你当前正在访问 Microsoft Azure Global Edition 技术文档网站。如果需要访问由世纪互联运营的 Microsoft Azure 中国技术文档网站，请访问 https://docs.azure.cn。

快速入门：创建新代理

Note

本文档引用 Microsoft Foundry （经典）门户。

🔍 查看 Microsoft Foundry （new）文档，了解新门户。

Note

本快速入门指南适用于先前版本的代理。请参阅 Microsoft Foundry 的快速入门 ，以使用新版本的 API。

Foundry 代理服务允许你通过自定义说明创建根据需求定制的 AI 代理，并通过高级工具（如代码解释器和自定义函数）进行扩充。

Prerequisites

Azure 订阅 - 免费创建订阅。
确保创建帐户和项目的个人在订阅范围内具有 Azure AI 帐户所有者 角色，这将授予创建项目所需的权限
- 或者，在订阅级别具有“参与者”或“认知服务参与者”角色将允许创建项目
创建项目后，请确保项目中的单个创建代理在项目级别具有 Azure AI 用户 角色

Important

Microsoft Foundry 门户目前仅支持基本代理设置。若要执行标准代理设置，请参阅环境设置文章以了解详细信息。

在 Foundry 门户中创建 Foundry 帐户和项目

若要在 Foundry 中创建帐户和项目，请执行以下步骤：

前往 Foundry。如果位于项目中，请选择页面左上角的 Foundry 以转到主页。
使用“代理入门”创建流程以获得最快的体验。单击“ 创建代理”。
输入项目的名称。如果要自定义默认值，请选择 “高级”选项。
选择创建。
等待资源预配。
1. 将创建帐户和项目（帐户的子资源）。
2. gpt-4o 模型将自动部署
3. 将创建默认代理
完成后，你将直接进入代理工作区，可以开始创建代理。你可以给代理提供关于该做什么以及如何去做的说明。例如： “你是一个有用的代理，可以回答有关地理的问题。 然后，可以开始与代理聊天。

Note

如果在尝试配置或创建代理时遇到权限错误，请确保项目上有 Azure AI 用户 。

Prerequisites

设置代理环境
将 Azure AI 用户RBAC 角色分配给需要使用 SDK 或代理 Playground 创建或编辑代理的每个团队成员
- 必须在项目范围内分配此角色
- 所需的最低权限： agents/*/read、 agents/*/action、 agents/*/delete

配置并运行代理

创建 .NET 控制台项目。

dotnet new console

将 .NET 包安装到项目。例如，如果使用 .NET CLI，请运行以下命令。

dotnet add package Azure.AI.Agents.Persistent
dotnet add package Azure.Identity

接下来，为了验证 API 请求并运行程序，请使用 az login 命令登录 Azure 订阅。

az login

使用以下代码创建并运行代理。若要运行此代码，需要获取项目的终结点。此字符串采用以下格式：

https://<AIFoundryResourceName>.services.ai.azure.com/api/projects/<ProjectName>

Important

从 2025 年 5 月开始，Azure AI Agent Service 将改用 Foundry 项目的终结点，而不再使用以前应用于基于中心项目的连接字符串。如果使用的是基于中心的项目，则无法使用 SDK 和 REST API 的当前版本。有关详细信息，请参阅基于中心的项目的 SDK 使用情况。

可以在 项目概述的 Microsoft Foundry 门户中，库>Foundry下找到你的端点。

在名为 . ProjectEndpoint. 的环境变量中设置此终结点。

您还需要模型的部署名称。可以在左侧导航菜单中的 “模型 + 终结点 ”中找到它。

将模型部署名称保存为名为ModelDeploymentName的环境变量。

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

var projectEndpoint = System.Environment.GetEnvironmentVariable("ProjectEndpoint");
var modelDeploymentName = System.Environment.GetEnvironmentVariable("ModelDeploymentName");



//Create a PersistentAgentsClient and PersistentAgent.
PersistentAgentsClient client = new(projectEndpoint, new DefaultAzureCredential());

