Szybki start: rozpoczynanie pracy z usługą Azure AI Foundry

W tym przewodniku szybkiego uruchomienia pokażemy Ci krok po kroku, jak skonfigurować lokalne środowisko deweloperskie za pomocą zestawu SDK Azure AI Foundry. Napiszemy monit, uruchomimy go w ramach kodu aplikacji, prześledziemy wykonywane wywołania LLM i uruchomimy podstawową ocenę danych wyjściowych usługi LLM.

Wskazówka

W pozostałej części tego artykułu pokazano, jak używać projektu opartego na centrum. Wybierz pozycję Projekt Foundry w górnej części tego artykułu, jeśli zamiast tego chcesz użyć projektu Foundry. Jakiego typu projektu potrzebuję?

Wymagania wstępne

• Subskrypcja platformy Azure. Jeśli nie masz subskrypcji platformy Azure, przed rozpoczęciem utwórz bezpłatne konto.
• Projekt oparty na centrum. Jeśli dopiero zaczynasz korzystać z rozwiązania Azure AI Foundry i nie masz projektu opartego na centrum, wybierz pozycję Projekt Foundry w górnej części tego artykułu, aby zamiast tego użyć projektu Foundry.

Konfigurowanie środowiska projektowego

1. Konfigurowanie środowiska projektowego

2. Upewnij się, że zainstalowano następujące pakiety:

   pip install azure-ai-projects azure-ai-inference azure-identity 
   

Wdrażanie modelu

Wskazówka

Ponieważ możesz dostosować okienko po lewej stronie w portalu azure AI Foundry, możesz zobaczyć inne elementy niż pokazano w tych krokach. Jeśli nie widzisz szukanych danych, wybierz pozycję ... Więcej w dolnej części okienka po lewej stronie.

1. Zaloguj się do usługi Azure AI Foundry.

2. Wybierz projekt oparty na centrum. Jeśli nie masz projektu opartego na centrum, wybierz pozycję Projekt Foundry w górnej części tego artykułu, aby zamiast tego użyć projektu Foundry.

3. Wybierz pozycję Katalog modeli w okienku po lewej stronie.

4. Wybierz model gpt-4o-mini z listy modeli. Aby go znaleźć, możesz użyć paska wyszukiwania.

5. Na stronie szczegółów modelu wybierz pozycję Wdróż.

   

6. Pozostaw domyślną nazwę wdrożenia. Wybierz Wdróż.

7. Po wdrożeniu modelu wybierz pozycję Otwórz na placu zabaw , aby przetestować model.

Tworzenie aplikacji do czatu

Utwórz plik o nazwie chat.py. Skopiuj i wklej do niego następujący kod.

from azure.ai.projects import AIProjectClient
from azure.identity import DefaultAzureCredential

project_connection_string = "<your-connection-string-goes-here>"

project = AIProjectClient.from_connection_string(
    conn_str=project_connection_string, credential=DefaultAzureCredential()
)

chat = project.inference.get_chat_completions_client()
response = chat.complete(
    model="gpt-4o-mini",
    messages=[
        {
            "role": "system",
            "content": "You are an AI assistant that speaks like a techno punk rocker from 2350. Be cool but not too cool. Ya dig?",
        },
        {"role": "user", "content": "Hey, can you help me with my taxes? I'm a freelancer."},
    ],
)

print(response.choices[0].message.content)

Wstaw parametry połączenia

Łańcuch połączenia projektu jest wymagany do wywołania Azure OpenAI w modelach Azure AI Foundry z poziomu kodu.

Znajdź swoje parametry połączenia w projekcie Azure AI Foundry, który utworzyłeś w szybkim starcie platformy Azure AI Foundry. Otwórz projekt, a następnie znajdź parametry połączenia na stronie Przegląd.

Skopiuj parametry połączenia i zastąp <your-connection-string-goes-here>element w pliku chat.py.

Uruchamianie skryptu czatu

Uruchom skrypt, aby wyświetlić odpowiedź z modelu.

python chat.py

Generowanie monitu na podstawie danych wejściowych użytkownika i szablonu monitu

Skrypt używa zakodowanych na stałe komunikatów wejściowych i wyjściowych. W prawdziwej aplikacji należy wprowadzić dane wejściowe z aplikacji klienckiej, wygenerować komunikat systemowy z wewnętrznymi instrukcjami do modelu, a następnie wywołać llM ze wszystkimi komunikatami.

Zmieńmy skrypt tak, aby pobierał dane wejściowe z aplikacji klienckiej i generujmy komunikat systemowy przy użyciu szablonu monitu.

1. Usuń ostatni wiersz skryptu, który wyświetla odpowiedź.

2. Teraz zdefiniuj get_chat_response funkcję, która pobiera komunikaty i kontekst, generuje komunikat systemowy przy użyciu szablonu monitu i wywołuje model. Dodaj ten kod do istniejącego pliku chat.py :

   from azure.ai.inference.prompts import PromptTemplate
   
   
   def get_chat_response(messages, context):
       # create a prompt template from an inline string (using mustache syntax)
       prompt_template = PromptTemplate.from_string(
           prompt_template="""
           system:
           You are an AI assistant that speaks like a techno punk rocker from 2350. Be cool but not too cool. Ya dig? Refer to the user by their first name, try to work their last name into a pun.
   
           The user's first name is {{first_name}} and their last name is {{last_name}}.
           """
       )
   
       # generate system message from the template, passing in the context as variables
       system_message = prompt_template.create_messages(data=context)
   
       # add the prompt messages to the user messages
       return chat.complete(
           model="gpt-4o-mini",
           messages=system_message + messages,
           temperature=1,
           frequency_penalty=0.5,
           presence_penalty=0.5,
       )
   

   Uwaga / Notatka

   Szablon monitu używa formatu wąsu.

   Funkcję get_chat_response można łatwo dodać jako trasę do aplikacji FastAPI lub Flask, aby umożliwić wywoływanie tej funkcji z poziomu aplikacji internetowej frontonu.

3. Teraz symuluj przekazywanie informacji z aplikacji frontonu do tej funkcji. Dodaj następujący kod na końcu pliku chat.py . Możesz swobodnie grać z wiadomością i dodać własne imię.

   if __name__ == "__main__":
       response = get_chat_response(
           messages=[{"role": "user", "content": "what city has the best food in the world?"}],
           context={"first_name": "Jessie", "last_name": "Irwin"},
       )
       print(response.choices[0].message.content)
   

Uruchom poprawiony skrypt, aby zobaczyć odpowiedź z modelu przy użyciu tych nowych danych wejściowych.

python chat.py

Następny krok

Dodawanie danych i używanie rozszerzonej generacji pobierania (RAG) w celu utworzenia niestandardowej aplikacji do czatu

W tym przewodniku Szybki start użyjesz rozwiązania Azure AI Foundry do:

• Tworzenie projektu
• Wdrażanie modelu
• Uruchomienie zakończenia czatu
• Tworzenie i uruchamianie agenta
• Przekazywanie plików do agenta

Zestaw AZURE AI Foundry SDK jest dostępny w wielu językach, w tym Python, Java, JavaScript i C#. Ten przewodnik szybkiego startu zawiera instrukcje dla każdego z tych języków.

