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. Zainstaluj te pakiety.

   pip install azure-ai-inference azure-identity azure-ai-projects==1.0.0b10
   

   Uwaga / Notatka

   Różne typy projektów wymagają różnych wersji azure-ai-projects pakietu. Aby uniknąć konfliktów, utwórz oddzielne środowiska języka Python: użyj wersji 1.0.0b10 dla projektów opartych na hubie i najnowszej wersji dla projektów Foundry.

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

Uprzątnij zasoby

Jeśli nie potrzebujesz już żadnych utworzonych zasobów, 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.

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:

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

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

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.inference.ChatCompletionsClient;
import com.azure.ai.inference.ChatCompletionsClientBuilder;
import com.azure.ai.inference.models.ChatCompletions;
import com.azure.core.credential.AzureKeyCredential;
import com.azure.core.credential.TokenCredential;
import com.azure.core.exception.HttpResponseException;
import com.azure.core.util.logging.ClientLogger;
import com.azure.identity.DefaultAzureCredentialBuilder;

/**
 * Sample demonstrating non-streaming chat completion functionality
 * using the Azure AI Inference SDK, wired to your AOAI project endpoint.
 *
 * Environment variables:
 * - PROJECT_ENDPOINT:          Required. Your Azure AI project endpoint.
 * - AZURE_AI_API_KEY:          Optional. Your API key (falls back to DefaultAzureCredential).
 * - AZURE_MODEL_DEPLOYMENT_NAME: Optional. Model deployment name (default: "phi-4").
 * - AZURE_MODEL_API_PATH:      Optional. API path segment (default: "deployments").
 * - CHAT_PROMPT:               Optional. The prompt to send (uses a default if not provided).
 * 
 * SDK Features Demonstrated:
 * - Using the Azure AI Inference SDK (com.azure:azure-ai-inference:1.0.0-beta.5)
 * - Creating a ChatCompletionsClient with Azure or API key authentication
 * - Configuring endpoint paths for different model deployments
 * - Using the simplified complete() method for quick completions
 * - Accessing response content through strongly-typed objects
 * - Implementing proper error handling for service requests
 * - Choosing between DefaultAzureCredential and AzureKeyCredential
 * 
 */

public class ChatCompletionSample {
    private static final ClientLogger logger = new ClientLogger(ChatCompletionSample.class);

    public static void main(String[] args) {
        // 1) Read and validate the project endpoint
        String projectEndpoint = System.getenv("PROJECT_ENDPOINT");
        if (projectEndpoint == null || projectEndpoint.isBlank()) {
            logger.error("PROJECT_ENDPOINT is required but not set");
            return;
        }

        // 2) Optional auth + model settings
        String apiKey          = System.getenv("AZURE_AI_API_KEY");
        String deploymentName  = System.getenv("AZURE_MODEL_DEPLOYMENT_NAME");
        String apiPath         = System.getenv("AZURE_MODEL_API_PATH");
        String prompt          = System.getenv("CHAT_PROMPT");

        if (deploymentName == null || deploymentName.isBlank()) {
            deploymentName = "phi-4";
            logger.info("No AZURE_MODEL_DEPLOYMENT_NAME provided, using default: {}", deploymentName);
        }
        if (apiPath == null || apiPath.isBlank()) {
            apiPath = "deployments";
            logger.info("No AZURE_MODEL_API_PATH provided, using default: {}", apiPath);
        }
        if (prompt == null || prompt.isBlank()) {
            prompt = "What best practices should I follow when asking an AI model to review Java code?";
            logger.info("No CHAT_PROMPT provided, using default prompt: {}", prompt);
        }

        try {
            // 3) Build the full inference endpoint URL
            String fullEndpoint = projectEndpoint.endsWith("/") 
                ? projectEndpoint 
                : projectEndpoint + "/";
            fullEndpoint += apiPath + "/" + deploymentName;
            logger.info("Using inference endpoint: {}", fullEndpoint);