//Give PersistentAgent a tool to execute code using CodeInterpreterToolDefinition.
PersistentAgent agent = client.Administration.CreateAgent(
    model: modelDeploymentName,
    name: "My Test Agent",
    instructions: "You politely help with math questions. Use the code interpreter tool when asked to visualize numbers.",
    tools: [new CodeInterpreterToolDefinition()]
);

//Create a thread to establish a session between Agent and a User.
PersistentAgentThread thread = client.Threads.CreateThread();

//Ask a question of the Agent.
client.Messages.CreateMessage(
    thread.Id,
    MessageRole.User,
    "Hi, Agent! Draw a graph for a line with a slope of 4 and y-intercept of 9.");

//Have Agent begin processing user's question with some additional instructions associated with the ThreadRun.
ThreadRun run = client.Runs.CreateRun(
    thread.Id,
    agent.Id,
    additionalInstructions: "Please address the user as Jane Doe. The user has a premium account.");

//Poll for completion.
do
{
    Thread.Sleep(TimeSpan.FromMilliseconds(500));
    run = client.Runs.GetRun(thread.Id, run.Id);
}
while (run.Status == RunStatus.Queued
    || run.Status == RunStatus.InProgress
    || run.Status == RunStatus.RequiresAction);

//Get the messages in the PersistentAgentThread. Includes Agent (Assistant Role) and User (User Role) messages.
Pageable<PersistentThreadMessage> messages = client.Messages.GetMessages(
    threadId: thread.Id,
    order: ListSortOrder.Ascending);

//Display each message and open the image generated using CodeInterpreterToolDefinition.
foreach (PersistentThreadMessage threadMessage in messages)
{
    foreach (MessageContent content in threadMessage.ContentItems)
    {
        switch (content)
        {
            case MessageTextContent textItem:
                Console.WriteLine($"[{threadMessage.Role}]: {textItem.Text}");
                break;
            case MessageImageFileContent imageFileContent:
                Console.WriteLine($"[{threadMessage.Role}]: Image content file ID = {imageFileContent.FileId}");
                BinaryData imageContent = client.Files.GetFileContent(imageFileContent.FileId);
                string tempFilePath = Path.Combine(AppContext.BaseDirectory, $"{Guid.NewGuid()}.png");
                File.WriteAllBytes(tempFilePath, imageContent.ToArray());
                client.Files.DeleteFile(imageFileContent.FileId);

                ProcessStartInfo psi = new()
                {
                    FileName = tempFilePath,
                    UseShellExecute = true
                };
                Process.Start(psi);
                break;
        }
    }
}

//If you want to delete your agent, uncomment the following lines:
//client.Threads.DeleteThread(threadId: thread.Id);
//client.Administration.DeleteAgent(agentId: agent.Id);

Prerequisites

设置代理环境
将 Azure AI 用户RBAC 角色分配给需要使用 SDK 或代理 Playground 创建或编辑代理的每个团队成员
- 必须在项目范围内分配此角色
- 所需的最低权限： agents/*/read、 agents/*/action、 agents/*/delete

配置并运行代理

运行以下命令以安装 python 包。

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

接下来，为了验证 API 请求并运行程序，请使用 az login 命令登录 Azure 订阅。

az login

使用以下代码创建并运行代理。若要运行此代码，需要获取项目的终结点。此字符串采用以下格式：

https://<AIFoundryResourceName>.services.ai.azure.com/api/projects/<ProjectName>

Important

可以在 项目概述的 Microsoft Foundry 门户中，库>Foundry下找到你的端点。

将此终结点设置为名为 PROJECT_ENDPOINT 的环境变量。

您还需要模型的部署名称。可以在左侧导航菜单中的 “模型 + 终结点 ”中找到它。

将模型部署名称保存为名为MODEL_DEPLOYMENT_NAME的环境变量。

import os
from pathlib import Path
from azure.ai.projects import AIProjectClient
from azure.identity import DefaultAzureCredential
from azure.ai.agents.models import CodeInterpreterTool

