os agentes usam recursos de pesquisa e armazenamento multilocatários totalmente gerenciados pela Microsoft. Você não tem visibilidade ou controle sobre esses recursos subjacentes do Azure.
Configuração padrão: os agentes usam recursos de pesquisa e armazenamento de propriedade do cliente e de locatário único. Com essa configuração, você tem controle total e visibilidade sobre esses recursos, mas incorre em custos com base no seu uso.
Nota
Você pode usar os seguintes modelos de bíceps automatizados para executar um agente padrão ou básico. Você também pode criar um agente básico usando o portal do Azure AI Foundry. Atualmente, o Azure AI Foundry não oferece suporte à configuração padrão do agente.
[Opcional] Seleção de modelo no modelo de implantação automática
Você pode personalizar o modelo usado pelo agente editando os parâmetros do modelo no modelo de implantação automática. Para implantar um modelo diferente, você precisa atualizar pelo menos os modelName
parâmetros e modelVersion
.
Por padrão, o modelo de implantação é configurado com os seguintes valores:
Parâmetro do modelo | Valor Predefinido |
---|---|
nome_modelo | GPT-4O-Mini |
modelFormat | OpenAI (para Azure OpenAI) |
modelVersion | 2024-07-18 |
modelSkuName | GlobalStandard |
modeloLocalização | eastus |
Importante
Não altere o parâmetro modelFormat.
Os modelos suportam apenas a implementação de modelos OpenAI do Azure. Veja quais modelos do Azure OpenAI são suportados na documentação de suporte do modelo do Azure AI Agent Service.
[Opcional] Use seus próprios recursos durante a configuração do agente
Nota
Se você usar um recurso existente dos Serviços de IA ou do Azure OpenAI, nenhum modelo será implantado. Você pode implantar um modelo no recurso após a conclusão da configuração do agente.
Use um recurso existente de Serviços de IA, Azure OpenAI, Pesquisa de IA e/ou Armazenamento de Blob do Azure fornecendo a ID de recurso de braço completo no arquivo de parâmetros:
aiServiceAccountResourceId
aiSearchServiceResourceId
aiStorageAccountResourceId
Se você quiser usar um recurso existente do Azure OpenAI, precisará atualizar os aiServiceAccountResourceId
parâmetros e aiServiceKind
no arquivo de parâmetros. O aiServiceKind
parâmetro deve ser definido como AzureOpenAI
.
Para obter mais informações, consulte como usar seus próprios recursos.
Configurar e executar um agente
Componente | Description |
---|---|
Agente | IA personalizada que usa modelos de IA em conjunto com ferramentas. |
Ferramenta | As ferramentas ajudam a ampliar a capacidade de um agente de responder de forma confiável e precisa durante a conversa. Como conectar-se a bases de conhecimento definidas pelo usuário para fundamentar o modelo ou permitir que a pesquisa na Web forneça informações atuais. |
Tópico | Uma sessão de conversa entre um agente e um usuário. Os threads armazenam mensagens e manipulam automaticamente o truncamento para ajustar o conteúdo ao contexto de um modelo. |
Mensagem | Uma mensagem criada por um agente ou um usuário. As mensagens podem incluir texto, imagens e outros ficheiros. As mensagens são armazenadas como uma lista no Thread. |
Executar | Ativação de um agente para começar a ser executado com base no conteúdo do Thread. O agente usa sua configuração e as Mensagens do Thread para executar tarefas chamando modelos e ferramentas. Como parte de uma execução, o agente acrescenta mensagens ao thread. |
Etapa de execução | Uma lista detalhada das etapas que o agente tomou como parte de uma Execução. Um agente pode chamar ferramentas ou criar mensagens durante sua execução. Examinar as etapas de execução permite entender como o agente está chegando aos resultados. |
Execute os seguintes comandos para instalar os pacotes python.
pip install azure-ai-projects
pip install azure-identity
Em seguida, para autenticar suas solicitações de API e executar o programa, use o comando az login para entrar em sua assinatura do Azure.
az login
Use o código a seguir para criar e executar um agente. Para executar esse código, você precisará criar uma cadeia de conexão usando informações do seu projeto. Esta cadeia de caracteres está no formato:
<HostName>;<AzureSubscriptionId>;<ResourceGroup>;<ProjectName>
Gorjeta
Você também pode encontrar sua cadeia de conexão na visão geral do seu projeto no portal do Azure AI Foundry, em Detalhes>do projeto Cadeia de conexão do projeto.
HostName
pode ser encontrado navegando até o seu discovery_url
e removendo a liderança https://
e a fuga./discovery
Para localizar o , discovery_url
execute este comando da CLI:
az ml workspace show -n {project_name} --resource-group {resource_group_name} --query discovery_url
Por exemplo, sua cadeia de conexão pode ter a seguinte aparência:
eastus.api.azureml.ms;12345678-abcd-1234-9fc6-62780b3d3e05;my-resource-group;my-project-name
Defina essa cadeia de conexão como uma variável de ambiente chamada PROJECT_CONNECTION_STRING
.