Wskazówka

W pozostałej części tego artykułu pokazano, jak używać projektu Foundry. Wybierz projekt oparty na centrum w górnej części tego artykułu, jeśli zamiast tego chcesz użyć projektu opartego na centrum. Jakiego typu projektu potrzebuję?

Wymagania wstępne

• Subskrypcja platformy Azure. Jeśli nie masz subskrypcji platformy Azure, przed rozpoczęciem utwórz bezpłatne konto.
• Aby uzyskać odpowiednią kontrolę dostępu wymaganą do korzystania z projektu, musisz być właścicielem subskrypcji.

Ważne

Elementy oznaczone jako (wersja zapoznawcza) w tym artykule są aktualnie dostępne w publicznej wersji zapoznawczej. Ta wersja zapoznawcza jest udostępniana bez umowy dotyczącej poziomu usług i nie zalecamy korzystania z niej w przypadku obciążeń produkcyjnych. Niektóre funkcje mogą nie być obsługiwane lub mogą mieć ograniczone możliwości. Aby uzyskać więcej informacji, zobacz Warunki dodatkowe korzystania z testowych wersji Microsoft Azure.

Rozpoczynanie pracy z projektem i modelem

1. Zaloguj się do portalu usługi Azure AI Foundry.

2. Na stronie głównej wyszukaj, a następnie wybierz model gpt-4o .

   

3. Na stronie szczegółów modelu wybierz pozycję Użyj tego modelu.

4. Wypełnij nazwę, która ma być używana dla projektu, a następnie wybierz pozycję Utwórz.

5. Po utworzeniu zasobów znajdujesz się w środowisku czatu.

Konfigurowanie środowiska

Do korzystania z portalu usługi Azure AI Foundry nie jest konieczna instalacja.

Pyton

1. Instalowanie języka Python i interfejsu wiersza polecenia platformy Azure

2. Zainstaluj następujące pakiety:

   pip install openai azure-ai-projects azure-identity
   

3. Skopiuj punkt końcowy projektu Azure AI Foundry w sekcji Przegląd projektu. Użyjesz go za chwilę.

   

   Wskazówka

   Jeśli nie widzisz punktu końcowego projektu Azure AI Foundry, używasz projektu opartego na centrum. (Zobacz Typy projektów). Przejdź do projektu Foundry lub użyj powyższych kroków, aby go utworzyć.

4. Pamiętaj, aby zalogować się za pomocą CLI az login (lub az login --use-device-code) do uwierzytelnienia przed uruchomieniem skryptów Pythona.

Uwaga / Notatka

Cały kod w tym artykule znajduje się na GitHub Quickstart.

Java (wersja zapoznawcza)

1. Zainstaluj język Java i interfejs wiersza polecenia platformy Azure.

2. Skopiuj punkt końcowy projektu Azure AI Foundry w sekcji Przegląd projektu. Użyjesz go za chwilę.

   

   Wskazówka

   Jeśli nie widzisz punktu końcowego projektu Azure AI Foundry, używasz projektu opartego na centrum. (Zobacz Typy projektów). Przejdź do projektu Foundry lub użyj powyższych kroków, aby go utworzyć.

3. Ustaw następujące zmienne środowiskowe do użycia w skryptach:

   # Azure AI Foundry Endpoint
   AZURE_ENDPOINT=your_endpoint_here
   
   # Azure AI Foundry Model Deployment Name
   AZURE_DEPLOYMENT=your_deployment_name_here 
   
   # Project ID (Optional - will be generated if not provided)
   PROJECT_ID=your_project_id_here
   MODEL_DEPLOYMENT_NAME=gpt-4o
   
   # Note: This sample uses DefaultAzureCredential for authentication
   # Please ensure you are logged in with Azure CLI using 'az login'
   # For more authentication options, see: https://learn.microsoft.com/en-us/java/api/overview/azure/identity-readme?view=azure-java-stable
   

4. Pamiętaj, aby zalogować się przy użyciu polecenia interfejsu wiersza polecenia az login (lub az login --use-device-code), aby uwierzytelnić się przed uruchomieniem skryptów języka Java.

5. Pobierz POM.XML do środowiska IDE Java.

Uwaga / Notatka

Cały kod w tym artykule znajduje się na GitHub Quickstart.

JavaScript (wersja zapoznawcza)

1. Instalowanie Node.js i interfejsu wiersza polecenia platformy Azure

2. Pamiętaj, aby zalogować się za pomocą CLI az login (lub az login --use-device-code) aby się uwierzytelnić przed uruchomieniem skryptów JavaScript.

3. Pobierz package.json.

4. Instalowanie pakietów za pomocą polecenia npm install

5. Skopiuj punkt końcowy projektu Azure AI Foundry w sekcji Przegląd projektu. Użyjesz go za chwilę.

   

   Wskazówka

   Jeśli nie widzisz punktu końcowego projektu Azure AI Foundry, używasz projektu opartego na centrum. (Zobacz Typy projektów). Przejdź do projektu Foundry lub użyj powyższych kroków, aby go utworzyć.

6. Ustaw następujące zmienne środowiskowe do użycia w skryptach:

   MODEL_DEPLOYMENT_NAME=gpt-4o
   PROJECT_ENDPOINT=https://<your-foundry-resource-name>.services.ai.azure.com/api/projects/<your-foundry-project-name>
   

Uwaga / Notatka

Cały kod w tym artykule znajduje się na GitHub Quickstart.

C#

1. Instalowanie języka C# i interfejsu wiersza polecenia platformy Azure

2. Instalowanie pakietów:

   Aby pracować z usługami Azure AI w projekcie platformy .NET, należy zainstalować kilka pakietów NuGet. Dodaj pakiety NuGet przy użyciu interfejsu wiersza polecenia platformy .NET w zintegrowanym terminalu:

   # Add Azure AI SDK packages
   dotnet add package Azure.Identity
   dotnet add package Azure.AI.Projects
   dotnet add package Azure.AI.Agents.Persistent
   dotnet add package Azure.AI.Inference
   

3. Skopiuj punkt końcowy projektu Azure AI Foundry w sekcji Przegląd projektu. Użyjesz go za chwilę.

   

   Wskazówka

   Jeśli nie widzisz punktu końcowego projektu Azure AI Foundry, używasz projektu opartego na centrum. (Zobacz Typy projektów). Przejdź do projektu Foundry lub użyj powyższych kroków, aby go utworzyć.

4. Ustaw następujące zmienne środowiskowe do użycia w skryptach:

   AZURE_AI_ENDPOINT=https://your.services.ai.azure.com/api/projects/project
   AZURE_AI_MODEL=your_model_name
   

5. Pamiętaj, aby zalogować się, używając polecenia CLI az login (lub az login --use-device-code), aby uwierzytelnić się przed uruchomieniem skryptów C#.

Uwaga / Notatka

Cały kod w tym artykule znajduje się na GitHub Quickstart.

API REST

1. Instalowanie interfejsu wiersza polecenia platformy Azure

2. Przed uruchomieniem następnego polecenia upewnij się, że zaloguj się przy użyciu polecenia interfejsu wiersza polecenia az login (lub az login --use-device-code).