# Create an AIProjectClient instance
project_client = AIProjectClient(
    endpoint=os.getenv("PROJECT_ENDPOINT"),
    credential=DefaultAzureCredential(),  
    # Use Azure Default Credential for authentication
)

with project_client:

    code_interpreter = CodeInterpreterTool()

    agent = project_client.agents.create_agent(
        model=os.getenv("MODEL_DEPLOYMENT_NAME"),  # Model deployment name
        name="my-agent",  # Name of the agent
        instructions="""You politely help with math questions. 
        Use the Code Interpreter tool when asked to visualize numbers.""",  
        # Instructions for the agent
        tools=code_interpreter.definitions,  # Attach the tool
        tool_resources=code_interpreter.resources,  # Attach tool resources
    )
    print(f"Created agent, ID: {agent.id}")

    # Create a thread for communication
    thread = project_client.agents.threads.create()
    print(f"Created thread, ID: {thread.id}")

    question = """Draw a graph for a line with a slope of 4 
    and y-intercept of 9 and provide the file to me?"""

    # Add a message to the thread
    message = project_client.agents.messages.create(
        thread_id=thread.id,
        role="user",  # Role of the message sender
        content=question,  # Message content
    )
    print(f"Created message, ID: {message['id']}")

    # Create and process an agent run
    run = project_client.agents.runs.create_and_process(
        thread_id=thread.id,
        agent_id=agent.id,
        additional_instructions="""Please address the user as Jane Doe.
        The user has a premium account.""",
    )

    print(f"Run finished with status: {run.status}")

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

    # Fetch and log all messages
    messages = project_client.agents.messages.list(thread_id=thread.id)
    print(f"Messages: {messages}")

    for message in messages:
        print(f"Role: {message.role}, Content: {message.content}")
        for this_content in message.content:
            print(f"Content Type: {this_content.type}, Content Data: {this_content}")
            if this_content.text.annotations:
                for annotation in this_content.text.annotations:
                    print(f"Annotation Type: {annotation.type}, Text: {annotation.text}")
                    print(f"Start Index: {annotation.start_index}")
                    print(f"End Index: {annotation.end_index}")
                    print(f"File ID: {annotation.file_path.file_id}")
                    # Save every image file in the message
                    file_id = annotation.file_path.file_id
                    file_name = f"{file_id}_image_file.png"
                    project_client.agents.files.save(file_id=file_id, file_name=file_name)
                    print(f"Saved image file to: {Path.cwd() / file_name}")
    #Uncomment these lines to delete the agent when done
    #project_client.agents.delete_agent(agent.id)
    #print("Deleted agent")

Prerequisites

设置代理环境
将 Azure AI 用户RBAC 角色分配给需要使用 SDK 或代理 Playground 创建或编辑代理的每个团队成员
- 必须在项目范围内分配此角色
- 所需的最低权限： agents/*/read、 agents/*/action、 agents/*/delete

Node.js LTS

配置并运行代理

此代码中的关键对象包括：

AgentsClient

首先，通过运行以下方法初始化新的 TypeScript 项目：

npm init -y
npm pkg set type="module"

运行以下命令以安装所需的 npm 包。

npm install @azure/ai-agents @azure/identity
npm install @types/node typescript --save-dev

接下来，为了验证 API 请求并运行程序，请使用 az login 命令登录 Azure 订阅。

az login

使用以下代码回答数学问题 I need to solve the equation '3x + 11 = 14'. Can you help me?。若要运行此代码，需要获取项目的终结点。此字符串采用以下格式：

https://<AIFoundryResourceName>.services.ai.azure.com/api/projects/<ProjectName>

可以在 项目概述的 Microsoft Foundry 门户中，库>Foundry下找到你的端点。

将此终结点设置为文件中命名 PROJECT_ENDPOINT 的 .env 环境变量。

您还需要模型的部署名称。可以在左侧导航菜单中的 “模型 + 终结点 ”中找到它。

将模型部署名称保存为名为MODEL_DEPLOYMENT_NAME的环境变量。

Important

本快速入门代码使用环境变量进行敏感配置。请务必确保在您的 .env 文件中列出 .env，以避免将 .gitignore 文件提交到版本控制系统。
请记住：如果意外提交了敏感信息，请将这些凭据视为已泄露，并立即更换这些凭据。

