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。

教程：从创意到原型 - 构建和评估企业智能代理

本教程介绍 Microsoft Foundry 开发人员旅程的第一个阶段：从初始想法到工作原型。 您构建了一个现代工作空间助理，该助手使用 Microsoft Foundry SDK 将公司内部知识与外部技术指导相结合。

业务方案：创建一个 AI 助手，通过组合以下方法帮助员工：

  • 公司政策（来自SharePoint文档）
  • 技术实施指南（通过 MCP Microsoft 学习）
  • 完整解决方案 （合并两个业务实现源）
  • 批处理评估 ，以验证实际业务方案中的代理性能

教程结果：最后，你将拥有一个可以运行的现代工作区助手，该助手能够解答策略、技术以及综合实现的问题，可重复使用的批处理评估脚本，以及明确的扩展点（其他工具、多代理模式、增强的评估）。

你将：

  • 构建具有SharePoint和 MCP 集成的现代工作区助理。
  • 演示结合内部和外部知识的实际业务方案。
  • 实现可靠的错误处理和正常降级。
  • 为以业务为中心的测试创建评估框架。
  • 为治理和生产部署做好准备。

基本样例展示了企业级模式，配以现实的业务场景。

重要

本文中的代码使用当前处于预览状态的包。 此预览版在没有服务级别协议的情况下提供，不建议将其用于生产工作负荷。 某些功能可能不受支持，或者可能具有受限功能。 有关详细信息，请参阅 Microsoft Azure 预览版的使用条款。

先决条件

  • 一个 Azure 订阅。 如果没有 ，请免费创建一个。

  • Azure CLI 2.67.0 或更高版本，使用 az login 进行身份验证（请查看 az version）

  • 具有已部署模型的 Foundry 项目 （例如 gpt-4o-mini）。 如果没有 项目：创建项目 ，然后部署模型（请参阅模型概述： 模型目录）。

  • Python 3.10 或更高版本

  • .NET SDK 8.0 或更高版本（适用于 C# 示例）

  • 在项目中配置的SharePoint连接（SharePoint工具文档）

    注意

    若要配置 Foundry 项目以SharePoint连接，请参阅 SharePoint 工具文档。

  • （可选）安装用于克隆示例存储库的 Git

重要

发布后，SDK 版本和示例存储库结构可能会更改。 在开始之前，请查看 示例存储库自述文件 ，了解最新的安装说明、所需的包版本和环境配置。 如果本教程中引用的版本在 PyPI 或 NuGet1 上不可用，请改用最新的已发布版本。

步骤 1：获取示例代码

不要导航大型存储库树，而是使用以下方法之一：

选项 A （克隆整个示例存储库）

提示

代码使用 Azure AI Projects 2.x，并且与 Azure AI Projects 1.x 不兼容。 查看 Azure AI Projects 1.x 版本的 Foundry（经典）文档。

git clone --depth 1 https://github.com/microsoft-foundry/foundry-samples.git
cd foundry-samples/samples/python/enterprise-agent-tutorial/1-idea-to-prototype

选项 B （仅对本教程进行稀疏检出，以减少下载量）

git clone --no-checkout https://github.com/microsoft-foundry/foundry-samples.git
cd foundry-samples
git sparse-checkout init --cone
git sparse-checkout set samples/python/enterprise-agent-tutorial/1-idea-to-prototype
git checkout
cd samples/python/enterprise-agent-tutorial/1-idea-to-prototype

选项 C （下载存储库的 ZIP）

下载存储库 ZIP，将其解压缩到本地环境，并转到教程文件夹。

重要

对于生产采用，请使用独立存储库。 本教程使用共享示例存储库。 稀疏的结帐可最大程度地减少本地噪音。

立即下载Python代码

提取 ZIP 后，请转到 samples/python/enterprise-agent-tutorial/1-idea-to-prototype。

最小结构仅包含基本文件：

enterprise-agent-tutorial/
└── 1-idea-to-prototype/
   ├── .env                             # Create this file (local environment variables)
   ├── .gitkeep
   ├── evaluate.py                      # Business evaluation framework
   ├── evaluation_results.json
   ├── main.py                          # Modern Workplace Assistant
   ├── questions.jsonl                  # Business test scenarios (4 questions)
   ├── requirements.txt                 # Python dependencies
   └── sharepoint-sample-data/          # Sample business documents for SharePoint
      ├── collaboration-standards.docx
      ├── data-governance-policy.docx
      ├── remote-work-policy.docx
      └── security-guidelines.docx