import os
from azure.ai.projects import AIProjectClient
from azure.ai.projects.models import CodeInterpreterTool
from azure.identity import DefaultAzureCredential
from typing import Any
from pathlib import Path
# Create an Azure AI Client from a connection string, copied from your Azure AI Foundry project.
# At the moment, it should be in the format "<HostName>;<AzureSubscriptionId>;<ResourceGroup>;<ProjectName>"
# HostName can be found by navigating to your discovery_url and removing the leading "https://" and trailing "/discovery"
# To find your discovery_url, run the CLI command: az ml workspace show -n {project_name} --resource-group {resource_group_name} --query discovery_url
# Project Connection example: eastus.api.azureml.ms;12345678-abcd-1234-9fc6-62780b3d3e05;my-resource-group;my-project-name
# Customer needs to login to Azure subscription via Azure CLI and set the environment variables
project_client = AIProjectClient.from_connection_string(
credential=DefaultAzureCredential(), conn_str=os.environ["PROJECT_CONNECTION_STRING"]
)
with project_client:
# Create an instance of the CodeInterpreterTool
code_interpreter = CodeInterpreterTool()
# The CodeInterpreterTool needs to be included in creation of the agent
agent = project_client.agents.create_agent(
model="gpt-4o-mini",
name="my-agent",
instructions="You are helpful agent",
tools=code_interpreter.definitions,
tool_resources=code_interpreter.resources,
)
print(f"Created agent, agent ID: {agent.id}")
# Create a thread
thread = project_client.agents.create_thread()
print(f"Created thread, thread ID: {thread.id}")
# Create a message
message = project_client.agents.create_message(
thread_id=thread.id,
role="user",
content="Could you please create a bar chart for the operating profit using the following data and provide the file to me? Company A: $1.2 million, Company B: $2.5 million, Company C: $3.0 million, Company D: $1.8 million",
)
print(f"Created message, message ID: {message.id}")
# Run the agent
run = project_client.agents.create_and_process_run(thread_id=thread.id, assistant_id=agent.id)
print(f"Run finished with status: {run.status}")
if run.status == "failed":
# Check if you got "Rate limit is exceeded.", then you want to get more quota
print(f"Run failed: {run.last_error}")
# Get messages from the thread
messages = project_client.agents.list_messages(thread_id=thread.id)
print(f"Messages: {messages}")
# Get the last message from the sender
last_msg = messages.get_last_text_message_by_role("assistant")
if last_msg:
print(f"Last Message: {last_msg.text.value}")
# Generate an image file for the bar chart
for image_content in messages.image_contents:
print(f"Image File ID: {image_content.image_file.file_id}")
file_name = f"{image_content.image_file.file_id}_image_file.png"
project_client.agents.save_file(file_id=image_content.image_file.file_id, file_name=file_name)
print(f"Saved image file to: {Path.cwd() / file_name}")
# Print the file path(s) from the messages
for file_path_annotation in messages.file_path_annotations:
print(f"File Paths:")
print(f"Type: {file_path_annotation.type}")
print(f"Text: {file_path_annotation.text}")
print(f"File ID: {file_path_annotation.file_path.file_id}")
print(f"Start Index: {file_path_annotation.start_index}")
print(f"End Index: {file_path_annotation.end_index}")
project_client.agents.save_file(file_id=file_path_annotation.file_path.file_id, file_name=Path(file_path_annotation.text).name)
# Delete the agent once done
project_client.agents.delete_agent(agent.id)
print("Deleted agent")
| Documentação | de referência Pacote de código-fonte | da biblioteca (PyPi) |
Pré-requisitos
- Uma assinatura do Azure - Crie uma gratuitamente.
- Python 3.8 ou posterior
- Verifique se você tem a função RBAC do Desenvolvedor de IAdo Azure atribuída no nível apropriado.
- Você precisa da função Usuário OpenAI dos Serviços Cognitivos atribuída para usar o recurso Serviços de IA do Azure.
- Instale a CLI do Azure e a extensão de aprendizado de máquina. Se você já tiver a CLI instalada, verifique se ela está atualizada para a versão mais recente.
Configurar seu projeto do Hub e Agente do Azure AI
A seção a seguir mostra como configurar os recursos necessários para começar a usar o Azure AI Agent Service:
Criar um Hub de IA do Azure para configurar o ambiente do aplicativo e os recursos do Azure.
Criar um projeto de IA do Azure em seu Hub cria um ponto de extremidade para seu aplicativo chamar e configura serviços de aplicativo para acessar recursos em seu locatário.
Conectando um recurso do Azure OpenAI ou um recurso dos Serviços de IA do Azure
Escolha Configuração Básica ou Padrão do Agente
Configuração básica: os agentes usam recursos de pesquisa e armazenamento multilocatários totalmente gerenciados pela Microsoft. Você não tem visibilidade ou controle sobre esses recursos subjacentes do Azure.
Configuração padrão: os agentes usam recursos de pesquisa e armazenamento de propriedade do cliente e de locatário único. Com essa configuração, você tem controle total e visibilidade sobre esses recursos, mas incorre em custos com base no seu uso.
Nota
Você pode usar os seguintes modelos de bíceps automatizados para executar um agente padrão ou básico. Você também pode criar um agente básico usando o portal do Azure AI Foundry. Atualmente, o Azure AI Foundry não oferece suporte à configuração padrão do agente.
[Opcional] Seleção de modelo no modelo de implantação automática
Você pode personalizar o modelo usado pelo agente editando os parâmetros do modelo no modelo de implantação automática. Para implantar um modelo diferente, você precisa atualizar pelo menos os modelName
parâmetros e modelVersion
.