创建包含以下内容的 tsconfig.json 文件：

{
  "compilerOptions": {
    "module": "nodenext",
    "target": "esnext",
    "types": ["node"],
    "lib": ["esnext"],
    "sourceMap": true,
    "declaration": true,
    "declarationMap": true,
    "noUncheckedIndexedAccess": true,
    "exactOptionalPropertyTypes": true,
    "strict": true,
    "verbatimModuleSyntax": true,
    "isolatedModules": true,
    "noUncheckedSideEffectImports": true,
    "moduleDetection": "force",
    "skipLibCheck": true,
  }
}

接下来，创建一个 index.ts 文件并粘贴以下代码：

import { AgentsClient } from "@azure/ai-agents";
import { DefaultAzureCredential } from "@azure/identity";

const projectEndpoint = process.env["PROJECT_ENDPOINT"] || "<project endpoint>";
const modelDeploymentName = process.env["MODEL_DEPLOYMENT_NAME"] || "gpt-4o";

export async function main(): Promise<void> {
  // Create an Azure AI Client
  const client = new AgentsClient(projectEndpoint, new DefaultAzureCredential());

  // Create an agent
  const agent = await client.createAgent(modelDeploymentName, {
    name: "my-agent",
    instructions: "You are a helpful agent specialized in math. When providing mathematical explanations, use plain text formatting with simple characters like +, -, *, / for operations. Do not use LaTeX formatting with backslashes or special notation. Make your explanations clear and easy to read in a terminal.",
  });
  console.log(`Created agent, agent ID : ${agent.id}`);

  // Create a thread
  const thread = await client.threads.create();
  console.log(`Created thread, thread ID : ${thread.id}`);

  // List all threads for the agent
  const threads = client.threads.list();
  console.log(`Threads for agent ${agent.id}:`);
  for await (const t of threads) {
    console.log(`Thread ID: ${t.id} created at: ${t.createdAt}`);
  }

  // Create a message
  const message = await client.messages.create(thread.id, "user", "I need to solve the equation `3x + 11 = 14`. Can you help me?");
  console.log(`Created message, message ID : ${message.id}`);

  // Create and poll a run
  console.log("Creating run...");
  const run = await client.runs.createAndPoll(thread.id, agent.id, {
    pollingOptions: {
      intervalInMs: 2000,
    },
    onResponse: (response): void => {
      const parsedBody =
        typeof response.parsedBody === "object" && response.parsedBody !== null
          ? response.parsedBody
          : null;
      const status = parsedBody && "status" in parsedBody ? parsedBody.status : "unknown";
      console.log(`Received response with status: ${status}`);
    },
  });
  console.log(`Run finished with status: ${run.status}`);

  const messagesIterator = client.messages.list(thread.id);
  console.log("\n\n========================================================");
  console.log("=================== CONVERSATION RESULTS ===================");
  console.log("========================================================\n");
  
  // Collect all messages first
  const messages = [];
  for await (const m of messagesIterator) {
    messages.push(m);
  }
  
  // Reverse the order of messages (or sort by timestamp if available)
  messages.reverse();
  
  // Display messages in the new order
  for (const m of messages) {
    if (m.role === "user") {
      console.log(`\n❓ USER QUESTION: ${
        Array.isArray(m.content) && m.content[0]?.type === "text" && 'text' in m.content[0]
          ? m.content[0].text.value
          : JSON.stringify(m.content)
      }`);
    } else if (m.role === "assistant") {
      console.log("\n🤖 ASSISTANT'S ANSWER:");
      console.log("--------------------------------------------------");
      
      // Extract and print the text content in a more readable format
      if (m.content && Array.isArray(m.content)) {
        for (const content of m.content) {
          if (content.type === "text" && 'text' in content) {
            console.log(content.text?.value);
          } else {
            console.log(content);
          }
        }
      } else {
        console.log(JSON.stringify(m.content, null, 2));
      }
      console.log("--------------------------------------------------\n");
    }
  }
  
  console.log("\n========================================================");
  console.log("====================== END OF RESULTS ======================");
  console.log("========================================================\n");

  // Clean up
  await client.threads.delete(thread.id);
  await client.deleteAgent(agent.id);
}

main().catch((err) => {
  console.error("The sample encountered an error:", err);
});

使用 npx tsx -r dotenv/config index.ts 运行代码。此代码回答了问题 I need to solve the equation '3x + 11 = 14'. Can you help me?。响应不是确定性的，输出将类似于以下输出：