3. Uzyskiwanie tymczasowego tokenu dostępu. Wygaśnie on w ciągu 60–90 minut. Po tym czasie trzeba będzie odświeżyć.

   az account get-access-token --scope https://ai.azure.com/.default
   

4. Zapisz wyniki jako zmienną środowiskową AZURE_AI_AUTH_TOKEN.

Uwaga / Notatka

Cały kod w tym artykule znajduje się na GitHub Quickstart.

Uruchomienie zakończenia czatu

Uzupełnianie czatów to podstawowy blok konstrukcyjny aplikacji sztucznej inteligencji. Korzystając z uzupełniania czatu, możesz wysłać listę wiadomości i uzyskać odpowiedź od modelu.

1. Na placu zabaw czatu wypełnij monit i wybierz przycisk Wyślij .
2. Model zwraca odpowiedź w okienku Odpowiedź .

Pyton

Zastąp element endpoint swoim punktem końcowym w tym kodzie.

from azure.ai.projects import AIProjectClient
from azure.identity import DefaultAzureCredential

project = AIProjectClient(
    endpoint="https://your-foundry-resource-name.ai.azure.com/api/projects/project-name",
    credential=DefaultAzureCredential(),
)

models = project.inference.get_azure_openai_client(api_version="2024-10-21")
response = models.chat.completions.create(
    model="gpt-4o",
    messages=[
        {"role": "system", "content": "You are a helpful writing assistant"},
        {"role": "user", "content": "Write me a poem about flowers"},
    ],
)

print(response.choices[0].message.content)

Java (wersja zapoznawcza)

package com.azure.ai.foundry.samples;

import com.azure.ai.foundry.samples.utils.ConfigLoader;
import com.azure.ai.projects.ProjectsClient;
import com.azure.ai.projects.ProjectsClientBuilder;
import com.azure.ai.projects.models.chat.ChatClient;
import com.azure.ai.projects.models.chat.ChatCompletion;
import com.azure.ai.projects.models.chat.ChatCompletionOptions;
import com.azure.ai.projects.models.chat.ChatMessage;
import com.azure.ai.projects.models.chat.ChatRole;
import com.azure.identity.DefaultAzureCredential;
import com.azure.identity.DefaultAzureCredentialBuilder;
import com.azure.ai.projects.models.chat.ChatCompletionResponse;



import java.util.Arrays;
import java.util.List;

/**
 * This sample demonstrates how to use the chat completion API with the Azure AI Foundry SDK.
 * 
 * Chat completions allow you to have interactive, conversational interactions with AI models
 * by providing a list of messages and receiving AI-generated responses that maintain context
 * across the conversation.
 * 
 * This sample shows:
 * 1. How to authenticate with Azure AI Foundry using DefaultAzureCredential
 * 2. How to create a chat client for a specific model deployment
 * 3. How to structure a conversation with system and user messages
 * 4. How to configure and send a chat completion request
 * 5. How to process and display the AI-generated response
 * 
 * Prerequisites:
 * - An Azure account with access to Azure AI Foundry
 * - Azure CLI installed and logged in ('az login')
 * - Environment variables set in .env file (AZURE_ENDPOINT, AZURE_DEPLOYMENT)
 */
public class ChatCompletionSample {
    public static void main(String[] args) {
        // Load configuration values from the .env file
        // These include the service endpoint and the deployment name of the model to use
        String endpoint = ConfigLoader.getAzureEndpoint();
        String deploymentName = ConfigLoader.getAzureDeployment();
        
        // Get DefaultAzureCredential for authentication
        // This uses the most appropriate authentication method based on the environment
        // For local development, it will use your Azure CLI login credentials
        DefaultAzureCredential credential = ConfigLoader.getDefaultCredential();
        
        // Create a projects client to interact with Azure AI Foundry services
        // The client requires an authentication credential and an endpoint
        ProjectsClient client = new ProjectsClientBuilder()
            .credential(credential)
            .endpoint(endpoint)
            .buildClient();
        
        // Get a chat client for the specified model deployment 
        // This client provides access to chat completion functionality
        ChatClient chatClient = client.getChatClient(deploymentName);
        
        // Create a list of chat messages to form the conversation
        // This includes a system message to set the assistant's behavior
        // and a user message containing the user's question or prompt
        List<ChatMessage> messages = Arrays.asList(
            new ChatMessage(ChatRole.SYSTEM, "You are a helpful assistant."),
            new ChatMessage(ChatRole.USER, "Tell me about Azure AI Foundry.")
        );
        
        // Configure chat completion options including the messages, temperature, and token limit
        // - Temperature controls randomness: lower values (like 0.2) give more focused responses,
        //   higher values (like 0.8) give more creative responses
        // - MaxTokens limits the length of the response
        ChatCompletionOptions options = new ChatCompletionOptions(messages)
            .setTemperature(0.7)  // Balanced between deterministic and creative
            .setMaxTokens(800);   // Limit response length
        
        System.out.println("Sending chat completion request...");
        
        // Send the request and get the AI-generated completion
        ChatCompletion completion = chatClient.getChatCompletion(options);
        
        // Display the response
        System.out.println("\nResponse from assistant:");
        System.out.println(completion.getChoices().get(0).getMessage().getContent());
        
        // Display usage statistics
        System.out.println("\nUsage Statistics:");
        System.out.println("Prompt Tokens: " + completion.getUsage().getPromptTokens());
        System.out.println("Completion Tokens: " + completion.getUsage().getCompletionTokens());
        System.out.println("Total Tokens: " + completion.getUsage().getTotalTokens());
    }
}

JavaScript (wersja zapoznawcza)

// Get the Azure AI endpoint and deployment name from environment variables
const endpoint = process.env.PROJECT_ENDPOINT;
const deployment = process.env.MODEL_DEPLOYMENT_NAME || 'gpt-4o';

// Create an Azure OpenAI Client
const project = new AIProjectClient(endpoint, new DefaultAzureCredential());
const client = await project.inference.azureOpenAI({
    // The API version should match the version of the Azure OpenAI resource
    apiVersion: "2024-12-01-preview"
});

// Create a chat completion
const chatCompletion = await client.chat.completions.create({
    model: deployment,
    messages: [
        { role: "system", content: "You are a helpful writing assistant" },
        { role: "user", content: "Write me a poem about flowers" },
    ],
});
console.log(`\n==================== 🌷 COMPLETIONS POEM ====================\n`);
console.log(chatCompletion.choices[0].message.content);

C#

using Azure;
using Azure.Identity;
using Azure.AI.Projects;
using Azure.AI.Inference;

var projectEndpoint = new Uri(System.Environment.GetEnvironmentVariable("AZURE_AI_ENDPOINT"));
var modelDeploymentName = System.Environment.GetEnvironmentVariable("AZURE_AI_MODEL");
var credential = new DefaultAzureCredential();

AIProjectClient client = new AIProjectClient(projectEndpoint, credential);

ChatCompletionsClient chatClient = client.GetChatCompletionsClient();

var requestOptions = new ChatCompletionsOptions()
{
    Messages =
        {
            new ChatRequestSystemMessage("You are a helpful assistant."),
            new ChatRequestUserMessage("How many feet are in a mile?"),
        },
    Model = modelDeploymentName
};
Response<ChatCompletions> response = chatClient.Complete(requestOptions);
Console.WriteLine(response.Value.Content);

API REST

Zastąp YOUR-FOUNDRY-RESOURCE-NAME wartościami:

curl --request POST --url 'https://YOUR-FOUNDRY-RESOURCE-NAME.services.ai.azure.com/openai/deployments/gpt-4o/chat/completions?api-version=2024-10-21' \
-h 'authorization: Bearer $AZURE_AI_AUTH_TOKEN' \
-h 'content-type: application/json' \
-d '{
        "messages": [
            {"role": "system", 
            "content": "You are a helpful writing assistant"},
            {"role": "user", 
            "content": "Write me a poem about flowers"}
        ],
        "model": "gpt-4o"
    }'

Rozmowa z agentem

Agenci mają zaawansowane możliwości dzięki użyciu narzędzi. Zacznij od rozmowy z agentem.