            // 4) Create the client with key or token credential :contentReference[oaicite:0]{index=0}
            ChatCompletionsClient client;
            if (apiKey != null && !apiKey.isBlank()) {
                logger.info("Authenticating using API key");
                client = new ChatCompletionsClientBuilder()
                    .credential(new AzureKeyCredential(apiKey))
                    .endpoint(fullEndpoint)
                    .buildClient();
            } else {
                logger.info("Authenticating using DefaultAzureCredential");
                TokenCredential credential = new DefaultAzureCredentialBuilder().build();
                client = new ChatCompletionsClientBuilder()
                    .credential(credential)
                    .endpoint(fullEndpoint)
                    .buildClient();
            }

            // 5) Send a simple chat completion request
            logger.info("Sending chat completion request with prompt: {}", prompt);
            ChatCompletions completions = client.complete(prompt);

            // 6) Process the response
            String content = completions.getChoice().getMessage().getContent();
            logger.info("Received response from model");
            System.out.println("\nResponse from AI assistant:\n" + content);
        } catch (HttpResponseException e) {
            // Handle API errors
            int status = e.getResponse().getStatusCode();
            logger.error("Service error {}: {}", status, e.getMessage());
            if (status == 401 || status == 403) {
                logger.error("Authentication failed. Check API key or Azure credentials.");
            } else if (status == 404) {
                logger.error("Deployment not found. Verify deployment name and endpoint.");
            } else if (status == 429) {
                logger.error("Rate limit exceeded. Please retry later.");
            }
        } catch (Exception e) {
            // Handle all other exceptions
            logger.error("Error in chat completion: {}", e.getMessage(), e);
        }
    }
}

JavaScript

// 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.agents.persistent.PersistentAgentsClient;
import com.azure.ai.agents.persistent.PersistentAgentsClientBuilder;
import com.azure.ai.agents.persistent.PersistentAgentsAdministrationClient;
import com.azure.ai.agents.persistent.models.CreateAgentOptions;
import com.azure.ai.agents.persistent.models.CreateThreadAndRunOptions;
import com.azure.ai.agents.persistent.models.PersistentAgent;
import com.azure.ai.agents.persistent.models.ThreadRun;
import com.azure.core.credential.TokenCredential;
import com.azure.core.exception.HttpResponseException;
import com.azure.core.util.logging.ClientLogger;
import com.azure.identity.DefaultAzureCredentialBuilder;


/**
 * Sample demonstrating how to work with Azure AI Agents using the Azure AI Agents Persistent SDK.
 * 
 * This sample shows how to:
 * - Set up authentication with Azure credentials
 * - Create a persistent agent with custom instructions
 * - Start a thread and run with the agent
 * - Access various properties of the agent and thread run
 * - Work with the PersistentAgentsClient and PersistentAgentsAdministrationClient
 * 
 * Environment variables:
 * - AZURE_ENDPOINT: Optional fallback. The base endpoint for your Azure AI service if PROJECT_ENDPOINT is not provided.
 * - PROJECT_ENDPOINT: Required. The endpoint for your Azure AI Project.
 * - MODEL_DEPLOYMENT_NAME: Optional. The model deployment name (defaults to "gpt-4o").
 * - AGENT_NAME: Optional. The name to give to the created agent (defaults to "java-quickstart-agent").
 * - AGENT_INSTRUCTIONS: Optional. The instructions for the agent (defaults to a helpful assistant).
 * 
 * Note: This sample requires proper Azure authentication. It uses DefaultAzureCredential which supports
 * multiple authentication methods including environment variables, managed identities, and interactive login.
 * 
 * SDK Features Demonstrated:
 * - Using the Azure AI Agents Persistent SDK (com.azure:azure-ai-agents-persistent:1.0.0-beta.2)
 * - Creating an authenticated client with DefaultAzureCredential
 * - Using the PersistentAgentsClientBuilder pattern for client instantiation
 * - Working with the PersistentAgentsAdministrationClient for agent management
 * - Creating agents with specific configurations (name, model, instructions)
 * - Starting threads and runs for agent conversations
 * - Working with agent state and thread management
 * - Accessing agent and thread run properties
 * - Implementing proper error handling for Azure service interactions
 */
public class AgentSample {
    private static final ClientLogger logger = new ClientLogger(AgentSample.class);

    public static void main(String[] args) {
        // Load environment variables with better error handling, supporting both .env and system environment variables
        String endpoint = System.getenv("AZURE_ENDPOINT");
        String projectEndpoint = System.getenv("PROJECT_ENDPOINT");
        String modelName = System.getenv("MODEL_DEPLOYMENT_NAME");
        String agentName = System.getenv("AGENT_NAME");
        String instructions = System.getenv("AGENT_INSTRUCTIONS");