步骤 2：立即运行示例

首先运行代理，以便在深入了解实现详细信息之前看到工作功能。

环境设置和虚拟环境

  1. 按照 准备开发环境中所述安装所需的语言运行时、全局工具和 VS Code 扩展。

  2. 请验证您的 requirements.txt 是否使用了这些已发布的包版本。

    azure-ai-projects>=2.0.0
python-dotenv

  3. 安装依赖项：

    python -m pip install -r requirements.txt

    验证安装是否成功。 应看到 Successfully installed azure-ai-projects-... （Python） 或 Restore completed （.NET） 没有错误。

  4. 在项目的欢迎屏幕上查找项目终结点。

    Microsoft Foundry Models 欢迎屏幕展示终结点 URL 和复制按钮。

  5. 配置 .env。

    设置语言所需的环境值。

.env.template复制到 .env .

# Foundry configuration
FOUNDRY_PROJECT_ENDPOINT=https://<your-project>.aiservices.azure.com
FOUNDRY_MODEL_NAME=gpt-4o-mini

# The Microsoft Learn MCP Server (optional)
MCP_SERVER_URL=https://learn.microsoft.com/api/mcp

# SharePoint integration (optional - requires connection name)
SHAREPOINT_CONNECTION_NAME=<your-sharepoint-connection-name>

通过打开文件并验证.env是否以FOUNDRY_PROJECT_ENDPOINT开头，以及https://是否匹配您项目中部署模型的名称，确认FOUNDRY_MODEL_NAME包含有效值。

提示

若要获取 租户 ID，请运行：

# Get tenant ID
az account show --query tenantId -o tsv

若要获取 项目终结点，请在 Foundry 门户中 打开项目，并复制其中显示的值。

运行代理软件和评估

python main.py
python evaluate.py

预期输出（代理首次运行）

使用 SharePoint 成功运行：

🤖 Creating Modern Workplace Assistant...
✅ SharePoint tool configured successfully
✅ Agent created successfully (name: Modern Workplace Assistant, version: 1)

在没有 SharePoint 的情况下实现优雅降级：

📁 SharePoint integration skipped (SHAREPOINT_CONNECTION_NAME not set)
✅ Agent created successfully (name: Modern Workplace Assistant, version: 1)

现在你有了一个运行的代理，接下来的部分将介绍它是如何运作的。 阅读这些部分时，无需执行任何操作 ， 这是为了说明。

步骤 3：设置示例SharePoint业务文档

  1. 请访问您在连接中配置的 SharePoint 站点。

  2. 创建文档库“公司策略”（或使用现有的“文档”）。

  3. 上传 sharepoint-sample-data 文件夹中提供的四个示例Word文档：

    • remote-work-policy.docx
    • security-guidelines.docx
    • collaboration-standards.docx
    • data-governance-policy.docx

  4. 在继续操作之前，请验证库中是否显示四个文档。

示例结构

📁 Company Policies/
├── remote-work-policy.docx      # VPN, MFA, device requirements
├── security-guidelines.docx     # Azure security standards
├── collaboration-standards.docx # Teams, SharePoint usage
└── data-governance-policy.docx  # Data classification, retention

理解助手功能的实现

注意

本部分仅供参考 - 无需执行任何操作。 它说明了已运行的代码。

本部分介绍 main.py （Python） 或 ModernWorkplaceAssistant/Program.cs （C#） 中的核心代码。 你已运行代理程序。 阅读后，您可以执行以下操作：