Kiedy będziesz gotowy do wypróbowania agenta, zostanie utworzony dla ciebie domyślny agent. Aby porozmawiać z tym agentem:

1. W okienku po lewej stronie wybierz pozycję Place zabaw.
2. Na karcie Plac zabaw agentów wybierz pozycję Chodźmy.
3. Dodaj instrukcje, takie jak "Jesteś pomocnym asystentem pisania".
4. Zacznij rozmawiać z agentem, na przykład "Napisz mi wiersz o kwiatach".

Pyton

Zastąp element endpoint swoim punktem końcowym w tym kodzie.

from azure.ai.projects import AIProjectClient
from azure.identity import DefaultAzureCredential
from azure.ai.agents.models import ListSortOrder, FilePurpose

project = AIProjectClient(
    endpoint="https://your-foundry-resource-name.ai.azure.com/api/projects/project-name",
    credential=DefaultAzureCredential(),
)

agent = project.agents.create_agent(
    model="gpt-4o",
    name="my-agent",
    instructions="You are a helpful writing assistant")

thread = project.agents.threads.create()
message = project.agents.messages.create(
    thread_id=thread.id, 
    role="user", 
    content="Write me a poem about flowers")

run = project.agents.runs.create_and_process(thread_id=thread.id, agent_id=agent.id)
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.agents.messages.list(thread_id=thread.id)

# Get the last message from the sender
messages = project.agents.messages.list(thread_id=thread.id, order=ListSortOrder.ASCENDING)
for message in messages:
    if message.run_id == run.id and message.text_messages:
        print(f"{message.role}: {message.text_messages[-1].text.value}")

# Delete the agent once done
project.agents.delete_agent(agent.id)
print("Deleted agent")

Java (wersja zapoznawcza)

package com.azure.ai.foundry.samples;

import com.azure.ai.foundry.samples.utils.ConfigLoader;
import com.azure.ai.projects.ProjectsClient;
import com.azure.ai.projects.ProjectsClientBuilder;
import com.azure.ai.projects.models.agent.Agent;
import com.azure.ai.projects.models.agent.AgentClient;
import com.azure.ai.projects.models.agent.AgentMessage;
import com.azure.ai.projects.models.agent.AgentOptions;
import com.azure.ai.projects.models.agent.AgentRole;
import com.azure.ai.projects.models.agent.AgentRun;
import com.azure.ai.projects.models.agent.AgentRunStatus;
import com.azure.ai.projects.models.agent.AgentThread;
import com.azure.identity.DefaultAzureCredential;
 
import java.util.List;

/**
 * This sample demonstrates how to create and run an agent using the Azure AI Foundry SDK.
 * 
 * Agents in Azure AI Foundry are specialized AI assistants that can be customized with
 * specific instructions and capabilities to perform particular tasks. They maintain conversation
 * history in threads and can be deployed for various use cases.
 * 
 * This sample shows:
 * 1. How to authenticate with Azure AI Foundry using DefaultAzureCredential
 * 2. How to create an agent with specific instructions and capabilities
 * 3. How to create a thread for conversation with the agent
 * 4. How to send messages to the agent and run it
 * 5. How to wait for the agent to complete its execution
 * 6. How to retrieve and display the agent's response
 * 
 * Prerequisites:
 * - An Azure account with access to Azure AI Foundry
 * - Azure CLI installed and logged in ('az login')
 * - Environment variables set in .env file (AZURE_ENDPOINT, AZURE_DEPLOYMENT)
 */
public class AgentSample {
    public static void main(String[] args) {
        // Load configuration values from the .env file
        // These include the service endpoint and the deployment name of the model to use
        String endpoint = ConfigLoader.getAzureEndpoint();
        String deploymentName = ConfigLoader.getAzureDeployment();
        
        // Get DefaultAzureCredential for authentication
        // This uses the most appropriate authentication method based on the environment
        // For local development, it will use your Azure CLI login credentials
        DefaultAzureCredential credential = ConfigLoader.getDefaultCredential();
        
        // Create a projects client to interact with Azure AI Foundry services
        // The client requires an authentication credential and an endpoint
        ProjectsClient client = new ProjectsClientBuilder()
            .credential(credential)
            .endpoint(endpoint)
            .buildClient();
        
        // Get an agent client, which provides operations for working with AI agents
        // This includes creating, configuring, and running agents
        AgentClient agentClient = client.getAgentClient();
        
        // Create a new agent with specialized capabilities and instructions
        // The agent is configured with a name, description, instructions, and underlying model
        System.out.println("Creating agent...");
        Agent agent = agentClient.createAgent(new AgentOptions()
            .setName("Research Assistant")                       // Descriptive name for the agent
            .setDescription("An agent that helps with research tasks")  // Brief description of the agent's purpose
            .setInstructions("You are a research assistant. Help users find information and summarize content.") // Detailed instructions for the agent's behavior
            .setModel(deploymentName));                          // The underlying AI model to power the agent
        
        System.out.println("Agent created: " + agent.getName() + " (ID: " + agent.getId() + ")");
        
        // Create a thread for the conversation with the agent
        // Threads maintain conversation history and state across multiple interactions
        System.out.println("Creating thread...");
        AgentThread thread = agentClient.createThread();
        System.out.println("Thread created: " + thread.getId());
        
        // Create a user message
        AgentMessage userMessage = new AgentMessage()
            .setRole(AgentRole.USER)
            .setContent("Explain what cloud computing is and list three benefits.");
        
        // Run the agent
        System.out.println("Running agent...");
        AgentRun run = agentClient.createRun(thread.getId(), agent.getId(), userMessage);
        System.out.println("Run created: " + run.getId());
        
        // Wait for the run to complete
        AgentRun completedRun = waitForRunCompletion(agentClient, thread.getId(), run.getId());
        System.out.println("Run completed with status: " + completedRun.getStatus());
        
        // Get messages from the thread
        List<AgentMessage> messages = agentClient.getMessages(thread.getId());
        
        // Display the assistant's response
        System.out.println("\nConversation:");
        for (AgentMessage message : messages) {
            System.out.println(message.getRole() + ": " + message.getContent());
        }
    }
    
    private static AgentRun waitForRunCompletion(AgentClient agentClient, String threadId, String runId) {
        AgentRun run = agentClient.getRun(threadId, runId);
        
        while (run.getStatus() == AgentRunStatus.QUEUED || run.getStatus() == AgentRunStatus.IN_PROGRESS) {
            try {
                System.out.println("Run status: " + run.getStatus() + " - waiting...");
                Thread.sleep(1000); // Wait for 1 second before checking again
                run = agentClient.getRun(threadId, runId);
            } catch (InterruptedException e) {
                Thread.currentThread().interrupt();
                throw new RuntimeException("Thread was interrupted", e);
            }
        }
        
        return run;
    }
}

JavaScript (wersja zapoznawcza)

const endpoint = process.env.PROJECT_ENDPOINT;
const deployment = process.env.MODEL_DEPLOYMENT_NAME || 'gpt-4o';
const client = new AIProjectClient(endpoint, new DefaultAzureCredential());