Created agent, agent ID : asst_X4yDNWrdWKb8LN0SQ6xlzhWk
Created thread, thread ID : thread_TxqZcHL2BqkNWl9dFzBYMIU6
Threads for agent asst_X4yDNWrdWKb8LN0SQ6xlzhWk:
...
Created message, message ID : msg_R0zDsXdc2UbfsNXvS1zeS6hk
Creating run...
Received response with status: queued
Received response with status: in_progress
Received response with status: completed
Run finished with status: completed


========================================================
=================== CONVERSATION RESULTS ===================
========================================================


❓ USER QUESTION: I need to solve the equation `3x + 11 = 14`. Can you help me?

🤖 ASSISTANT'S ANSWER:
--------------------------------------------------
Certainly! Let's solve the equation step by step:

We have:
3x + 11 = 14

### Step 1: Eliminate the constant (+11) on the left-hand side.
Subtract 11 from both sides:
3x + 11 - 11 = 14 - 11
This simplifies to:
3x = 3

We have:
3x + 11 = 14

### Step 1: Eliminate the constant (+11) on the left-hand side.
Subtract 11 from both sides:
3x + 11 - 11 = 14 - 11
This simplifies to:
3x = 3

### Step 2: Solve for x.
Divide both sides by 3:
3x / 3 = 3 / 3
This simplifies to:
x = 1

### Final Answer:
x = 1
--------------------------------------------------


========================================================
====================== END OF RESULTS ======================
========================================================

提供完整的示例源代码。

Prerequisites

设置代理环境
将 Azure AI 用户RBAC 角色分配给需要使用 SDK 或代理 Playground 创建或编辑代理的每个团队成员
- 必须在项目范围内分配此角色
- 所需的最低权限： agents/*/read、 agents/*/action、 agents/*/delete

配置并运行代理

首先，创建新的 Java 控制台项目。需要以下依赖项才能运行代码：

<dependencies>
    <dependency>
        <groupId>com.azure</groupId>
        <artifactId>azure-ai-agents-persistent</artifactId>
        <version>1.0.0-beta.2</version>
    </dependency>
    <dependency>
        <groupId>com.azure</groupId>
        <artifactId>azure-identity</artifactId>
        <version>1.17.0-beta.1</version>
    </dependency>
</dependencies>

接下来，为了验证 API 请求并运行程序，请使用 az login 命令登录 Azure 订阅。

az login

使用以下代码创建并运行代理。若要运行此代码，需要获取项目的终结点。此字符串采用以下格式：

https://<AIFoundryResourceName>.services.ai.azure.com/api/projects/<ProjectName>

Important

可以在 项目概述的 Microsoft Foundry 门户中，库>Foundry下找到你的端点。

在名为 . PROJECT_ENDPOINT. 的环境变量中设置此终结点。

您还需要模型的部署名称。可以在左侧导航菜单中的 “模型 + 终结点 ”中找到它。

将模型部署名称保存为名为MODEL_DEPLOYMENT_NAME的环境变量。

代码示例

package com.example.agents;

import com.azure.ai.agents.persistent.MessagesClient;
import com.azure.ai.agents.persistent.PersistentAgentsAdministrationClient;
import com.azure.ai.agents.persistent.PersistentAgentsClient;
import com.azure.ai.agents.persistent.PersistentAgentsClientBuilder;
import com.azure.ai.agents.persistent.RunsClient;
import com.azure.ai.agents.persistent.ThreadsClient;
import com.azure.ai.agents.persistent.models.CodeInterpreterToolDefinition;
import com.azure.ai.agents.persistent.models.CreateAgentOptions;
import com.azure.ai.agents.persistent.models.CreateRunOptions;
import com.azure.ai.agents.persistent.models.MessageImageFileContent;
import com.azure.ai.agents.persistent.models.MessageRole;
import com.azure.ai.agents.persistent.models.MessageTextContent;
import com.azure.ai.agents.persistent.models.PersistentAgent;
import com.azure.ai.agents.persistent.models.PersistentAgentThread;
import com.azure.ai.agents.persistent.models.RunStatus;
import com.azure.ai.agents.persistent.models.ThreadMessage;
import com.azure.ai.agents.persistent.models.ThreadRun;
import com.azure.ai.agents.persistent.models.MessageContent;
import com.azure.core.http.rest.PagedIterable;
import com.azure.identity.DefaultAzureCredentialBuilder;
import java.util.Arrays;

public class AgentSample {

    public static void main(String[] args) {
        // variables for authenticating requests to the agent service 
        String projectEndpoint = System.getenv("PROJECT_ENDPOINT");
        String modelName = System.getenv("MODEL_DEPLOYMENT_NAME");

