Uso de Azure OpenAI en Fabric con el SDK de Python (versión preliminar)

En este artículo se muestra cómo usar Azure OpenAI en Fabric con el SDK de Python de OpenAI. Para el procesamiento distribuido de grandes conjuntos de datos, consulte Use Azure OpenAI con SynapseML. Para obtener el enfoque más sencillo utilizando las funciones de inteligencia artificial de Pandas, véase Use Azure OpenAI con funciones de inteligencia artificial.

Prerrequisitos

El entorno de ejecución predeterminado no incluye el SDK de Python de OpenAI, por lo que debe instalarlo.

%pip install -U openai

Creación de un cliente autenticado por Fabric

Para usar Azure OpenAI en Fabric, cree un cliente con la autenticación de Fabric:

from synapse.ml.fabric.credentials import get_openai_httpx_sync_client
import openai

client = openai.AzureOpenAI(
    http_client=get_openai_httpx_sync_client(),
    api_version="2025-04-01-preview",
)

Este cliente controla la autenticación automáticamente cuando se ejecuta en cuadernos de Fabric. Use este cliente para todas las llamadas API posteriores.

Completaciones de chat

En el ejemplo que se presenta aquí se muestran operaciones de finalización de chat sencillas. Para obtener una referencia de API completa, consulte API de completaciones de chat.

response = client.chat.completions.create(
    model="gpt-5.1",
    messages=[
        {
            "role": "user",
            "content": """Analyze the following text and return a JSON array of issue insights.

Each item must include:
- issue_brief (1 sentence)
- scenario
- severity (high | medium | low)
- verbatim_quotes (list)
- recommended_fix

Text:
We booked the hotel room in advance for our family trip. The check-in the great however the room service was slow and pool was closed

Return JSON only.
"""
        }
    ],
)
print(f"{response.choices[0].message.content}")

API de respuestas

La API de respuestas es el enfoque recomendado por OpenAI para las nuevas implementaciones. Proporciona una mejor calidad de respuesta y un mejor control de las salidas estructuradas. Para obtener una referencia completa de la API, consulte API de respuestas.

response = client.responses.create(
    model="gpt-5.1",
    input=[
        {
            "role": "user",
            "content": "Explain quantum computing in simple terms."
        }
    ],
    store=False  # Fabric LLM endpoint does not support storage
)
print(f"{response.output_text}")

Nota:

El punto de conexión de Fabric LLM no admite el parámetro store ajustado a True o el parámetro previous_response_id.

Incrustaciones

Una embedding es un formato especial de representación de datos que los modelos y algoritmos de aprendizaje automático pueden utilizar fácilmente. Contiene significado semántico con gran cantidad de información de un texto, representado por un vector de números de punto flotante. La distancia entre dos inserciones en el espacio vectorial está relacionada con la similitud semántica entre dos entradas originales. Para obtener una referencia de API completa, consulte Embeddings API.

response = client.embeddings.create(
    input="The food was delicious and the waiter...",
    model="text-embedding-ada-002",
)
print(response.data[0].embedding)

Modelos y tarifas disponibles

Para obtener información sobre los modelos disponibles y las tasas de consumo, consulte Tasa de consumo de Foundry Tools.

Contenido relacionado

Documentación de Fabric

Documentación del SDK de Python de OpenAI

  • Last updated on