// Create an Agent
const agent = await client.agents.createAgent(deployment, {
    name: 'my-agent',
    instructions: 'You are a helpful agent'
});
console.log(`\n==================== 🕵️  POEM AGENT ====================`);

// Create a thread and message
const thread = await client.agents.threads.create();
const prompt = 'Write me a poem about flowers';
console.log(`\n---------------- 📝 User Prompt ---------------- \n${prompt}`);
await client.agents.messages.create(thread.id, 'user', prompt);

// Create run
let run = await client.agents.runs.create(thread.id, agent.id);

// Wait for run to complete
console.log(`\n---------------- 🚦 Run Status ----------------`);
while (['queued', 'in_progress', 'requires_action'].includes(run.status)) {
    // Avoid adding a lot of messages to the console
    await new Promise((resolve) => setTimeout(resolve, 1000));
    run = await client.agents.runs.get(thread.id, run.id);
    console.log(`Run status: ${run.status}`);
}

console.log('\n---------------- 📊 Token Usage ----------------');
console.table([run.usage]);

const messagesIterator = await client.agents.messages.list(thread.id);
const assistantMessage = await getAssistantMessage(messagesIterator);
console.log('\n---------------- 💬 Response ----------------');
printAssistantMessage(assistantMessage);

// Clean up
console.log(`\n---------------- 🧹 Clean Up Poem Agent ----------------`);
await client.agents.deleteAgent(agent.id);
console.log(`Deleted Agent, Agent ID: ${agent.id}`);

C#

using Azure;
using Azure.Identity;
using Azure.AI.Agents.Persistent;

// Creating the Client for agents
var projectEndpoint = System.Environment.GetEnvironmentVariable("AZURE_AI_ENDPOINT");
var modelDeploymentName = System.Environment.GetEnvironmentVariable("AZURE_AI_MODEL");
PersistentAgentsClient client = new(projectEndpoint, new DefaultAzureCredential());

// Create an Agent with toolResources and process Agent run
PersistentAgent agent = client.Administration.CreateAgent(
        model: modelDeploymentName,
        name: "SDK Test Agent - Tutor",
        instructions: "You are a personal electronics tutor. Write and run code to answer questions.",
        tools: new List<ToolDefinition> { new CodeInterpreterToolDefinition() });

// Create thread for communication
PersistentAgentThread thread = client.Threads.CreateThread();

// Create message to thread
PersistentThreadMessage messageResponse = client.Messages.CreateMessage(
    thread.Id,
    MessageRole.User,
    "I need to solve the equation `3x + 11 = 14`. Can you help me?");

// Run the Agent
ThreadRun run = client.Runs.CreateRun(thread, agent);

// Wait for the run to complete
do
{
    Thread.Sleep(TimeSpan.FromMilliseconds(500));
    run = client.Runs.GetRun(thread.Id, run.Id);
}
while (run.Status == RunStatus.Queued
    || run.Status == RunStatus.InProgress);
Pageable<PersistentThreadMessage> messages = client.Messages.GetMessages(
    threadId: thread.Id,
    order: ListSortOrder.Ascending
);
// Print the messages in the thread
WriteMessages(messages);

// Delete the thread and agent after use
client.Threads.DeleteThread(thread.Id);
client.Administration.DeleteAgent(agent.Id);

// Temporary function to use a list of messages in the thread and write them to the console.
static void WriteMessages(IEnumerable<PersistentThreadMessage> messages)
{
    foreach (PersistentThreadMessage 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();
        }
    }
}

API REST

Zastąp YOUR-FOUNDRY-RESOURCE-NAME i YOUR-PROJECT-NAME swoimi wartościami.

# Create agent
curl --request POST --url "https://YOUR-FOUNDRY-RESOURCE-NAME.services.ai.azure.com/api/projects/YOUR-PROJECT-NAME/assistants?api-version=v1" \
    -h "authorization: Bearer $AZURE_AI_AUTH_TOKEN" \
    -h "content-type: application/json" \
    -d '{
            "model": "gpt-4o",
            "name": "my-agent",
            "instructions": "You are a helpful writing assistant"
        }'
#Lets say agent ID created is asst_123456789. Use this to run the agent

# Create thread
curl --request POST --url 'https://YOUR-FOUNDRY-RESOURCE-NAME.services.ai.azure.com/api/projects/YOUR-PROJECT-NAME/threads?api-version=v1' \
    -h 'authorization: Bearer $AZURE_AI_AUTH_TOKEN' \
    -h 'content-type: application/json'

#Lets say thread ID created is thread_123456789. Use this in the next step

# Create message using thread ID
curl --request POST --url 'https://YOUR-FOUNDRY-RESOURCE-NAME.services.ai.azure.com/api/projects/YOUR-PROJECT-NAME/threads/thread_123456789/messages?api-version=v1' \
    -h 'authorization: Bearer $AZURE_AI_AUTH_TOKEN' \
    -h 'content-type: application/json' \
    -d '{
            "role": "user",
            "content": "Write me a poem about flowers"
        }'

# Run thread with the agent - use both agent id and thread id
curl --request POST --url 'https://YOUR-FOUNDRY-RESOURCE-NAME.services.ai.azure.com/api/projects/YOUR-PROJECT-NAME/threads/thread_123456789/runs?api-version=v1' \
    -h 'authorization: Bearer $AZURE_AI_AUTH_TOKEN' \
    -h 'content-type: application/json' \
    --data '{
        "assistant_id": "asst_123456789"
    }'

# List the messages in the thread using thread ID
curl --request GET --url 'https://YOUR-FOUNDRY-RESOURCE-NAME.services.ai.azure.com/api/projects/YOUR-PROJECT-NAME/threads/thread_123456789/messages?api-version=v1' \
    -h 'authorization: Bearer $AZURE_AI_AUTH_TOKEN' \
    -h 'content-type: application/json'

# Delete agent once done using agent id
curl --request DELETE --url 'https://YOUR-FOUNDRY-RESOURCE-NAME.services.ai.azure.com/api/projects/YOUR-PROJECT-NAME/assistants/asst_123456789?api-version=v1' \
    -h 'authorization: Bearer $AZURE_AI_AUTH_TOKEN' \
    -h 'content-type: application/json'

Dodawanie plików do agenta

Teraz dodajmy narzędzie do wyszukiwania plików, które umożliwia nam pobieranie wiedzy.

• Pobierz plik product_info_1.md , aby przekazać agentowi.