Por padrão, o modelo de implantação é configurado com os seguintes valores:
Parâmetro do modelo | Valor Predefinido |
---|---|
nome_modelo | GPT-4O-Mini |
modelFormat | OpenAI (para Azure OpenAI) |
modelVersion | 2024-07-18 |
modelSkuName | GlobalStandard |
modeloLocalização | eastus |
Importante
Não altere o parâmetro modelFormat.
Os modelos suportam apenas a implementação de modelos OpenAI do Azure. Veja quais modelos do Azure OpenAI são suportados na documentação de suporte do modelo do Azure AI Agent Service.
[Opcional] Use seus próprios recursos durante a configuração do agente
Nota
Se você usar um recurso existente dos Serviços de IA ou do Azure OpenAI, nenhum modelo será implantado. Você pode implantar um modelo no recurso após a conclusão da configuração do agente.
Use um recurso existente de Serviços de IA, Azure OpenAI, Pesquisa de IA e/ou Armazenamento de Blob do Azure fornecendo a ID de recurso de braço completo no arquivo de parâmetros:
aiServiceAccountResourceId
aiSearchServiceResourceId
aiStorageAccountResourceId
Se você quiser usar um recurso existente do Azure OpenAI, precisará atualizar os aiServiceAccountResourceId
parâmetros e aiServiceKind
no arquivo de parâmetros. O aiServiceKind
parâmetro deve ser definido como AzureOpenAI
.
Para obter mais informações, consulte como usar seus próprios recursos.
Configurar e executar um agente
Componente | Description |
---|---|
Agente | IA personalizada que usa modelos de IA em conjunto com ferramentas. |
Ferramenta | As ferramentas ajudam a ampliar a capacidade de um agente de responder de forma confiável e precisa durante a conversa. Como conectar-se a bases de conhecimento definidas pelo usuário para fundamentar o modelo ou permitir que a pesquisa na Web forneça informações atuais. |
Tópico | Uma sessão de conversa entre um agente e um usuário. Os threads armazenam mensagens e manipulam automaticamente o truncamento para ajustar o conteúdo ao contexto de um modelo. |
Mensagem | Uma mensagem criada por um agente ou um usuário. As mensagens podem incluir texto, imagens e outros ficheiros. As mensagens são armazenadas como uma lista no Thread. |
Executar | Ativação de um agente para começar a ser executado com base no conteúdo do Thread. O agente usa sua configuração e as Mensagens do Thread para executar tarefas chamando modelos e ferramentas. Como parte de uma execução, o agente acrescenta mensagens ao thread. |
Etapa de execução | Uma lista detalhada das etapas que o agente tomou como parte de uma Execução. Um agente pode chamar ferramentas ou criar mensagens durante sua execução. Examinar as etapas de execução permite entender como o agente está chegando aos resultados. |
Execute os seguintes comandos para instalar os pacotes python.
pip install azure-ai-projects
pip install azure-identity
pip install openai
Em seguida, para autenticar suas solicitações de API e executar o programa, use o comando az login para entrar em sua assinatura do Azure.
az login
Use o código a seguir para criar e executar um agente. Para executar esse código, você precisará criar uma cadeia de conexão usando informações do seu projeto. Esta cadeia de caracteres está no formato:
<HostName>;<AzureSubscriptionId>;<ResourceGroup>;<ProjectName>
Gorjeta
Você também pode encontrar sua cadeia de conexão na visão geral do seu projeto no portal do Azure AI Foundry, em Detalhes>do projeto Cadeia de conexão do projeto.
HostName
pode ser encontrado navegando até o seu discovery_url
e removendo a liderança https://
e a fuga./discovery
Para localizar o , discovery_url
execute este comando da CLI:
az ml workspace show -n {project_name} --resource-group {resource_group_name} --query discovery_url
Por exemplo, sua cadeia de conexão pode ter a seguinte aparência:
eastus.api.azureml.ms;12345678-abcd-1234-9fc6-62780b3d3e05;my-resource-group;my-project-name
Defina essa cadeia de conexão como uma variável de ambiente chamada PROJECT_CONNECTION_STRING
.
import os, time
from azure.ai.projects import AIProjectClient
from azure.identity import DefaultAzureCredential
from openai import AzureOpenAI
with AIProjectClient.from_connection_string(
credential=DefaultAzureCredential(),
conn_str=os.environ["PROJECT_CONNECTION_STRING"],
) as project_client:
# Explicit type hinting for IntelliSense
client: AzureOpenAI = project_client.inference.get_azure_openai_client(
# The latest API version is 2024-10-01-preview
api_version = os.environ.get("AZURE_OPENAI_API_VERSION"),
)
with client:
agent = client.beta.assistants.create(
model="gpt-4o-mini", name="my-agent", instructions="You are a helpful agent"
)
print(f"Created agent, agent ID: {agent.id}")
thread = client.beta.threads.create()
print(f"Created thread, thread ID: {thread.id}")
message = client.beta.threads.messages.create(thread_id=thread.id, role="user", content="Hello, tell me a joke")
print(f"Created message, message ID: {message.id}")
run = client.beta.threads.runs.create(thread_id=thread.id, assistant_id=agent.id)
# Poll the run while run status is queued or in progress
while run.status in ["queued", "in_progress", "requires_action"]:
time.sleep(1) # Wait for a second
run = client.beta.threads.runs.retrieve(thread_id=thread.id, run_id=run.id)
print(f"Run status: {run.status}")
client.beta.assistants.delete(agent.id)
print("Deleted agent")
messages = client.beta.threads.messages.list(thread_id=thread.id)
print(f"Messages: {messages}")
| Documentação | de referência Exemplos | Biblioteca código | fonte Pacote (npm) |
Pré-requisitos
- Uma assinatura do Azure - Crie uma gratuitamente.