        

        // Check for required endpoint configuration
        if (projectEndpoint == null && endpoint == null) {
            String errorMessage = "Environment variables not configured. Required: either PROJECT_ENDPOINT or AZURE_ENDPOINT must be set.";
            logger.error("ERROR: {}", errorMessage);
            logger.error("Please set your environment variables or create a .env file. See README.md for details.");
            return;
        }
        
        // Use AZURE_ENDPOINT as fallback if PROJECT_ENDPOINT not set
        if (projectEndpoint == null) {
            projectEndpoint = endpoint;
            logger.info("Using AZURE_ENDPOINT as PROJECT_ENDPOINT: {}", projectEndpoint);
        }

        // Set defaults for optional parameters with informative logging
        if (modelName == null) {
            modelName = "gpt-4o";
            logger.info("No MODEL_DEPLOYMENT_NAME provided, using default: {}", modelName);
        }
        if (agentName == null) {
            agentName = "java-quickstart-agent";
            logger.info("No AGENT_NAME provided, using default: {}", agentName);
        }
        if (instructions == null) {
            instructions = "You are a helpful assistant that provides clear and concise information.";
            logger.info("No AGENT_INSTRUCTIONS provided, using default instructions");
        }

        // Create Azure credential with DefaultAzureCredentialBuilder
        // This supports multiple authentication methods including environment variables,
        // managed identities, and interactive browser login
        logger.info("Building DefaultAzureCredential");
        TokenCredential credential = new DefaultAzureCredentialBuilder().build();

        try {
            // Build the general agents client
            logger.info("Creating PersistentAgentsClient with endpoint: {}", projectEndpoint);
            PersistentAgentsClient agentsClient = new PersistentAgentsClientBuilder()
                .endpoint(projectEndpoint)
                .credential(credential)
                .buildClient();

            // Derive the administration client
            logger.info("Getting PersistentAgentsAdministrationClient");
            PersistentAgentsAdministrationClient adminClient =
                agentsClient.getPersistentAgentsAdministrationClient();

            // Create an agent
            logger.info("Creating agent with name: {}, model: {}", agentName, modelName);
            PersistentAgent agent = adminClient.createAgent(
                new CreateAgentOptions(modelName)
                    .setName(agentName)
                    .setInstructions(instructions)
            );
            logger.info("Agent created: ID={}, Name={}", agent.getId(), agent.getName());
            logger.info("Agent model: {}", agent.getModel());

            // Start a thread/run on the general client
            logger.info("Creating thread and run with agent ID: {}", agent.getId());
            ThreadRun runResult = agentsClient.createThreadAndRun(
                new CreateThreadAndRunOptions(agent.getId())
            );
            logger.info("ThreadRun created: ThreadId={}", runResult.getThreadId());

            // List available getters on ThreadRun for informational purposes
            logger.info("\nAvailable getters on ThreadRun:");
            for (var method : ThreadRun.class.getMethods()) {
                if (method.getName().startsWith("get")) {
                    logger.info(" - {}", method.getName());
                }
            }

            logger.info("\nDemo completed successfully!");
            
        } catch (HttpResponseException e) {
            // Handle service-specific errors with detailed information
            int statusCode = e.getResponse().getStatusCode();
            logger.error("Service error {}: {}", statusCode, e.getMessage());
            logger.error("Refer to the Azure AI Agents documentation for troubleshooting information.");
        } catch (Exception e) {
            // Handle general exceptions
            logger.error("Error in agent sample: {}", e.getMessage(), e);
        }
    }
}