        // initialize clients to manage various aspects of agent runtime
        PersistentAgentsClientBuilder clientBuilder = new PersistentAgentsClientBuilder()
            .endpoint(projectEndpoint)
            .credential(new DefaultAzureCredentialBuilder().build());
        PersistentAgentsClient agentsClient = clientBuilder.buildClient();
        PersistentAgentsAdministrationClient administrationClient = agentsClient.getPersistentAgentsAdministrationClient();
        ThreadsClient threadsClient = agentsClient.getThreadsClient();
        MessagesClient messagesClient = agentsClient.getMessagesClient();
        RunsClient runsClient = agentsClient.getRunsClient();
        
        
        String agentName = "my-agent"; // the name of the agent
        CreateAgentOptions createAgentOptions = new CreateAgentOptions(modelName)
            .setName(agentName)
            .setInstructions("You are a helpful agent") // system insturctions
            .setTools(Arrays.asList(new CodeInterpreterToolDefinition()));
        PersistentAgent agent = administrationClient.createAgent(createAgentOptions);

        PersistentAgentThread thread = threadsClient.createThread();
        ThreadMessage createdMessage = messagesClient.createMessage(
            thread.getId(),
            MessageRole.USER,
            "I need to solve the equation `3x + 11 = 14`. Can you help me?"); // The message to the agent

        try {
            //run the agent
            CreateRunOptions createRunOptions = new CreateRunOptions(thread.getId(), agent.getId())
                .setAdditionalInstructions("");
            ThreadRun threadRun = runsClient.createRun(createRunOptions);
            // wait for the run to complete before printing the message
            waitForRunCompletion(thread.getId(), threadRun, runsClient);
            printRunMessages(messagesClient, thread.getId());
        } catch (InterruptedException e) {
            throw new RuntimeException(e);
        } finally {
            //cleanup - uncomment these lines if you want to delete the agent
            //threadsClient.deleteThread(thread.getId());
            //administrationClient.deleteAgent(agent.getId());
        }
    }

    // A helper function to print messages from the agent
    public static void printRunMessages(MessagesClient messagesClient, String threadId) {

        PagedIterable<ThreadMessage> runMessages = messagesClient.listMessages(threadId);
        for (ThreadMessage message : runMessages) {
            System.out.print(String.format("%1$s - %2$s : ", message.getCreatedAt(), message.getRole()));
            for (MessageContent contentItem : message.getContent()) {
                if (contentItem instanceof MessageTextContent) {
                    System.out.print((((MessageTextContent) contentItem).getText().getValue()));
                } else if (contentItem instanceof MessageImageFileContent) {
                    String imageFileId = (((MessageImageFileContent) contentItem).getImageFile().getFileId());
                    System.out.print("Image from ID: " + imageFileId);
                }
                System.out.println();
            }
        }
    }

    // a helper function to wait until a run has completed running
    public static void waitForRunCompletion(String threadId, ThreadRun threadRun, RunsClient runsClient)
        throws InterruptedException {

        do {
            Thread.sleep(500);
            threadRun = runsClient.getRun(threadId, threadRun.getId());
        }
        while (
            threadRun.getStatus() == RunStatus.QUEUED
                || threadRun.getStatus() == RunStatus.IN_PROGRESS
                || threadRun.getStatus() == RunStatus.REQUIRES_ACTION);

        if (threadRun.getStatus() == RunStatus.FAILED) {
            System.out.println(threadRun.getLastError().getMessage());
        }
    }
}

| 参考文档 |

Prerequisites

设置代理环境
将 Azure AI 用户RBAC 角色分配给需要使用 SDK 或代理 Playground 创建或编辑代理的每个团队成员
- 必须在项目范围内分配此角色
- 所需的最低权限： agents/*/read、 agents/*/action、 agents/*/delete