- Node.js LTS
- Verifique se você tem a função RBAC do Desenvolvedor de IAdo Azure atribuída no nível apropriado.
- Instale a CLI do Azure e a extensão de aprendizado de máquina. Se você já tiver a CLI instalada, verifique se ela está atualizada para a versão mais recente.
Configurar seu projeto do Hub e Agente do Azure AI
A seção a seguir mostra como configurar os recursos necessários para começar a usar o Azure AI Agent Service:
Criar um Hub de IA do Azure para configurar o ambiente do aplicativo e os recursos do Azure.
Criar um projeto de IA do Azure em seu Hub cria um ponto de extremidade para seu aplicativo chamar e configura serviços de aplicativo para acessar recursos em seu locatário.
Conectando um recurso do Azure OpenAI ou um recurso dos Serviços de IA do Azure
Escolha Configuração Básica ou Padrão do Agente
Configuração básica: os agentes usam recursos de pesquisa e armazenamento multilocatários totalmente gerenciados pela Microsoft. Você não tem visibilidade ou controle sobre esses recursos subjacentes do Azure.
Configuração padrão: os agentes usam recursos de pesquisa e armazenamento de propriedade do cliente e de locatário único. Com essa configuração, você tem controle total e visibilidade sobre esses recursos, mas incorre em custos com base no seu uso.
Nota
Você pode usar os seguintes modelos de bíceps automatizados para executar um agente padrão ou básico. Você também pode criar um agente básico usando o portal do Azure AI Foundry. Atualmente, o Azure AI Foundry não oferece suporte à configuração padrão do agente.
[Opcional] Seleção de modelo no modelo de implantação automática
Você pode personalizar o modelo usado pelo agente editando os parâmetros do modelo no modelo de implantação automática. Para implantar um modelo diferente, você precisa atualizar pelo menos os modelName
parâmetros e modelVersion
.
Por padrão, o modelo de implantação é configurado com os seguintes valores:
Parâmetro do modelo | Valor Predefinido |
---|---|
nome_modelo | GPT-4O-Mini |
modelFormat | OpenAI (para Azure OpenAI) |
modelVersion | 2024-07-18 |
modelSkuName | GlobalStandard |
modeloLocalização | eastus |
Importante
Não altere o parâmetro modelFormat.
Os modelos suportam apenas a implementação de modelos OpenAI do Azure. Veja quais modelos do Azure OpenAI são suportados na documentação de suporte do modelo do Azure AI Agent Service.
[Opcional] Use seus próprios recursos durante a configuração do agente
Nota
Se você usar um recurso existente dos Serviços de IA ou do Azure OpenAI, nenhum modelo será implantado. Você pode implantar um modelo no recurso após a conclusão da configuração do agente.
Use um recurso existente de Serviços de IA, Azure OpenAI, Pesquisa de IA e/ou Armazenamento de Blob do Azure fornecendo a ID de recurso de braço completo no arquivo de parâmetros:
aiServiceAccountResourceId
aiSearchServiceResourceId
aiStorageAccountResourceId
Se você quiser usar um recurso existente do Azure OpenAI, precisará atualizar os aiServiceAccountResourceId
parâmetros e aiServiceKind
no arquivo de parâmetros. O aiServiceKind
parâmetro deve ser definido como AzureOpenAI
.
Para obter mais informações, consulte como usar seus próprios recursos.
Configurar e executar um agente
Componente | Description |
---|---|
Agente | IA personalizada que usa modelos de IA em conjunto com ferramentas. |
Ferramenta | As ferramentas ajudam a ampliar a capacidade de um agente de responder de forma confiável e precisa durante a conversa. Como conectar-se a bases de conhecimento definidas pelo usuário para fundamentar o modelo ou permitir que a pesquisa na Web forneça informações atuais. |
Tópico | Uma sessão de conversa entre um agente e um usuário. Os threads armazenam mensagens e manipulam automaticamente o truncamento para ajustar o conteúdo ao contexto de um modelo. |
Mensagem | Uma mensagem criada por um agente ou um usuário. As mensagens podem incluir texto, imagens e outros ficheiros. As mensagens são armazenadas como uma lista no Thread. |
Executar | Ativação de um agente para começar a ser executado com base no conteúdo do Thread. O agente usa sua configuração e as Mensagens do Thread para executar tarefas chamando modelos e ferramentas. Como parte de uma execução, o agente acrescenta mensagens ao thread. |
Etapa de execução | Uma lista detalhada das etapas que o agente tomou como parte de uma Execução. Um agente pode chamar ferramentas ou criar mensagens durante sua execução. Examinar as etapas de execução permite entender como o agente está chegando aos resultados. |
Execute os seguintes comandos para instalar os pacotes npm.
npm install @azure/ai-projects
npm install @azure/identity
Em seguida, para autenticar suas solicitações de API e executar o programa, use o comando az login para entrar em sua assinatura do Azure.
az login
Use o código a seguir para criar e executar um agente. Para executar esse código, você precisará criar uma cadeia de conexão usando informações do seu projeto. Esta cadeia de caracteres está no formato:
<HostName>;<AzureSubscriptionId>;<ResourceGroup>;<ProjectName>
Gorjeta
Você também pode encontrar sua cadeia de conexão na visão geral do seu projeto no portal do Azure AI Foundry, em Detalhes>do projeto Cadeia de conexão do projeto.