JavaScript

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

import com.azure.ai.agents.persistent.PersistentAgentsClient;
import com.azure.ai.agents.persistent.PersistentAgentsClientBuilder;
import com.azure.ai.agents.persistent.PersistentAgentsAdministrationClient;
import com.azure.ai.agents.persistent.models.CreateAgentOptions;
import com.azure.ai.agents.persistent.models.CreateThreadAndRunOptions;
import com.azure.ai.agents.persistent.models.PersistentAgent;
import com.azure.ai.agents.persistent.models.ThreadRun;
import com.azure.core.exception.HttpResponseException;
import com.azure.core.util.logging.ClientLogger;
import com.azure.identity.DefaultAzureCredentialBuilder;

/**
 * Sample demonstrating agent creation with document capabilities using Azure AI Agents Persistent SDK.
 * 
 * This sample shows how to:
 * - Set up authentication with Azure credentials
 * - Create a temporary document file for demonstration purposes
 * - Create a persistent agent with custom instructions for document search
 * - Start a thread and run with the agent that can access document content
 * - Work with file-based knowledge sources for agent interactions
 * 
 * Environment variables:
 * - AZURE_ENDPOINT: Optional fallback. The base endpoint for your Azure AI service if PROJECT_ENDPOINT is not provided.
 * - PROJECT_ENDPOINT: Required. The endpoint for your Azure AI Project.
 * - MODEL_DEPLOYMENT_NAME: Optional. The model deployment name (defaults to "gpt-4o").
 * - AGENT_NAME: Optional. The name to give to the created agent (defaults to "java-file-search-agent").
 * - AGENT_INSTRUCTIONS: Optional. The instructions for the agent (defaults to document-focused instructions).
 * 
 * Note: This sample demonstrates the creation of an agent that can process document content.
 * In a real-world scenario, you might want to integrate with Azure AI Search or similar services
 * for more advanced document processing capabilities.
 * 
 * SDK Features Demonstrated:
 * - Using the Azure AI Agents Persistent SDK (com.azure:azure-ai-agents-persistent:1.0.0-beta.2)
 * - Creating an authenticated client with DefaultAzureCredential
 * - Using the PersistentAgentsClientBuilder for client instantiation 
 * - Working with the PersistentAgentsAdministrationClient for agent management
 * - Creating temporary document files for agent access
 * - Adding document knowledge sources to agents
 * - Creating document-aware agents that can search and reference content
 * - Starting threads and runs for document-based Q&A
 * - Error handling for Azure service and file operations
 */
public class FileSearchAgentSample {
    private static final ClientLogger logger = new ClientLogger(FileSearchAgentSample.class);
    
    public static void main(String[] args) {
        // Load environment variables with proper error handling
        String endpoint = System.getenv("AZURE_ENDPOINT");
        String projectEndpoint = System.getenv("PROJECT_ENDPOINT");
        String modelName = System.getenv("MODEL_DEPLOYMENT_NAME");
        String agentName = System.getenv("AGENT_NAME");
        String instructions = System.getenv("AGENT_INSTRUCTIONS");

        // Check for required endpoint configuration
        if (projectEndpoint == null && endpoint == null) {
            String errorMessage = "Environment variables not configured. Required: either PROJECT_ENDPOINT or AZURE_ENDPOINT must be set.";
            logger.error("ERROR: {}", errorMessage);
            logger.error("Please set your environment variables or create a .env file. See README.md for details.");
            return;
        }
        
        // Set defaults for optional parameters
        if (modelName == null) {
            modelName = "gpt-4o";
            logger.info("No MODEL_DEPLOYMENT_NAME provided, using default: {}", modelName);
        }
        if (agentName == null) {
            agentName = "java-file-search-agent";
            logger.info("No AGENT_NAME provided, using default: {}", agentName);
        }
        if (instructions == null) {
            instructions = "You are a helpful assistant that can answer questions about documents.";
            logger.info("No AGENT_INSTRUCTIONS provided, using default instructions: {}", instructions);
        }

        logger.info("Building DefaultAzureCredential");
        var credential = new DefaultAzureCredentialBuilder().build();