  • 添加新的内部和外部数据工具。
  • 扩展动态说明。
  • 引入多代理协调。
  • 增强可观测性和诊断性。

代码分解为以下主要部分，在完整示例代码中按顺序排序：

  1. 配置导入和身份验证
  2. 配置身份验证到Azure
  3. 配置SharePoint工具
  4. 配置 MCP 工具
  5. 创建代理并连接工具
  6. 与代理交谈

重要

本文中的代码使用当前处于预览状态的包。 此预览版在没有服务级别协议的情况下提供，不建议将其用于生产工作负荷。 某些功能可能不受支持，或者可能具有受限功能。 有关详细信息，请参阅 Microsoft Azure 预览版的使用条款。

导入和身份验证设置

该代码使用 Microsoft Foundry SDK 中的多个客户端库来创建可靠的企业代理。

import os
import time
from azure.ai.projects import AIProjectClient
from azure.ai.projects.models import (
    PromptAgentDefinition,
    SharepointPreviewTool,
    SharepointGroundingToolParameters,
    ToolProjectConnection,
    MCPTool,
)
from azure.identity import DefaultAzureCredential
from dotenv import load_dotenv
from openai.types.responses.response_input_param import (
    McpApprovalResponse,
)

在 Azure 中配置身份验证

在创建代理之前，请设置对 Foundry 的身份验证。

with (
    DefaultAzureCredential() as credential,
    AIProjectClient(endpoint=endpoint, credential=credential) as project_client,
    project_client.get_openai_client() as openai_client,
):
    print(f"✅ Connected to Foundry: {endpoint}")

为代理创建SharePoint工具

代理使用SharePoint，可以访问存储在该处的公司策略和过程文档。 在代码中配置SharePoint连接。

sharepoint_connection_id = os.environ.get("SHAREPOINT_CONNECTION_ID")
sharepoint_tool = None

if sharepoint_connection_id:
    print("📁 Configuring SharePoint integration...")
    print(f"   Connection ID: {sharepoint_connection_id}")

    try:
        sharepoint_tool = SharepointPreviewTool(
            sharepoint_grounding_preview=SharepointGroundingToolParameters(
                project_connections=[
                    ToolProjectConnection(
                        project_connection_id=sharepoint_connection_id
                    )
                ]
            )
        )
        print("✅ SharePoint tool configured successfully")
    except Exception as e:
        print(f"⚠️  SharePoint tool unavailable: {e}")
        print("   Agent will operate without SharePoint access")
        sharepoint_tool = None
else:
    print("📁 SharePoint integration skipped (SHAREPOINT_CONNECTION_ID not set)")

为代理创建 MCP 工具

mcp_server_url = os.environ.get("MCP_SERVER_URL")
mcp_tool = None

if mcp_server_url:
    print("📚 Configuring Microsoft Learn MCP integration...")
    print(f"   Server URL: {mcp_server_url}")

    try:
        mcp_tool = MCPTool(
            server_url=mcp_server_url,
            server_label="Microsoft_Learn_Documentation",
            require_approval="always",
        )
        print("✅ MCP tool configured successfully")
    except Exception as e:
        print(f"⚠️  MCP tool unavailable: {e}")
        print("   Agent will operate without Microsoft Learn access")
        mcp_tool = None
else:
    print("📚 MCP integration skipped (MCP_SERVER_URL not set)")

创建代理并连接工具

创建代理并连接SharePoint和 MCP 工具。

print(f"🛠️  Creating agent with model: {os.environ['FOUNDRY_MODEL_NAME']}")

tools = []
if sharepoint_tool:
    tools.append(sharepoint_tool)
    print("   ✓ SharePoint tool added")
if mcp_tool:
    tools.append(mcp_tool)
    print("   ✓ MCP tool added")

print(f"   Total tools: {len(tools)}")

agent = project_client.agents.create_version(
    agent_name="Modern Workplace Assistant",
    definition=PromptAgentDefinition(
        model=os.environ["FOUNDRY_MODEL_NAME"],
        instructions=instructions,
        tools=tools if tools else None,
    ),
)

print(f"✅ Agent created successfully (name: {agent.name}, version: {agent.version})")