HostName
pode ser encontrado navegando até o seu discovery_url
e removendo a liderança https://
e a fuga./discovery
Para localizar o , discovery_url
execute este comando da CLI:
az ml workspace show -n {project_name} --resource-group {resource_group_name} --query discovery_url
Por exemplo, sua cadeia de conexão pode ter a seguinte aparência:
eastus.api.azureml.ms;12345678-abcd-1234-9fc6-62780b3d3e05;my-resource-group;my-project-name
Defina essa cadeia de conexão como uma variável de ambiente chamada PROJECT_CONNECTION_STRING
.
// index.js
import {
AIProjectsClient,
DoneEvent,
ErrorEvent,
isOutputOfType,
MessageStreamEvent,
RunStreamEvent,
ToolUtility,
} from "@azure/ai-projects";
import { DefaultAzureCredential } from "@azure/identity";
const connectionString =
process.env["AZURE_AI_PROJECTS_CONNECTION_STRING"] || "<project connection string>";
if (!connectionString) {
throw new Error("AZURE_AI_PROJECTS_CONNECTION_STRING must be set in the environment variables");
}
export async function main() {
const client = AIProjectsClient.fromConnectionString(
connectionString || "",
new DefaultAzureCredential(),
);
// Step 1 code interpreter tool
const codeInterpreterTool = ToolUtility.createCodeInterpreterTool();
// Step 2 an agent
const agent = await client.agents.createAgent("gpt-4o-mini", {
name: "my-agent",
instructions: "You are a helpful agent",
tools: [codeInterpreterTool.definition],
toolResources: codeInterpreterTool.resources,
});
// Step 3 a thread
const thread = await client.agents.createThread();
// Step 4 a message to thread
await client.agents.createMessage(
thread.id, {
role: "user",
content: "I need to solve the equation `3x + 11 = 14`. Can you help me?",
});
// Intermission is now correlated with thread
// Intermission messages will retrieve the message just added
// Step 5 the agent
const streamEventMessages = await client.agents.createRun(thread.id, agent.id).stream();
for await (const eventMessage of streamEventMessages) {
switch (eventMessage.event) {
case RunStreamEvent.ThreadRunCreated:
break;
case MessageStreamEvent.ThreadMessageDelta:
{
const messageDelta = eventMessage.data;
messageDelta.delta.content.forEach((contentPart) => {
if (contentPart.type === "text") {
const textContent = contentPart;
const textValue = textContent.text?.value || "No text";
}
});
}
break;
case RunStreamEvent.ThreadRunCompleted:
break;
case ErrorEvent.Error:
console.log(`An error occurred. Data ${eventMessage.data}`);
break;
case DoneEvent.Done:
break;
}
}
// 6. Print the messages from the agent
const messages = await client.agents.listMessages(thread.id);
// Messages iterate from oldest to newest
// messages[0] is the most recent
for (let i = messages.data.length - 1; i >= 0; i--) {
const m = messages.data[i];
if (isOutputOfType(m.content[0], "text")) {
const textContent = m.content[0];
console.log(`${textContent.text.value}`);
console.log(`---------------------------------`);
}
}
// 7. Delete the agent once done
await client.agents.deleteAgent(agent.id);
}
main().catch((err) => {
console.error("The sample encountered an error:", err);
});
A saída contém o prompt e as respostas.
I need to solve the equation `3x + 11 = 14`. Can you help me?
---------------------------------
Sure! I can help you solve the equation \(3x + 11 = 14\).
To solve this equation, we need to isolate the variable \(x\). Let's go ahead and solve it.
---------------------------------
The solution to the equation \(3x + 11 = 14\) is \(x = 1\).
Therefore, the value of \(x\) that satisfies the equation is 1.
Let me know if you need help with anything else!
---------------------------------
| Documentação | de referência Exemplos | Biblioteca código | fonte Pacote (npm) |
Pré-requisitos
- Uma assinatura do Azure - Crie uma gratuitamente.
- Node.js LTS
- TypeScript 5.x
- Verifique se você tem a função RBAC do Desenvolvedor de IAdo Azure atribuída no nível apropriado.
- Instale a CLI do Azure e a extensão de aprendizado de máquina. Se você já tiver a CLI instalada, verifique se ela está atualizada para a versão mais recente.
Configurar seu projeto do Hub e Agente do Azure AI
A seção a seguir mostra como configurar os recursos necessários para começar a usar o Azure AI Agent Service:
Criar um Hub de IA do Azure para configurar o ambiente do aplicativo e os recursos do Azure.
Criar um projeto de IA do Azure em seu Hub cria um ponto de extremidade para seu aplicativo chamar e configura serviços de aplicativo para acessar recursos em seu locatário.
Conectando um recurso do Azure OpenAI ou um recurso dos Serviços de IA do Azure
Escolha Configuração Básica ou Padrão do Agente
Configuração básica: os agentes usam recursos de pesquisa e armazenamento multilocatários totalmente gerenciados pela Microsoft. Você não tem visibilidade ou controle sobre esses recursos subjacentes do Azure.
Configuração padrão: os agentes usam recursos de pesquisa e armazenamento de propriedade do cliente e de locatário único. Com essa configuração, você tem controle total e visibilidade sobre esses recursos, mas incorre em custos com base no seu uso.
