Opret en klientapplikation, der analyserer tekst
Tip
Se fanen Tekst og billeder for flere detaljer!
En klientapplikation er et program, du skriver, som forbinder til en tjeneste eller model og bruger dens funktioner. Din kode sender anmodninger til tjenesten og modtager automatisk resultater — hvilket gør det muligt at behandle store mængder tekst eller integrere AI-analyse i en arbejdsgang.
For at forbinde til en AI-tjeneste bruger din applikation et API (Application Programming Interface). Et API er et sæt regler, der definerer, hvordan to softwaredele kommunikerer. Et klientbibliotek er et sæt færdiglavet kode, som udviklere kan bruge i deres applikation til nemt at kommunikere med en tjeneste eller API. Du kan gennemgå grundlæggende materiale om applikationer og brug af endpoints i: Kom i gang med AI i Azure.
Brug af generelle AI-modeller til tekstanalyse
Start med en Microsoft Foundry-ressource og lav et Foundry-projekt inden for din ressource. I den nye Foundry-portal kan du gennemse modelkataloget og implementere en generel model.
Du kan bygge en klientapplikation, der interagerer med Microsoft Foundry Models ved hjælp af Azure OpenAI API. OpenAI API'en lader din kode kommunikere med en deployeret model ved at sende anmodninger til et endpoint sammen med en API-nøgle for at bevise, at du er autoriseret.
Responses API er det moderne, samlede API inden for Azure OpenAI til interaktion med sprogmodeller. Den er designet til at håndtere komplette AI-interaktioner, ikke kun tekstgenerering.
Du kan bruge Responses-API'en til at sende naturlige sprogprompts til en deployeret sprogmodel. Det er nyttigt, når du har brug for fleksibel, samtalebaseret analyse, der ikke kræver et fast struktureret output.
Brug af OpenAI Python-biblioteket
OpenAI Python-biblioteket er et officielt Python softwareudviklingskit (SDK), der lader udviklere bygge Python applikationer, der interagerer med OpenAI-modeller og -tjenester via kode i stedet for rå HTTP-forespørgsler.
For at bruge OpenAI Python-biblioteket skal du arbejde i en kodeeditor. Applikationskoden er skrevet i kodeeditorer, såsom Visual Studio Code. En kodeeditors terminal er et indbygget kommandolinjevindue inde i editoren, hvor du kan køre kommandoer uden at forlade dit udviklingsmiljø.
1. Installer de nødvendige pakker
OpenAI Python-biblioteket kan installeres i Visual Studio Code terminal ved hjælp af:
pip install openai
2. Opret en konfigurationsfil
Dernæst kan du oprette en konfigurationsfil (type .env) til at gemme dine miljøvariabler, såsom dit endpoint, nøgle og modeludrulningsnavn.
Overvej følgende variable:
AZURE_OPENAI_ENDPOINT=https://<your-resource>.openai.azure.com/openai/v1/
MODEL_DEPLOYMENT_NAME=gpt-4.1-mini
API_KEY=<your-foundry-key>
Bemærk, hvordan endpoint-variablen indeholder navnet på din Foundry-ressource og openai.azure.com/openai/v1. Din API-nøgle er din Foundry-projektnøgle.
Modeludløsningsnavnet er det navn , du giver modellen, når du deployerer den. For eksempel, når du implementerer gpt-4.1-modellen , kan du kalde den gpt-demo-model. Udrulningsnavnet er gpt-demo-model. Men hvis du ikke tilpasser modelnavnet, vil udrulningsnavnet matche modelnavnet, som det er tilfældet i uddraget ovenfor.
3. Opret en fil, der indeholder din applikationslogik
Tag et kig på følgende eksempel på applikationskode:
import os
from dotenv import load_dotenv
from openai import OpenAI
# Load environment variables from .env file
load_dotenv()
endpoint = os.getenv("AZURE_OPENAI_ENDPOINT")
api_key = os.getenv("API_KEY")
deployment_name = os.getenv("MODEL_DEPLOYMENT_NAME")
# Create the client object
client = OpenAI(
base_url=endpoint,
api_key=api_key
)
# Make a request using the client
message = client.responses.create(
model=deployment_name,
input="",
)
# Print the results
print(f"Sentiment: {message.output[0]}")
Bemærkning
Indlæsning af miljøvariable: dotenv I dette eksempel læser (load_dotenv()) din .env fil og indlæser disse værdier i din apps miljø. Pakken os henter derefter hver værdi ved navn med os.getenv(), såsom os.getenv("AZURE_OPENAI_ENDPOINT").
Hver tast skal .env matche navnet i din kode nøjagtigt. For eksempel, hvis din fil bruger API_KEY, skal din kode også anmode API_KEYom . Hold variabelnavne konsistente for at undgå manglende værdier under kørsel.