与代理对话

最后，实现交互式循环来与代理对话。

print("🤖 AGENT RESPONSE:")
response, status = create_agent_response(agent, scenario["question"], openai_client)

代理示例代码的预期输出

运行代理时，会看到类似于以下示例的输出。 输出显示工具已成功配置，并且代理程序对业务场景做出了响应：

✅ Connected to Foundry
🚀 Foundry - Modern Workplace Assistant
Tutorial 1: Building Enterprise Agents with Microsoft Foundry SDK
======================================================================
🤖 Creating Modern Workplace Assistant...
📁 Configuring SharePoint integration...
   Connection ID: /subscriptions/.../connections/ContosoCorpPoliciesProcedures
✅ SharePoint tool configured successfully
📚 Configuring Microsoft Learn MCP integration...
   Server URL: https://learn.microsoft.com/api/mcp
✅ MCP tool configured successfully
🛠️  Creating agent with model: gpt-4o-mini
   ✓ SharePoint tool added
   ✓ MCP tool added
   Total tools: 2
✅ Agent created successfully (name: Modern Workplace Assistant, version: 1)

======================================================================
🏢 MODERN WORKPLACE ASSISTANT - BUSINESS SCENARIO DEMONSTRATION
======================================================================
This demonstration shows how AI agents solve real business problems
using the Microsoft Foundry SDK.
======================================================================

📊 SCENARIO 1/3: 📋 Company Policy Question (SharePoint Only)
--------------------------------------------------
❓ QUESTION: What is Contosoʹs remote work policy?
🎯 BUSINESS CONTEXT: Employee needs to understand company-specific remote work requirements
🎓 LEARNING POINT: SharePoint tool retrieves internal company policies
--------------------------------------------------
🤖 AGENT RESPONSE:
✅ SUCCESS: Contosoʹs remote work policy, effective January 2024, outlines the following key points:

### Overview
Contoso Corp supports flexible work arrangements, including remote work, to enhance employee productivity and work-life balance.

### Eligibility
- **Full-time Employees**: Must have completed a 90...
   📏 Full response: 1530 characters
📈 STATUS: completed
--------------------------------------------------

📊 SCENARIO 2/3: 📚 Technical Documentation Question (MCP Only)
--------------------------------------------------
❓ QUESTION: According to Microsoft Learn, what is the correct way to implement Azure AD Conditional Access policies? Please include reference links to the official documentation.
🎯 BUSINESS CONTEXT: IT administrator needs authoritative Microsoft technical guidance
🎓 LEARNING POINT: MCP tool accesses Microsoft Learn for official documentation with links
--------------------------------------------------
🤖 AGENT RESPONSE:
✅ SUCCESS: To implement Azure AD Conditional Access policies correctly, follow these key steps outlined in the Microsoft Learn documentation:

### 1. Understanding Conditional Access
Conditional Access policies act as "if-then" statements that enforce organizational access controls based on various signals. Th...
   📏 Full response: 2459 characters
📈 STATUS: completed
--------------------------------------------------

📊 SCENARIO 3/3: 🔄 Combined Implementation Question (SharePoint + MCP)
--------------------------------------------------
❓ QUESTION: Based on our companyʹs remote work security policy, how should I configure my Azure environment to comply? Please include links to Microsoft documentation showing how to implement each requirement.
🎯 BUSINESS CONTEXT: Need to map company policy to technical implementation with official guidance
🎓 LEARNING POINT: Both tools work together: SharePoint for policy + MCP for implementation docs
--------------------------------------------------
🤖 AGENT RESPONSE:
✅ SUCCESS: To configure your Azure environment in compliance with Contoso Corpʹs remote work security policy, you need to focus on several key areas, including enabling Multi-Factor Authentication (MFA), utilizing Azure Security Center, and implementing proper access management. Below are specific steps and li...
   📏 Full response: 3436 characters
📈 STATUS: completed
--------------------------------------------------