配置并运行代理

为了验证 API 请求，请使用 az login 命令登录 Azure 订阅。

az login

接下来，你需要提取 Entra ID 令牌，作为 API 调用的授权。使用 CLI 命令提取令牌：

az account get-access-token --resource 'https://ai.azure.com' | jq -r .accessToken | tr -d '"'

将访问令牌设置为名为 AGENT_TOKEN 的环境变量。

若要成功对 Foundry 代理服务进行 REST API 调用，需要使用项目的终结点：

https://<your_ai_service_name>.services.ai.azure.com/api/projects/<your_project_name>

例如，终结点将如下所示：

https://exampleaiservice.services.ai.azure.com/api/projects/project

将此终结点设置为名为 AZURE_AI_FOUNDRY_PROJECT_ENDPOINT 的环境变量。

Note

对于 api-version 参数，GA API 版本是 2025-05-01 最新的预览版 API 版本 2025-05-15-preview。对于处于预览状态的工具，必须使用预览 API。
请考虑使 API 版本成为环境变量，例如 $API_VERSION。

创建代理

Note

使用 Azure AI 代理服务时，model 参数需要模型部署名称。如果模型部署名称与基础模型名称不同，则将代码调整为 "model": "{your-custom-model-deployment-name}"。

curl --request POST \
  --url $AZURE_AI_FOUNDRY_PROJECT_ENDPOINT/assistants?api-version=2025-05-01 \
  -H "Authorization: Bearer $AGENT_TOKEN" \
  -H "Content-Type: application/json" \
  -d '{
    "instructions": "You are a helpful agent.",
    "name": "my-agent",
    "tools": [{"type": "code_interpreter"}],
    "model": "gpt-4o-mini"
  }'

创建线程

curl --request POST \
  --url $AZURE_AI_FOUNDRY_PROJECT_ENDPOINT/threads?api-version=2025-05-01 \
  -H "Authorization: Bearer $AGENT_TOKEN" \
  -H "Content-Type: application/json" \
  -d ''

将用户问题添加到线程

curl --request POST \
  --url $AZURE_AI_FOUNDRY_PROJECT_ENDPOINT/threads/thread_abc123/messages?api-version=2025-05-01 \
  -H "Authorization: Bearer $AGENT_TOKEN" \
  -H "Content-Type: application/json" \
  -d '{
      "role": "user",
      "content": "I need to solve the equation `3x + 11 = 14`. Can you help me?"
    }'

运行线程

curl --request POST \
  --url $AZURE_AI_FOUNDRY_PROJECT_ENDPOINT/threads/thread_abc123/runs?api-version=2025-05-01 \
  -H "Authorization: Bearer $AGENT_TOKEN" \
  -H "Content-Type: application/json" \
  -d '{
    "assistant_id": "asst_abc123",
  }'

获取运行状态

curl --request GET \
  --url $AZURE_AI_FOUNDRY_PROJECT_ENDPOINT/threads/thread_abc123/runs/run_abc123?api-version=2025-05-01 \
  -H "Authorization: Bearer $AGENT_TOKEN"

检索代理响应

curl --request GET \
  --url $AZURE_AI_FOUNDRY_PROJECT_ENDPOINT/threads/thread_abc123/messages?api-version=2025-05-01 \
  -H "Authorization: Bearer $AGENT_TOKEN"

后续步骤

了解可用于扩展代理功能 的工具 ，例如访问 Web、提供基础信息等。

反馈

此页面是否有帮助？

Last updated on 2025-12-03

通过

快速入门：创建新代理

Prerequisites

在 Foundry 门户中创建 Foundry 帐户和项目

Prerequisites

配置并运行代理

Prerequisites

配置并运行代理

Prerequisites

配置并运行代理

Prerequisites

配置并运行代理

代码示例

Prerequisites

配置并运行代理

创建代理

创建线程

将用户问题添加到线程

运行线程

获取运行状态

检索代理响应

后续步骤

反馈

其他资源