Nota
Você pode usar os seguintes modelos de bíceps automatizados para executar um agente padrão ou básico. Você também pode criar um agente básico usando o portal do Azure AI Foundry. Atualmente, o Azure AI Foundry não oferece suporte à configuração padrão do agente.
[Opcional] Seleção de modelo no modelo de implantação automática
Você pode personalizar o modelo usado pelo agente editando os parâmetros do modelo no modelo de implantação automática. Para implantar um modelo diferente, você precisa atualizar pelo menos os modelName
parâmetros e modelVersion
.
Por padrão, o modelo de implantação é configurado com os seguintes valores:
Parâmetro do modelo | Valor Predefinido |
---|---|
nome_modelo | GPT-4O-Mini |
modelFormat | OpenAI (para Azure OpenAI) |
modelVersion | 2024-07-18 |
modelSkuName | GlobalStandard |
modeloLocalização | eastus |
Importante
Não altere o parâmetro modelFormat.
Os modelos suportam apenas a implementação de modelos OpenAI do Azure. Veja quais modelos do Azure OpenAI são suportados na documentação de suporte do modelo do Azure AI Agent Service.
[Opcional] Use seus próprios recursos durante a configuração do agente
Nota
Se você usar um recurso existente dos Serviços de IA ou do Azure OpenAI, nenhum modelo será implantado. Você pode implantar um modelo no recurso após a conclusão da configuração do agente.
Use um recurso existente de Serviços de IA, Azure OpenAI, Pesquisa de IA e/ou Armazenamento de Blob do Azure fornecendo a ID de recurso de braço completo no arquivo de parâmetros:
aiServiceAccountResourceId
aiSearchServiceResourceId
aiStorageAccountResourceId
Se você quiser usar um recurso existente do Azure OpenAI, precisará atualizar os aiServiceAccountResourceId
parâmetros e aiServiceKind
no arquivo de parâmetros. O aiServiceKind
parâmetro deve ser definido como AzureOpenAI
.
Para obter mais informações, consulte como usar seus próprios recursos.
Configurar e executar um agente
Componente | Description |
---|---|
Agente | IA personalizada que usa modelos de IA em conjunto com ferramentas. |
Ferramenta | As ferramentas ajudam a ampliar a capacidade de um agente de responder de forma confiável e precisa durante a conversa. Como conectar-se a bases de conhecimento definidas pelo usuário para fundamentar o modelo ou permitir que a pesquisa na Web forneça informações atuais. |
Tópico | Uma sessão de conversa entre um agente e um usuário. Os threads armazenam mensagens e manipulam automaticamente o truncamento para ajustar o conteúdo ao contexto de um modelo. |
Mensagem | Uma mensagem criada por um agente ou um usuário. As mensagens podem incluir texto, imagens e outros ficheiros. As mensagens são armazenadas como uma lista no Thread. |
Executar | Ativação de um agente para começar a ser executado com base no conteúdo do Thread. O agente usa sua configuração e as Mensagens do Thread para executar tarefas chamando modelos e ferramentas. Como parte de uma execução, o agente acrescenta mensagens ao thread. |
Etapa de execução | Uma lista detalhada das etapas que o agente tomou como parte de uma Execução. Um agente pode chamar ferramentas ou criar mensagens durante sua execução. Examinar as etapas de execução permite entender como o agente está chegando aos resultados. |
Execute os seguintes comandos para instalar os pacotes npm.
npm install @azure/ai-projects
npm install @azure/identity
Em seguida, para autenticar suas solicitações de API e executar o programa, use o comando az login para entrar em sua assinatura do Azure.
az login
Use o código a seguir para criar e executar um agente. Para executar esse código, você precisará criar uma cadeia de conexão usando informações do seu projeto. Esta cadeia de caracteres está no formato:
<HostName>;<AzureSubscriptionId>;<ResourceGroup>;<ProjectName>
Gorjeta
Você também pode encontrar sua cadeia de conexão na visão geral do seu projeto no portal do Azure AI Foundry, em Detalhes>do projeto Cadeia de conexão do projeto.
HostName
pode ser encontrado navegando até o seu discovery_url
e removendo a liderança https://
e a fuga./discovery
Para localizar o , discovery_url
execute este comando da CLI:
az ml workspace show -n {project_name} --resource-group {resource_group_name} --query discovery_url
Por exemplo, sua cadeia de conexão pode ter a seguinte aparência:
eastus.api.azureml.ms;12345678-abcd-1234-9fc6-62780b3d3e05;my-resource-group;my-project-name
Defina essa cadeia de conexão como uma variável de ambiente chamada PROJECT_CONNECTION_STRING
.