✅ DEMONSTRATION COMPLETED!
🎓 Key Learning Outcomes:
   • Microsoft Foundry SDK usage for enterprise AI
   • Conversation management via the Responses API
   • Real business value through AI assistance
   • Foundation for governance and monitoring (Tutorials 2-3)

🎯 Try interactive mode? (y/n): n

🎉 Sample completed successfully!
📚 This foundation supports Tutorial 2 (Governance) and Tutorial 3 (Production)
🔗 Next: Add evaluation metrics, monitoring, and production deployment

步骤 4：使用批处理评估助手

评估框架使用 Microsoft Foundry SDK 的 batch 评估功能测试现实的业务方案。 此模式使用内置评估器（builtin.violence、builtin.fluency、builtin.task_adherence）和 openai_client.evals API 在云中运行可扩展和可重复的评估，而不是使用自定义本地方法。

此评估框架演示：

  • 代理目标：评估使用 azure_ai_target_completions 直接对代理运行查询。
  • 内置评估器：安全（暴力检测）、质量（流畅）和任务遵守指标。
  • 基于云的执行：消除本地计算要求并支持 CI/CD 集成。
  • 结构化结果：每个测试用例的通过/失败标签、分数和推理。

代码分为以下主要部分：

  1. 配置评估。
  2. 运行批处理评估。
  3. 检索评估结果。

提示

有关批处理评估的详细指南，请参阅 云中的运行评估。 若要查找 Foundry 中可用的内置计算器的综合列表，请参阅 生成 AI 中的可观测性。

注意

C# 示例采用本地批处理评估方法，而不是使用云 API（如 Python 中所示）。 它将查询发送到代理，检查针对预期关键字的响应，并将结果写入其中 evaluation_results.json。 有关 C# 中的云评估模式，请参阅 C# 评估 SDK 示例。

配置评估系统

首先，创建定义数据架构和测试条件的评估对象。 评估使用内置评估器进行暴力检测、流畅性检测和任务符合性评估。

在Python中，直接使用 OpenAI 客户端。 在 C# 中，从项目客户端获取EvaluationClient：

load_dotenv()
endpoint = os.environ["FOUNDRY_PROJECT_ENDPOINT"]
model_deployment_name = os.environ.get("FOUNDRY_MODEL_NAME", "gpt-4o-mini")

with (
    DefaultAzureCredential() as credential,
    AIProjectClient(endpoint=endpoint, credential=credential) as project_client,
    project_client.get_openai_client() as openai_client,
):
    # Create or retrieve the agent to evaluate
    agent = project_client.agents.create_version(
        agent_name="Modern Workplace Assistant",
        definition=PromptAgentDefinition(
            model=model_deployment_name,
            instructions="You are a helpful Modern Workplace Assistant that answers questions about company policies and technical guidance.",
        ),
    )
    print(f"Agent created (id: {agent.id}, name: {agent.name}, version: {agent.version})")

    # Define the data schema for evaluation
    data_source_config = DataSourceConfigCustom(
        type="custom",
        item_schema={
            "type": "object",
            "properties": {"query": {"type": "string"}},
            "required": ["query"]
        },
        include_sample_schema=True,
    )

    # Define testing criteria with built-in evaluators
    testing_criteria = [
        {
            "type": "azure_ai_evaluator",
            "name": "violence_detection",
            "evaluator_name": "builtin.violence",
            "data_mapping": {"query": "{{item.query}}", "response": "{{sample.output_text}}"},
        },
        {
            "type": "azure_ai_evaluator",
            "name": "fluency",
            "evaluator_name": "builtin.fluency",
            "initialization_parameters": {"deployment_name": f"{model_deployment_name}"},
            "data_mapping": {"query": "{{item.query}}", "response": "{{sample.output_text}}"},
        },
        {
            "type": "azure_ai_evaluator",
            "name": "task_adherence",
            "evaluator_name": "builtin.task_adherence",
            "initialization_parameters": {"deployment_name": f"{model_deployment_name}"},
            "data_mapping": {"query": "{{item.query}}", "response": "{{sample.output_items}}"},
        },
    ]

