microsoft-foundryполный цикл AI-агентов на Foundry

microsoft/github-copilot-for-azure

Деплой, оценка и управление AI-агентами на Microsoft Foundry: контейнеризация, ACR, создание агентов, batch-оценки и оптимизация промптов по данным продакшена.

Microsoft Foundry AI агенты ACR деплой оценка промптов

Установка

npx -y skills add microsoft/github-copilot-for-azure --skill microsoft-foundry --agent claude-code

Microsoft Foundry

Этот скилл помогает разработчикам работать с ресурсами Microsoft Foundry: обнаружение и развёртывание моделей, полный жизненный цикл разработки AI-агента, рабочие процессы оценки и устранение неполадок.

Требования перед выполнением

Перед использованием операций Foundry MCP вызовите инструмент Azure MCP foundry и изучите доступные инструменты Foundry MCP и связанные параметры — это шаг обнаружения/помощи для MCP-рабочих процессов.

Под-скиллы

ОБЯЗАТЕЛЬНО: перед выполнением любых рабочих процессов прочитайте соответствующий документ под-скилла. Документ под-скилла содержит обязательные шаги рабочего процесса, предварительные проверки и логику валидации. Это правило применяется при каждом новом сообщении пользователя, запускающем другой рабочий процесс.

Под-скилл	Когда использовать
deploy	Развёртывание hosted-агентов в Foundry, smoke-тест, создание или обновление prompt-агентов, управление версиями
invoke	Отправка сообщений агенту, одно- и многоходовые диалоги
invocations-ws	Hosted-агенты по протоколу `invocations_ws` WebSocket — голосовые агенты, потоки реального времени
observe	Оценка качества агента, пакетные оценки, анализ сбоев, оптимизация промптов, CI/CD-мониторинг
trace	Запрос трассировок, анализ задержки/сбоев, корреляция с результатами оценки через App Insights
troubleshoot	Просмотр логов hosted-агента, запрос телеметрии, диагностика сбоев
create (quick start)	Создание нового hosted Foundry-агента с нуля — scaffold, provisioning, развёртывание, smoke-тест
create	Когда стандартный happy-path не подходит — перенос существующего кода, развёртывание вне стандартного пути, расширенная настройка
agent-optimizer	Оптимизация существующего Python hosted-агента: настройка eval.yaml, запуск Agent Optimizer, применение кандидатов
eval-datasets	Сбор production-трассировок в датасеты оценки, управление версиями датасетов, отслеживание метрик
project/create	Создание нового Azure AI Foundry-проекта для размещения агентов и моделей
resource/create	Создание ресурса Azure AI Services с помощью Azure CLI
private-network	Изоляция сети Foundry и развёртывание с VNet (BYO VNet, Managed VNet, гибридная схема)
models/deploy-model	Унифицированное развёртывание модели с интеллектуальной маршрутизацией: быстрое пресетное, полностью кастомизированное, поиск ёмкости по регионам
quota	Управление квотами и ёмкостью для ресурсов Microsoft Foundry
rbac	Управление разрешениями RBAC, назначениями ролей, управляемыми удостоверениями и сервисными принципалами
finetuning	Тонкая настройка моделей в Azure AI Foundry — SFT, DPO, RFT с grader-ами и вызовом инструментов

Жизненный цикл инфраструктуры

Намерение пользователя	Рабочий процесс
«Создать Foundry» / «Настроить Foundry» (неоднозначно)	Спросить пользователя: (a) только ресурс AI Services, (b) проект с публичным доступом, или (c) проект с изоляцией сети? Маршруты: (a) → resource/create, (b) → project/create, (c) → private-network
Настроить Foundry с изоляцией VNet	private-network
Создать Foundry-проект (публичный)	project/create
Создать базовый ресурс Foundry	resource/create

Жизненный цикл разработки агента

Намерение пользователя	Рабочий процесс
Создать новый hosted-агент с нуля (scaffold + deploy + тест)	quick-start-hosted
Всё вне стандартного quickstart	create → deploy → invoke
Оптимизировать существующий Python hosted-агент	agent-optimizer → scaffold/review → eval.yaml → optimize → apply → deploy → invoke
Развернуть агент (код уже существует)	deploy → invoke → observe
Обновить/перевыпустить агент после изменений	deploy → invoke → observe
Запустить/протестировать/пообщаться с агентом	invoke
Оптимизировать промпт или инструкции агента	observe (шаг 4: Optimize)
Полный цикл оценки и оптимизации	observe
Включить непрерывный мониторинг оценки	observe (шаг 6: CI/CD & Monitoring)
Устранить проблему агента	invoke → troubleshoot

Стандарт рабочего пространства .foundry

Каждая папка с исходным кодом агента может хранить кэш и оверлейное состояние Foundry в .foundry/:

<agent-root>/
  .foundry/
    agent-metadata.yaml
    agent-metadata.prod.yaml
    suites/
    datasets/
    evaluators/
    results/

В azd-проектах контекст развёртывания берётся из azure.yaml и azd env get-values — не дублируйте эти значения в метаданных.
agent-metadata.yaml — предпочтительный локальный оверлей для значений, не управляемых azd.
suites/, datasets/, evaluators/ — папки локального кэша. Повторно используйте их при актуальности.

Разрешение общего контекста проекта агента

Шаг 1: Обнаружение корней агентов и контекста azd

Сначала проверьте наличие azure.yaml с сервисами, использующими host: azure.ai.agent.

Один azd-сервис агента → использовать папку project этого сервиса как корень агента.
Несколько azd-сервисов агента → попросить пользователя выбрать целевой сервис/папку.
Нет azd-сервиса агента → искать в рабочей области папки .foundry/ с agent-metadata.yaml.

Шаг 2: Разрешение среды и контекста развёртывания

Если есть azure.yaml, сначала разрешите azd-среду. Запустите azd env get-values для выбранной среды.

Переменная azd	Соответствует
`AZURE_AI_PROJECT_ENDPOINT`	Эндпоинт проекта
`AGENT_<SERVICE>_NAME`	Имя агента для выбранного azd-сервиса
`AZURE_CONTAINER_REGISTRY_NAME`	Имя реестра ACR
`APPLICATIONINSIGHTS_CONNECTION_STRING`	Строка подключения App Insights

Ошибки изоляции сети

Если ошибка соответствует Public access is disabled / PublicNetworkAccessDisabled / 403 Forbidden от приватного эндпоинта / таймаут соединения, это обычно означает, что у родительской учётной записи Foundry отключён публичный доступ. Поддерживаемые варианты подключения описаны в разделе выбора безопасного метода подключения к Foundry.