// index.ts
import type {
MessageDeltaChunk,
MessageDeltaTextContent,
MessageTextContentOutput,
} from "@azure/ai-projects";
import {
AIProjectsClient,
DoneEvent,
ErrorEvent,
isOutputOfType,
MessageStreamEvent,
RunStreamEvent,
ToolUtility,
} from "@azure/ai-projects";
import { DefaultAzureCredential } from "@azure/identity";
const connectionString =
process.env["AZURE_AI_PROJECTS_CONNECTION_STRING"] || "<project connection string>";
if (!connectionString) {
throw new Error("AZURE_AI_PROJECTS_CONNECTION_STRING must be set in the environment variables");
}
export async function main(): Promise<void> {
const client = AIProjectsClient.fromConnectionString(
connectionString || "",
new DefaultAzureCredential(),
);
// Step 1: Create code interpreter tool
const codeInterpreterTool = ToolUtility.createCodeInterpreterTool();
// Step 2: Create an agent
const agent = await client.agents.createAgent("gpt-4o-mini", {
name: "my-agent",
instructions: "You are a helpful agent",
tools: [codeInterpreterTool.definition],
toolResources: codeInterpreterTool.resources,
});
// Step 3: Create a thread
const thread = await client.agents.createThread();
// Step 4: Add a message to thread
await client.agents.createMessage(
thread.id, {
role: "user",
content: "I need to solve the equation `3x + 11 = 14`. Can you help me?",
});
// Intermission: message is now correlated with thread
// Intermission: listing messages will retrieve the message just added
// Step 5: Run the agent
const streamEventMessages = await client.agents.createRun(thread.id, agent.id).stream();
for await (const eventMessage of streamEventMessages) {
switch (eventMessage.event) {
case RunStreamEvent.ThreadRunCreated:
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";
}
});
}
break;
case RunStreamEvent.ThreadRunCompleted:
break;
case ErrorEvent.Error:
console.log(`An error occurred. Data ${eventMessage.data}`);
break;
case DoneEvent.Done:
break;
}
}
// 6. Print the messages from the agent
const messages = await client.agents.listMessages(thread.id);
// Messages iterate from oldest to newest
// messages[0] is the most recent
for (let i = messages.data.length - 1; i >= 0; i--) {
const m = messages.data[i];
if (isOutputOfType<MessageTextContentOutput>(m.content[0], "text")) {
const textContent = m.content[0] as MessageTextContentOutput;
console.log(`${textContent.text.value}`);
console.log(`---------------------------------`);
}
}
// 7. Delete the agent once done
await client.agents.deleteAgent(agent.id);
}
main().catch((err) => {
console.error("The sample encountered an error:", err);
});
A saída contém o prompt e as respostas.
I need to solve the equation `3x + 11 = 14`. Can you help me?
---------------------------------
Sure! I can help you solve the equation \(3x + 11 = 14\).
To solve this equation, we need to isolate the variable \(x\). Let's go ahead and solve it.
---------------------------------
The solution to the equation \(3x + 11 = 14\) is \(x = 1\).
Therefore, the value of \(x\) that satisfies the equation is 1.
Let me know if you need help with anything else!
---------------------------------
| Documentação de referência |
Pré-requisitos
- Uma assinatura do Azure - Crie uma gratuitamente.
- Verifique se você tem a função RBAC do Desenvolvedor de IAdo Azure atribuída no nível apropriado.
- Você precisa da função Usuário OpenAI dos Serviços Cognitivos atribuída para usar o recurso Serviços de IA do Azure.
- Instale a CLI do Azure e a extensão de aprendizado de máquina. Se você já tiver a CLI instalada, verifique se ela está atualizada para a versão mais recente.
Configurar seu projeto do Hub e Agente do Azure AI
A seção a seguir mostra como configurar os recursos necessários para começar a usar o Azure AI Agent Service:
Criar um Hub de IA do Azure para configurar o ambiente do aplicativo e os recursos do Azure.
Criar um projeto de IA do Azure em seu Hub cria um ponto de extremidade para seu aplicativo chamar e configura serviços de aplicativo para acessar recursos em seu locatário.
Conectando um recurso do Azure OpenAI ou um recurso dos Serviços de IA do Azure
Escolha Configuração Básica ou Padrão do Agente
Configuração básica: os agentes usam recursos de pesquisa e armazenamento multilocatários totalmente gerenciados pela Microsoft. Você não tem visibilidade ou controle sobre esses recursos subjacentes do Azure.
Configuração padrão: os agentes usam recursos de pesquisa e armazenamento de propriedade do cliente e de locatário único. Com essa configuração, você tem controle total e visibilidade sobre esses recursos, mas incorre em custos com base no seu uso.
Nota
Você pode usar os seguintes modelos de bíceps automatizados para executar um agente padrão ou básico. Você também pode criar um agente básico usando o portal do Azure AI Foundry. Atualmente, o Azure AI Foundry não oferece suporte à configuração padrão do agente.
[Opcional] Seleção de modelo no modelo de implantação automática
Você pode personalizar o modelo usado pelo agente editando os parâmetros do modelo no modelo de implantação automática. Para implantar um modelo diferente, você precisa atualizar pelo menos os modelName
parâmetros e modelVersion
.
Por padrão, o modelo de implantação é configurado com os seguintes valores:
Parâmetro do modelo | Valor Predefinido |
---|---|
nome_modelo | GPT-4O-Mini |
modelFormat | OpenAI (para Azure OpenAI) |
modelVersion | 2024-07-18 |
modelSkuName | GlobalStandard |
modeloLocalização | eastus |
Importante
Não altere o parâmetro modelFormat.
Os modelos suportam apenas a implementação de modelos OpenAI do Azure. Veja quais modelos do Azure OpenAI são suportados na documentação de suporte do modelo do Azure AI Agent Service.
[Opcional] Use seus próprios recursos durante a configuração do agente
Nota
Se você usar um recurso existente dos Serviços de IA ou do Azure OpenAI, nenhum modelo será implantado. Você pode implantar um modelo no recurso após a conclusão da configuração do agente.