Vi bruger vores Foundry-ressourceendepunkt og nøgle til at oprette et autentificeret klientobjekt. Klassen OpenAI defineres af SDK'en og fungerer som en blueprint for forbindelse til OpenAI API'en. Et autentificeret klientobjekt i Python er et servicespecifikt objekt, der sikkert kan foretage autoriserede API-kald uden at din kode manuelt skal håndtere tokens eller hemmeligheder.
Bemærkning
I Python er en klasse en blueprint, der definerer en type ting — hvilke data den indeholder, og hvilke handlinger den kan udføre. Et objekt er en specifik instans oprettet ud fra den blueprint. For eksempel kan en Car klasse definere, at hver bil har en farve og kan drive() eller stop(). Når du skaber en bestemt bil — for eksempel en rød — er det et objekt.
Når du opretter et klientobjekt — konfigureret med dit endpoint og nøgle — kan du kalde metoder på det for at interagere med modellen. For eksempel kan du bruge responsesmetoden til at sende en prompt til en specifik modeludrulning.
Vi kan vise resultaterne af analysen ved at køre applikationskoden i terminalen med kommandoen python <file_name>.py.
OpenAI API'en er ligetil at bruge, men resultaterne kan variere mellem kald, fordi modellen genererer tekst probabilistisk. I praksis betyder det, at to kald med samme prompt kan returnere en lidt forskellig formulering eller formatering. Når din app har brug for konsistente, strukturerede værdier, såsom en sprogkode, en konfidensscore eller redigeret tekst, er Azure Language SDK et bedre valg.
Brug af Azure Language SDK
Azure Language SDK er et klientbibliotek til Azure Language i Foundry Tools. SDK'en gør det nemt for udviklere at tilføje NLP-funktioner, såsom sprogdetektion og redigering af personligt identificerbare oplysninger (PII), til deres applikationer.
Lad os se, hvordan du kan bruge Azure Language Python SDK til at bygge en applikation, der analyserer tekst. For at bruge Azure Language Python SDK skal du have en Foundry resource. Derefter skal du installere en kompatibel version af Python og Azure Language Python SDK.
Python SDK kan installeres i Visual Studio Code terminalen ved hjælp af:
pip install azure-ai-textanalytics
Overvej følgende eksempel på konfigurationsfil:
AZURE_LANGUAGE_ENDPOINT=https://<your-resource>.cognitiveservices.azure.com/
API_KEY=<your-foundry-key>
Overvej følgende eksempel på applikationskode:
# Import packages
import os
from dotenv import load_dotenv
from azure.core.credentials import AzureKeyCredential
from azure.ai.textanalytics import TextAnalyticsClient
# Load environment variables from .env file
load_dotenv()
endpoint = os.getenv("AZURE_LANGUAGE_ENDPOINT")
key = os.getenv("API_KEY")
# Create the client
client = TextAnalyticsClient(endpoint=endpoint, credential=AzureKeyCredential(key))
# Make a request using the client for language detection
text = "¡Hola! Me llamo Josefina y vivo en Madrid, España."
result = client.detect_language([text])[0]
Vi bruger klientens metoder til at kalde Azure sprogfunktioner, såsom detect_language og recognize_pii_entities.
Sprogdetektion: Metoden detect_language() tager en liste af tekststrenge og returnerer det detekterede sprog, dets ISO 639-1-kode og en konfidensscore mellem 0 og 1.
text = "¡Hola! Me llamo Josefina y vivo en Madrid, España."
result = client.detect_language([text])[0]
# Print the results
print(f"Language : {result.primary_language.name}")
print(f"ISO code : {result.primary_language.iso6391_name}")
print(f"Confidence : {result.primary_language.confidence_score:.2f}")
PII-detektion: Metodenrecognize_pii_entities() identificerer personlige detaljer i tekst og returnerer både den redigerede version af teksten og en liste over de enheder, den fandt, inklusive hver entitets kategori og konfidensscore.
text = "Maria Garcia called from 020 7946 0958 and asked to send documents to 42 Market Road, London, UK, SW1A 1AA."
result = client.recognize_pii_entities([text])[0]
# Print the results
print("Redacted text:", result.redacted_text)
print("\nEntities found:")
for entity in result.entities:
print(f" {entity.text} | category={entity.category} | confidence={entity.confidence_score}")
Med OpenAI API'en og Azure Language SDK kan du skrive kode til AI-applikationer, der behandler naturligt sprog og genererer indsigt ud fra din tekst.
Lad os nu se på, hvordan man kan inkludere Azure Language-funktioner i AI-agenter.