1. W okienku Konfiguracja agenta przewiń w dół, jeśli to konieczne, aby znaleźć wiedzę.
2. Wybierz Dodaj.
3. Wybierz Pliki, aby załadować plik product_info_1.md.
4. Wybierz pozycję Wybierz pliki lokalne w obszarze Dodaj pliki.
5. Wybierz pozycję Przekaż i zapisz.
6. Zmień instrukcje agentów, takie jak "Jesteś pomocnym asystentem i możesz wyszukiwać informacje z przekazanych plików".
7. Zadaj pytanie, takie jak "Witaj, co wiesz o produktach Firmy Contoso?"
8. Aby dodać więcej plików, wybierz pozycję ... w magazynie AgentVectorStore, a następnie wybierz pozycję Zarządzaj.

Pyton

Zastąp element endpoint swoim punktem końcowym w tym kodzie.

from azure.ai.projects import AIProjectClient
from azure.identity import DefaultAzureCredential
from azure.ai.agents.models import ListSortOrder, FileSearchTool

project = AIProjectClient(
    endpoint="https://your-foundry-resource-name.ai.azure.com/api/projects/project-name",
    credential=DefaultAzureCredential(),
)

# Upload file and create vector store
file = project.agents.files.upload(file_path="./product_info_1.md", purpose=FilePurpose.AGENTS)
vector_store = project.agents.vector_stores.create_and_poll(file_ids=[file.id], name="my_vectorstore")

# Create file search tool and agent
file_search = FileSearchTool(vector_store_ids=[vector_store.id])
agent = project.agents.create_agent(
    model="gpt-4o",
    name="my-assistant",
    instructions="You are a helpful assistant and can search information from uploaded files",
    tools=file_search.definitions,
    tool_resources=file_search.resources,
)

# Create thread and process user message
thread = project.agents.threads.create()
project.agents.messages.create(thread_id=thread.id, role="user", content="Hello, what Contoso products do you know?")
run = project.agents.runs.create_and_process(thread_id=thread.id, agent_id=agent.id)

# Handle run status
if run.status == "failed":
    print(f"Run failed: {run.last_error}")

# Print thread messages
messages = project.agents.messages.list(thread_id=thread.id, order=ListSortOrder.ASCENDING)
for message in messages:
    if message.run_id == run.id and message.text_messages:
        print(f"{message.role}: {message.text_messages[-1].text.value}")

# Cleanup resources
project.agents.vector_stores.delete(vector_store.id)
project.agents.files.delete(file_id=file.id)
project.agents.delete_agent(agent.id)

Java (wersja zapoznawcza)

package com.azure.ai.foundry.samples;

import com.azure.ai.foundry.samples.utils.ConfigLoader;
import com.azure.ai.projects.ProjectsClient;
import com.azure.ai.projects.ProjectsClientBuilder;
import com.azure.ai.projects.models.agent.Agent;
import com.azure.ai.projects.models.agent.AgentClient;
import com.azure.ai.projects.models.agent.AgentMessage;
import com.azure.ai.projects.models.agent.AgentOptions;
import com.azure.ai.projects.models.agent.AgentRole;
import com.azure.ai.projects.models.agent.AgentRun;
import com.azure.ai.projects.models.agent.AgentRunStatus;
import com.azure.ai.projects.models.agent.AgentThread;
import com.azure.ai.projects.models.agent.FileTool;
import com.azure.ai.projects.models.file.File;
import com.azure.ai.projects.models.file.FileClient;
import com.azure.identity.DefaultAzureCredential;

import java.io.IOException;
import java.nio.file.Files;
import java.nio.file.Path;
import java.util.List;

/**
 * This sample demonstrates how to create an agent with file search capability using the Azure AI Foundry SDK.
 * 
 * File search agents can analyze and extract information from documents, allowing users to ask
 * questions about the content of those documents. This extends the capabilities of regular agents
 * by giving them access to specific information contained in files.
 *  
 * This sample shows:
 * 1. How to authenticate with Azure AI Foundry using DefaultAzureCredential
 * 2. How to create and upload a sample document
 * 3. How to create an agent with file search capabilities
 * 4. How to configure the agent with access to specific files
 * 5. How to run the agent and ask questions about the document content
 * 6. How to retrieve and display the agent's responses
 * 
 * Use cases for file search agents include:
 * - Document analysis and summarization
 * - Question answering from technical documentation
 * - Data extraction from structured files
 * - Research assistance across multiple documents
 * 
 * Prerequisites:
 * - An Azure account with access to Azure AI Foundry
 * - Azure CLI installed and logged in ('az login')
 * - Environment variables set in .env file (AZURE_ENDPOINT, AZURE_DEPLOYMENT)
 */
public class FileSearchAgentSample {
    public static void main(String[] args) {
        // Load configuration values from the .env file
        // These include the service endpoint and the deployment name of the model to use
        String endpoint = ConfigLoader.getAzureEndpoint();
        String deploymentName = ConfigLoader.getAzureDeployment();
        
        // Get DefaultAzureCredential for authentication
        // This uses the most appropriate authentication method based on the environment
        // For local development, it will use your Azure CLI login credentials
        DefaultAzureCredential credential = ConfigLoader.getDefaultCredential();
        
        // Create a projects client to interact with Azure AI Foundry services
        // The client requires an authentication credential and an endpoint
        ProjectsClient client = new ProjectsClientBuilder()
            .credential(credential)
            .endpoint(endpoint)
            .buildClient();
        
        try {
            // Create a sample document containing information about cloud computing
            // In a real application, you would use your own existing documents
            Path tempFile = createSampleDocument();
            
            // Get a file client to handle file operations
            // This is used to upload files that the agent will search through
            FileClient fileClient = client.getFileClient();
            
            // Upload the file to Azure AI Foundry
            // The uploaded file will be available for the agent to search and analyze
            System.out.println("Uploading file: " + tempFile);
            File uploadedFile = fileClient.uploadFile(tempFile.toString());
            System.out.println("File uploaded with ID: " + uploadedFile.getId());
            
            // Get an agent client
            AgentClient agentClient = client.getAgentClient();
            
            // Create an agent with file search capability
            System.out.println("Creating agent with file search capability...");
            Agent agent = agentClient.createAgent(new AgentOptions()
                .setName("Document Assistant")
                .setDescription("An agent that helps with document searching")
                .setInstructions("You are a document assistant. Help users find information in their documents.")
                .setModel(deploymentName)
                .addTool(new FileTool()
                    .addFile(uploadedFile.getId())));
            
            System.out.println("Agent created: " + agent.getName() + " (ID: " + agent.getId() + ")");
            
            // Create a thread for the conversation
            System.out.println("Creating thread...");
            AgentThread thread = agentClient.createThread();
            System.out.println("Thread created: " + thread.getId());
            
            // Create a user message
            AgentMessage userMessage = new AgentMessage()
                .setRole(AgentRole.USER)
                .setContent("Find and list the benefits of cloud computing from my document.");
            
            // Run the agent
            System.out.println("Running agent...");
            AgentRun run = agentClient.createRun(thread.getId(), agent.getId(), userMessage);
            System.out.println("Run created: " + run.getId());
            
            // Wait for the run to complete
            AgentRun completedRun = waitForRunCompletion(agentClient, thread.getId(), run.getId());
            System.out.println("Run completed with status: " + completedRun.getStatus());
            
            // Get messages from the thread
            List<AgentMessage> messages = agentClient.getMessages(thread.getId());
            