        // Use AZURE_ENDPOINT as fallback if PROJECT_ENDPOINT not set
        String finalEndpoint = projectEndpoint != null ? projectEndpoint : endpoint;
        logger.info("Using endpoint: {}", finalEndpoint);

        try {
            // Build the general agents client with proper error handling
            logger.info("Creating PersistentAgentsClient with endpoint: {}", finalEndpoint);
            PersistentAgentsClient agentsClient = new PersistentAgentsClientBuilder()
                .endpoint(finalEndpoint)
                .credential(credential)
                .buildClient();

            // Derive the administration client
            logger.info("Getting PersistentAgentsAdministrationClient");
            PersistentAgentsAdministrationClient adminClient =
                agentsClient.getPersistentAgentsAdministrationClient();

            // Create sample document for demonstration
            Path tmpFile = createSampleDocument();
            logger.info("Created sample document at: {}", tmpFile);
            String filePreview = Files.readString(tmpFile).substring(0, 200) + "...";
            logger.info("{}", filePreview);

            // Create the agent with proper configuration
            logger.info("Creating agent with name: {}, model: {}", agentName, modelName);
            PersistentAgent agent = adminClient.createAgent(
                new CreateAgentOptions(modelName)
                    .setName(agentName)
                    .setInstructions(instructions)
            );
            logger.info("Agent ID: {}", agent.getId());
            logger.info("Agent model: {}", agent.getModel());

            // Start a thread and run on the general client
            logger.info("Creating thread and run with agent ID: {}", agent.getId());
            ThreadRun threadRun = agentsClient.createThreadAndRun(
                new CreateThreadAndRunOptions(agent.getId())
            );
            logger.info("ThreadRun ID: {}", threadRun.getThreadId());

            // Display success message
            logger.info("\nDemo completed successfully!");

        } catch (HttpResponseException e) {
            // Handle service-specific errors with detailed information
            int statusCode = e.getResponse().getStatusCode();
            logger.error("Service error {}: {}", statusCode, e.getMessage());
            logger.error("Refer to the Azure AI Agents documentation for troubleshooting information.");
            
        } catch (IOException e) {
            // Handle IO exceptions specifically for file operations
            logger.error("I/O error while creating sample document: {}", e.getMessage(), e);
            
        } catch (Exception e) {
            // Handle general exceptions
            logger.error("Error in file search agent sample: {}", e.getMessage(), e);
        }
    }

    /**
     * Creates a sample markdown document with cloud computing information.
     * 
     * This method demonstrates:
     * - Creating a temporary file that will be automatically deleted when the JVM exits
     * - Writing structured markdown content to the file
     * - Logging file creation and preview of content
     * 
     * In a real application, you might read existing files or create more complex documents.
     * You could also upload them to a document storage service for persistent access.
     * 
     * @return Path to the created temporary file
     * @throws IOException if an I/O error occurs during file creation or writing
     */
    private static Path createSampleDocument() throws IOException {
        logger.info("Creating sample document");
        String content = """
            # Cloud Computing Overview
            
            Cloud computing is the delivery of computing services over the internet, including servers, storage,
            databases, networking, software, analytics, and intelligence. Cloud services offer faster innovation,
            flexible resources, and economies of scale.
            
            ## Key Cloud Service Models
            
            1. **Infrastructure as a Service (IaaS)** - Provides virtualized computing resources
            2. **Platform as a Service (PaaS)** - Provides hardware and software tools over the internet
            3. **Software as a Service (SaaS)** - Delivers software applications over the internet
            
            ## Major Cloud Providers
            
            - Microsoft Azure
            - Amazon Web Services (AWS)
            - Google Cloud Platform (GCP)
            - IBM Cloud
            
            ## Benefits of Cloud Computing
            
            - Cost efficiency
            - Scalability
            - Reliability
            - Performance
            - Security
            """;
        
        Path tempFile = Files.createTempFile("cloud-doc", ".md");
        Files.writeString(tempFile, content);
        logger.info("Sample document created at: {}", tempFile);
        return tempFile;
    }
}

JavaScript

// 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 potrzebujesz już żadnych utworzonych zasobów, 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.

Następny krok

Omówienie biblioteki klienta usługi Azure AI Foundry