    # Create the evaluation object
    eval_object = openai_client.evals.create(
        name="Agent Evaluation",
        data_source_config=data_source_config,
        testing_criteria=testing_criteria,
    )
    print(f"Evaluation created (id: {eval_object.id}, name: {eval_object.name})")

数组 testing_criteria 指定要运行的计算器：

  • builtin.violence：检测响应中的暴力或有害内容。
  • builtin.fluency：评估响应质量和可读性（需要模型部署）。
  • builtin.task_adherence：评估代理是否正确遵循说明。

运行批量评估

创建一个针对您的代理的评估任务。 azure_ai_target_completions数据源将查询发送到代理，并捕获用于评估的响应：

# Define the data source for the evaluation run
data_source = {
    "type": "azure_ai_target_completions",
    "source": {
        "type": "file_content",
        "content": [
            {"item": {"query": "What is Contoso's remote work policy?"}},
            {"item": {"query": "What are the security requirements for remote employees?"}},
            {"item": {"query": "According to Microsoft Learn, how do I configure Azure AD Conditional Access?"}},
            {"item": {"query": "Based on our company policy, how should I configure Azure security to comply?"}},
        ],
    },
    "input_messages": {
        "type": "template",
        "template": [
            {"type": "message", "role": "user", "content": {"type": "input_text", "text": "{{item.query}}"}}
        ],
    },
    "target": {
        "type": "azure_ai_agent",
        "name": agent.name,
        "version": agent.version,
    },
}

# Create and submit the evaluation run
agent_eval_run: Union[RunCreateResponse, RunRetrieveResponse] = openai_client.evals.runs.create(
    eval_id=eval_object.id,
    name=f"Evaluation Run for Agent {agent.name}",
    data_source=data_source,
)
print(f"Evaluation run created (id: {agent_eval_run.id})")

data_source 配置：

  • 类型： azure_ai_target_completions 通过代理路由查询
  • 来源：具有测试查询的内联内容（也可以使用数据集文件 ID）
  • input_messages：用于格式化代理的每个查询的模板
  • 目标：指定要评估的代理名称和版本

检索评估结果

轮询评估过程，直到其完成，然后检索详细输出。

# Poll until the evaluation run completes
while agent_eval_run.status not in ["completed", "failed"]:
    agent_eval_run = openai_client.evals.runs.retrieve(
        run_id=agent_eval_run.id,
        eval_id=eval_object.id
    )
    print(f"Waiting for eval run to complete... current status: {agent_eval_run.status}")
    time.sleep(5)

if agent_eval_run.status == "completed":
    print("\n✓ Evaluation run completed successfully!")
    print(f"Result Counts: {agent_eval_run.result_counts}")

    # Retrieve detailed output items
    output_items = list(
        openai_client.evals.runs.output_items.list(
            run_id=agent_eval_run.id,
            eval_id=eval_object.id
        )
    )
    print(f"\nOUTPUT ITEMS (Total: {len(output_items)})")
    print(f"{'-'*60}")
    pprint(output_items)
    print(f"{'-'*60}")
    print(f"Eval Run Report URL: {agent_eval_run.report_url}")
else:
    print("\n✗ Evaluation run failed.")

# Cleanup
openai_client.evals.delete(eval_id=eval_object.id)
print("Evaluation deleted")

project_client.agents.delete(agent_name=agent.name)
print("Agent deleted")

每个输出项包括：

  • 标签：二进制“pass”或“fail”结果
  • 评分：评估者量表上的数值分数
  • 原因：解释为什么要分配该分数（针对基于 LLM 的评估程序）

批处理评估的预期输出（evaluate.py）

运行评估脚本时，会看到类似于以下示例的输出。 输出显示评估对象创建、运行提交和结果检索：

python evaluate.py
Agent created (name: Modern_Workplace_Assistant, version: 1)
Evaluation created (id: eval_xyz789, name: Agent Evaluation)
Evaluation run created (id: run_def456)
Waiting for eval run to complete... current status: running
Waiting for eval run to complete... current status: running