            // Display the assistant's response
            System.out.println("\nConversation:");
            for (AgentMessage message : messages) {
                System.out.println(message.getRole() + ": " + message.getContent());
            }
            
            // Clean up the temporary file
            Files.deleteIfExists(tempFile);
            
        } catch (IOException e) {
            System.err.println("Error working with files: " + e.getMessage());
            e.printStackTrace();
        }
    }
    
    private static Path createSampleDocument() throws IOException {
        String content = "# Cloud Computing Overview\n\n" +
                "Cloud computing is the delivery of computing services—including servers, storage, databases, networking, software, analytics, and intelligence—over the Internet ("the cloud") to offer faster innovation, flexible resources, and economies of scale.\n\n" +
                "## Benefits of Cloud Computing\n\n" +
                "1. **Cost Savings**: Cloud computing eliminates the capital expense of buying hardware and software and setting up and running on-site data centers.\n\n" +
                "2. **Scalability**: Cloud services can be scaled up or down based on demand, providing businesses with flexibility as their needs change.\n\n" +
                "3. **Performance**: The biggest cloud computing services run on a worldwide network of secure data centers, which are regularly upgraded to the latest generation of fast and efficient computing hardware.\n\n" +
                "4. **Reliability**: Cloud computing makes data backup, disaster recovery, and business continuity easier and less expensive because data can be mirrored at multiple redundant sites on the cloud provider's network.\n\n" +
                "5. **Security**: Many cloud providers offer a broad set of policies, technologies, and controls that strengthen your security posture overall.";
        
        Path tempFile = Files.createTempFile("cloud-computing-info-", ".md");
        Files.writeString(tempFile, content);
        return tempFile;
    }
    
    private static AgentRun waitForRunCompletion(AgentClient agentClient, String threadId, String runId) {
        AgentRun run = agentClient.getRun(threadId, runId);
        
        while (run.getStatus() == AgentRunStatus.QUEUED || run.getStatus() == AgentRunStatus.IN_PROGRESS) {
            try {
                System.out.println("Run status: " + run.getStatus() + " - waiting...");
                Thread.sleep(1000); // Wait for 1 second before checking again
                run = agentClient.getRun(threadId, runId);
            } catch (InterruptedException e) {
                Thread.currentThread().interrupt();
                throw new RuntimeException("Thread was interrupted", e);
            }
        }
        
        return run;
    }
}

JavaScript (wersja zapoznawcza)

// Upload a file named product_info_1.md
console.log(`\n==================== 🕵️  FILE AGENT ====================`);
const __dirname = path.dirname(fileURLToPath(import.meta.url));
const filePath = path.join(__dirname, '../data/product_info_1.md');
const fileStream = fs.createReadStream(filePath);
fileStream.on('data', (chunk) => {
    console.log(`Read ${chunk.length} bytes of data.`);
});
const file = await client.agents.files.upload(fileStream, 'assistants', {
    fileName: 'product_info_1.md'
});
console.log(`Uploaded file, ID: ${file.id}`);
const vectorStore = await client.agents.vectorStores.create({
    fileIds: [file.id],
    name: 'my_vectorstore'
});
console.log('\n---------------- 🗃️ Vector Store Info ----------------');
console.table([
    {
        'Vector Store ID': vectorStore.id,
        'Usage (bytes)': vectorStore.usageBytes,
        'File Count': vectorStore.fileCounts?.total ?? 'N/A'
    }
]);

// Create an Agent and a FileSearch tool
const fileSearchTool = ToolUtility.createFileSearchTool([vectorStore.id]);
const fileAgent = await client.agents.createAgent(deployment, {
    name: 'my-file-agent',
    instructions: 'You are a helpful assistant and can search information from uploaded files',
    tools: [fileSearchTool.definition],
    toolResources: fileSearchTool.resources,
});

// Create a thread and message
const fileSearchThread = await client.agents.threads.create({ toolResources: fileSearchTool.resources });
const filePrompt = 'What are the steps to setup the TrailMaster X4 Tent?';
console.log(`\n---------------- 📝 User Prompt ---------------- \n${filePrompt}`);
await client.agents.messages.create(fileSearchThread.id, 'user', filePrompt);

// Create run
let fileSearchRun = await client.agents.runs.create(fileSearchThread.id, fileAgent.id).stream();

for await (const eventMessage of fileSearchRun) {
    if (eventMessage.event === DoneEvent.Done) {
        console.log(`Run completed: ${eventMessage.data}`);
    }
    if (eventMessage.event === ErrorEvent.Error) {
        console.log(`An error occurred. ${eventMessage.data}`);
    }
}

const fileSearchMessagesIterator = await client.agents.messages.list(fileSearchThread.id);
const fileAssistantMessage = await getAssistantMessage(fileSearchMessagesIterator);
console.log(`\n---------------- 💬 Response ---------------- \n`);
printAssistantMessage(fileAssistantMessage);

// Clean up
console.log(`\n---------------- 🧹 Clean Up File Agent ----------------`);
client.agents.vectorStores.delete(vectorStore.id);
client.agents.files.delete(file.id);
client.agents.deleteAgent(fileAgent.id);
console.log(`Deleted VectorStore, File, and FileAgent. FileAgent ID: ${fileAgent.id}`);

C#

using Azure;
using Azure.Identity;
using Azure.AI.Agents.Persistent;

// Creating the Client for agents and vector stores
var projectEndpoint = System.Environment.GetEnvironmentVariable("AZURE_AI_ENDPOINT");
var modelDeploymentName = System.Environment.GetEnvironmentVariable("AZURE_AI_MODEL");
PersistentAgentsClient client = new(projectEndpoint, new DefaultAzureCredential());

PersistentAgentFileInfo uploadedAgentFile = client.Files.UploadFile(
    filePath: "product_info_1.md",
    purpose: PersistentAgentFilePurpose.Agents);

// Create a vector store with the file and wait for it to be processed.
// If you do not specify a vector store, create_message will create a vector store with a default expiration policy of seven days after they were last active

Dictionary<string, string> fileIds = new()
{
    { uploadedAgentFile.Id, uploadedAgentFile.Filename }
};

PersistentAgentsVectorStore vectorStore = client.VectorStores.CreateVectorStore(
    name: "my_vector_store");

// Add file ID to vector store.
VectorStoreFile vctFile = client.VectorStores.CreateVectorStoreFile(
    vectorStoreId: vectorStore.Id,
    fileId: uploadedAgentFile.Id
);

Console.WriteLine($"Added file to vector store. The id file in the vector store is {vctFile.Id}.");

FileSearchToolResource fileSearchToolResource = new FileSearchToolResource();
fileSearchToolResource.VectorStoreIds.Add(vectorStore.Id);

// Create an Agent with toolResources and process Agent run
PersistentAgent agent = client.Administration.CreateAgent(
        model: modelDeploymentName,
        name: "SDK Test Agent - Retrieval",
        instructions: "You are a helpful agent that can help fetch data from files you know about.",
        tools: new List<ToolDefinition> { new FileSearchToolDefinition() },
        toolResources: new ToolResources() { FileSearch = fileSearchToolResource });

// Create thread for communication
PersistentAgentThread thread = client.Threads.CreateThread();

// Create message to thread
PersistentThreadMessage messageResponse = client.Messages.CreateMessage(
    thread.Id,
    MessageRole.User,
    "Can you give me information on how to mount the product?");