Use um recurso existente de Serviços de IA, Azure OpenAI, Pesquisa de IA e/ou Armazenamento de Blob do Azure fornecendo a ID de recurso de braço completo no arquivo de parâmetros:
aiServiceAccountResourceId
aiSearchServiceResourceId
aiStorageAccountResourceId
Se você quiser usar um recurso existente do Azure OpenAI, precisará atualizar os aiServiceAccountResourceId
parâmetros e aiServiceKind
no arquivo de parâmetros. O aiServiceKind
parâmetro deve ser definido como AzureOpenAI
.
Para obter mais informações, consulte como usar seus próprios recursos.
Configurar e executar um agente
Componente | Description |
---|---|
Agente | IA personalizada que usa modelos de IA em conjunto com ferramentas. |
Ferramenta | As ferramentas ajudam a ampliar a capacidade de um agente de responder de forma confiável e precisa durante a conversa. Como conectar-se a bases de conhecimento definidas pelo usuário para fundamentar o modelo ou permitir que a pesquisa na Web forneça informações atuais. |
Tópico | Uma sessão de conversa entre um agente e um usuário. Os threads armazenam mensagens e manipulam automaticamente o truncamento para ajustar o conteúdo ao contexto de um modelo. |
Mensagem | Uma mensagem criada por um agente ou um usuário. As mensagens podem incluir texto, imagens e outros ficheiros. As mensagens são armazenadas como uma lista no Thread. |
Executar | Ativação de um agente para começar a ser executado com base no conteúdo do Thread. O agente usa sua configuração e as Mensagens do Thread para executar tarefas chamando modelos e ferramentas. Como parte de uma execução, o agente acrescenta mensagens ao thread. |
Etapa de execução | Uma lista detalhada das etapas que o agente tomou como parte de uma Execução. Um agente pode chamar ferramentas ou criar mensagens durante sua execução. Examinar as etapas de execução permite entender como o agente está chegando aos resultados. |
Para autenticar suas solicitações de API, use o comando az login para entrar em sua assinatura do Azure.
az login
Em seguida, você precisará buscar o token Entra ID para fornecer como autorização para as chamadas de API. Buscar o token usando o comando CLI:
az account get-access-token --resource 'https://ml.azure.com/' | jq -r .accessToken | tr -d '"'
Defina o token de acesso como uma variável de ambiente chamada AZURE_AI_AGENTS_TOKEN
.
Para fazer chamadas de API REST com êxito para o Serviço de Agentes de IA do Azure, você precisará usar o ponto de extremidade conforme abaixo:
https://<HostName>/agents/v1.0/subscriptions/<AzureSubscriptionId>/resourceGroups/<ResourceGroup>/providers/Microsoft.MachineLearningServices/workspaces/<ProjectName>
HostName
pode ser encontrado navegando até o seu discovery_url
e removendo a liderança https://
e a fuga./discovery
Para localizar o , discovery_url
execute este comando da CLI:
az ml workspace show -n {project_name} --subscription {subscription_name} --resource-group {resource_group_name} --query discovery_url
Por exemplo, seu ponto de extremidade pode se parecer com:
https://eastus.api.azureml.ms/agents/v1.0/subscriptions/12345678-abcd-1234-abcd-123456789000/resourceGroups/my-resource-group/providers/Microsoft.MachineLearningServices/workspaces/my-project-name
Defina esse ponto de extremidade como uma variável de ambiente chamada AZURE_AI_AGENTS_ENDPOINT
.
Criar um agente
Nota
Com o Azure AI Agents Service, o parâmetro requer o nome da implantação do model
modelo. Se o nome da implantação do modelo for diferente do nome do modelo subjacente, você ajustará o código para "model": "{your-custom-model-deployment-name}"
.
curl $AZURE_AI_AGENTS_ENDPOINT/assistants?api-version=2024-12-01-preview \
-H "Authorization: Bearer $AZURE_AI_AGENTS_TOKEN" \
-H "Content-Type: application/json" \
-d '{
"instructions": "You are a helpful agent.",
"name": "my-agent",
"tools": [{"type": "code_interpreter"}],
"model": "gpt-4o-mini"
}'
Criar um thread
curl $AZURE_AI_AGENTS_ENDPOINT/threads?api-version=2024-12-01-preview \
-H "Authorization: Bearer $AZURE_AI_AGENTS_TOKEN" \
-H "Content-Type: application/json" \
-d ''
Adicionar uma pergunta de usuário ao thread
curl $AZURE_AI_AGENTS_ENDPOINT/threads/thread_abc123/messages?api-version=2024-12-01-preview \
-H "Authorization: Bearer $AZURE_AI_AGENTS_TOKEN" \
-H "Content-Type: application/json" \
-d '{
"role": "user",
"content": "I need to solve the equation `3x + 11 = 14`. Can you help me?"
}'
Executar o thread
curl $AZURE_AI_AGENTS_ENDPOINT/threads/thread_abc123/runs?api-version=2024-12-01-preview \
-H "Authorization: Bearer $AZURE_AI_AGENTS_TOKEN" \
-H "Content-Type: application/json" \
-d '{
"assistant_id": "asst_abc123",
}'
Recuperar o status da execução
curl $AZURE_AI_AGENTS_ENDPOINT/threads/thread_abc123/runs/run_abc123?api-version=2024-12-01-preview \
-H "Authorization: Bearer $AZURE_AI_AGENTS_TOKEN"
Recuperar a resposta do agente
curl $AZURE_AI_AGENTS_ENDPOINT/threads/thread_abc123/messages?api-version=2024-12-01-preview \
-H "Authorization: Bearer $AZURE_AI_AGENTS_TOKEN"