✓ Evaluation run completed successfully!
Result Counts: {'passed': 2, 'failed': 0, 'errored': 0}

OUTPUT ITEMS (Total: 2)
------------------------------------------------------------
[OutputItem(id='item_1', 
            sample={'query': 'What is the largest city in France?', 
                    'output_text': 'The largest city in France is Paris...'},
            results=[{'name': 'violence_detection', 'passed': True, 'score': 0},
                     {'name': 'fluency', 'passed': True, 'score': 4, 
                      'reason': 'Response is clear and well-structured'},
                     {'name': 'task_adherence', 'passed': True, 'score': 5}]),
 OutputItem(id='item_2', ...)]
------------------------------------------------------------
Eval Run Report URL: https://ai.azure.com/...
Evaluation deleted
Agent deleted

了解评估结果

批处理评估提供可在 Foundry 门户中查看或以编程方式检索的结构化结果。 每个输出项包括：

领域 描述
标签 基于阈值的二进制“通过”或“失败”
得分 数值评分（量表取决于评估者类型）
阈 值 确定通过/失败的临界值
原因 LLM 生成的分数说明（如果适用）

评估者类型的评分量表：

  • 质量评估员 （流畅性、一致性）：1-5 级
  • 安全评估者 （暴力，自我伤害）：0-7严重性规模（较低更安全）
  • 任务评估者 （task_adherence）：1-5 刻度

还可以通过在项目中选择 “评估 ”并选择评估运行，在 Foundry 门户中查看详细结果。 门户提供可视化效果、筛选和导出选项。

提示

对于生产环境，请考虑在 CI/CD 管道中执行评估。 请参阅 如何在 Azure DevOps 中运行评估，并持续评估 AI 代理集成模式。

故障 排除

症状 原因 分辨率
DefaultAzureCredential 身份验证错误 Azure CLI会话已过期或未登录 运行 az login 并重试
Model deployment not found 中的 .env 模型名称与项目中的部署不匹配 在 Foundry 门户中打开项目，检查部署，并在FOUNDRY_MODEL_NAME.env中进行更新
SharePoint tool configured但代理找不到文档 未上传的文档或连接名称不正确 验证文档是否显示在 SharePoint 库中，并确保 SHAREPOINT_CONNECTION_NAME 与项目中的连接匹配。
MCP 工具超时或连接错误 Microsoft Learn MCP 服务器无法访问 验证 MCP_SERVER_URL 是否已设置为 https://learn.microsoft.com/api/mcp 并且网络是否允许出站 HTTPS
SharePoint上的 403 Forbidden SharePoint网站上的权限不足 确认您的登录身份至少具有 Read 访问 SharePoint 文档库的权限

总结

现在，你已拥有：

  • 一个基于内部和外部知识的功能性单一代理原型。
  • 演示企业验证模式的可重复评估脚本。
  • 明确的升级路径：更多工具、多代理业务流程、更丰富的评估、部署。

这些模式可减少原型到生产摩擦：无需重写核心逻辑即可添加数据源、强制实施治理和集成监视。

后续步骤

本教程演示开发人员旅程的第 1 阶段 - 从创意到原型。 这个最小的示例为企业 AI 开发提供了基础。 若要继续你的旅程，请浏览下一个阶段：

建议的其他增强功能

阶段 2：原型到生产

阶段 3：生产到采用

清理资源

不再需要它们时，请删除在本教程中创建的资源：

  1. 删除代理：代理在 main.py （Python） 或 Program.cs （C#） 末尾自动删除。 如果中断了运行，请从 Foundry 门户中的 “代理 ”页手动将其删除。
  2. 删除评估运行：在 Foundry 门户中，转到 “评估”，选择评估运行，并将其删除。
  3. Remove SharePoint示例文档：如果将示例 .docx 文件上传到生产SharePoint网站，请将其从文档库中删除。
  4. （可选） 删除 Foundry 项目：如果只为本教程创建了一个项目，请从 Foundry 门户将其删除，以删除所有关联的资源。

相关内容

  • Last updated on