// Run the Agent
ThreadRun run = client.Runs.CreateRun(thread, agent);

// Wait for the run to complete
// This is a blocking call, so it will wait until the run is completed
do
{
    Thread.Sleep(TimeSpan.FromMilliseconds(500));
    run = client.Runs.GetRun(thread.Id, run.Id);
}
while (run.Status == RunStatus.Queued
    || run.Status == RunStatus.InProgress);

// Create a list of messages in the thread and write them to the console.
Pageable<PersistentThreadMessage> messages = client.Messages.GetMessages(
    threadId: thread.Id,
    order: ListSortOrder.Ascending
);
WriteMessages(messages, fileIds);

// Delete the thread and agent after use
client.VectorStores.DeleteVectorStore(vectorStore.Id);
client.Files.DeleteFile(uploadedAgentFile.Id);
client.Threads.DeleteThread(thread.Id);
client.Administration.DeleteAgent(agent.Id);

// Helper method to write messages to the console
static void WriteMessages(IEnumerable<PersistentThreadMessage> messages, Dictionary<string, string> fileIds)
{
    foreach (PersistentThreadMessage threadMessage in messages)
    {
        Console.Write($"{threadMessage.CreatedAt:yyyy-MM-dd HH:mm:ss} - {threadMessage.Role,10}: ");
        foreach (MessageContent contentItem in threadMessage.ContentItems)
        {
            if (contentItem is MessageTextContent textItem)
            {
                if (threadMessage.Role == MessageRole.Agent && textItem.Annotations.Count > 0)
                {
                    string strMessage = textItem.Text;
                    foreach (MessageTextAnnotation annotation in textItem.Annotations)
                    {
                        if (annotation is MessageTextFilePathAnnotation pathAnnotation)
                        {
                            strMessage = replaceReferences(fileIds, pathAnnotation.FileId, pathAnnotation.Text, strMessage);
                        }
                        else if (annotation is MessageTextFileCitationAnnotation citationAnnotation)
                        {
                            strMessage = replaceReferences(fileIds, citationAnnotation.FileId, citationAnnotation.Text, strMessage);
                        }
                    }
                    Console.Write(strMessage);
                }
                else
                {
                    Console.Write(textItem.Text);
                }
            }
            else if (contentItem is MessageImageFileContent imageFileItem)
            {
                Console.Write($"<image from ID: {imageFileItem.FileId}");
            }
            Console.WriteLine();
        }
    }
}

// Helper method to replace file references in the text
static string replaceReferences(Dictionary<string, string> fileIds, string fileID, string placeholder, string text)
{
    if (fileIds.TryGetValue(fileID, out string replacement))
        return text.Replace(placeholder, $" [{replacement}]");
    else
        return text.Replace(placeholder, $" [{fileID}]");
}

API REST

Zastąp YOUR-FOUNDRY-RESOURCE-NAME i YOUR-PROJECT-NAME swoimi wartościami.

#Upload the file
curl --request POST --url 'https://YOUR-FOUNDRY-RESOURCE-NAME.services.ai.azure.com/api/projects/YOUR-PROJECT-NAME/files?api-version=v1' \ 
    -h 'authorization: Bearer $AZURE_AI_AUTH_TOKEN' \ 
    -f purpose="assistant" \
    -f file="@product_info_1.md" #File object (not file name) to be uploaded.
#Lets say file ID created is assistant-123456789. Use this in the next step

# create vector store
curl --request POST --url 'https://YOUR-FOUNDRY-RESOURCE-NAME.services.ai.azure.com/api/projects/YOUR-PROJECT-NAME/vector_stores?api-version=v1' \ 
-h 'authorization: Bearer $AZURE_AI_AUTH_TOKEN' \ 
-h 'content-type: application/json' \ 
-d '{
        "name": "my_vectorstore",
        "file_ids": ["assistant-123456789"]
    }'
#Lets say Vector Store ID created is vs_123456789. Use this in the next step

# Create Agent for File Search
curl --request POST --url 'https://YOUR-FOUNDRY-RESOURCE-NAME.services.ai.azure.com/api/projects/YOUR-PROJECT-NAME/assistants?api-version=v1' \
    -h 'authorization: Bearer $AZURE_AI_AUTH_TOKEN' \ 
    -h 'content-type: application/json' \ 
    -d '{
        "model": "gpt-4o",
        "name": "my-assistant",
        "instructions": "You are a helpful assistant and can search information from uploaded files",
        "tools": [{"type": "file_search"}],
        "tool_resources": {"file_search": {"vector_store_ids": ["vs_123456789"]}}
    }'
#Lets say agent ID created is asst_123456789. Use this to run the agent

# Create thread
curl --request POST --url 'https://YOUR-FOUNDRY-RESOURCE-NAME.services.ai.azure.com/api/projects/YOUR-PROJECT-NAME/threads?api-version=v1' \
    -h 'authorization: Bearer $AZURE_AI_AUTH_TOKEN' \
    -h 'content-type: application/json'
#Lets say thread ID created is thread_123456789. Use this in the next step

# Create message using thread ID
curl --request POST --url 'https://YOUR-FOUNDRY-RESOURCE-NAME.services.ai.azure.com/api/projects/YOUR-PROJECT-NAME/threads/thread_123456789/messages?api-version=v1' \
    -h 'authorization: Bearer $AZURE_AI_AUTH_TOKEN' \
    -h 'content-type: application/json' \
    -d '{
            "role": "user",
            "content": "Hello, what Contoso products do you know?"
        }'

# Run thread with the agent - use both agent id and thread id
curl --request POST --url 'https://YOUR-FOUNDRY-RESOURCE-NAME.services.ai.azure.com/api/projects/YOUR-PROJECT-NAME/threads/thread_123456789/runs?api-version=v1' \
    -h 'authorization: Bearer $AZURE_AI_AUTH_TOKEN' \
    -h 'content-type: application/json' \
    --data '{
        "assistant_id": "asst_123456789"
    }'

# List the messages in the thread using thread ID
curl --request GET --url 'https://YOUR-FOUNDRY-RESOURCE-NAME.services.ai.azure.com/api/projects/YOUR-PROJECT-NAME/threads/thread_123456789/messages?api-version=v1' \
    -h 'authorization: Bearer $AZURE_AI_AUTH_TOKEN' \
    -h 'content-type: application/json'

# Delete agent once done using agent id
curl --request DELETE --url 'https://YOUR-FOUNDRY-RESOURCE-NAME.services.ai.azure.com/api/projects/YOUR-PROJECT-NAME/assistants/asst_123456789?api-version=v1' \
    -h 'authorization: Bearer $AZURE_AI_AUTH_TOKEN' \
    -h 'content-type: application/json'

Uprzątnij zasoby

Jeśli nie są już potrzebne, usuń grupę zasobów skojarzona z projektem.

W portalu Azure AI Foundry wybierz nazwę projektu w prawym górnym rogu. Następnie wybierz link do grupy zasobów, aby otworzyć ją w witrynie Azure Portal. Wybierz grupę zasobów, a następnie wybierz pozycję Usuń. Upewnij się, że chcesz usunąć grupę zasobów.

Treści powiązane

Omówienie biblioteki klienta usługi Azure AI Foundry