教學課程:在 Azure AI Studio 中建置和部署具有提示流程的問答副手
重要
本文所述的部分功能可能僅適用於預覽版。 此預覽版本沒有服務等級協定,不建議將其用於生產工作負載。 可能不支援特定功能,或可能已經限制功能。 如需詳細資訊,請參閱 Microsoft Azure 預覽版增補使用條款。
在此 Azure AI Studio 教學課程中,您將使用生成式 AI 和提示流程,針對名為 Contoso 的零售公司建置、設定及部署副手。 您的零售公司專門銷售戶外露營裝備和服裝。
該副手應該會回答您的產品和服務相關問題。 其應該也會回答您的客戶相關問題。 例如,該副手可以回答諸如「TrailWalker 登山健行鞋多少錢?」和「Daniel Wilson 買了多少雙登山健行鞋?」等問題。
本教學課程中的步驟如下:
- 將資料新增至聊天遊樂場。
- 從遊樂場建立提示流程。
- 使用多個資料來源自訂提示流程。
- 使用問答評估資料集評估流程。
- 部署流程以供取用。
必要條件
Azure 訂用帳戶 - 建立免費帳戶。
在所需的 Azure 訂用帳戶中授與 Azure OpenAI 的存取權。
目前只有應用程式會授予此服務的存取權。 您可以填妥 https://aka.ms/oai/access 的表單,以申請 Azure OpenAI 的存取權。 如有問題,請在此存放庫中提出問題來與我們連絡。
AI Studio 中樞、專案和部署的 Azure OpenAI 聊天模型。 如果您還沒有這些資源,請完成 AI Studio 遊樂場快速入門即可建立。
Azure AI 搜尋服務 索引範例產品和客戶數據的連線。
您需要產品與客戶資料的本機複本。 GitHub 上的 Azure-Samples/aistudio-python-quickstart-sample 存放庫 (英文) 包含與此教學課程案例相關的範例零售客戶和產品資訊。 複製存放庫,或複製 1-customer-info 和 3-product-info 中的檔案。
新增您的資料並再次試用聊天模型
在 AI Studio 遊樂場快速入門 (這是本教學課程的先決條件) 中,您可以觀察模型在沒有您資料的情況下會如何回應。 現在,您要將資料新增至模型中,以協助其回答有關您產品的問題。
若要完成本節,您需要產品資料的本機複本。 GitHub 上的 Azure-Samples/aistudio-python-quickstart-sample 存放庫 (英文) 包含與此教學課程案例相關的範例零售客戶和產品資訊。 複製存放庫,或複製 3-product-info 中的檔案。
重要
Azure AI Studio 遊樂場中的 [新增您的資料] 功能不支援在下列資源上使用虛擬網路或私人端點:
- Azure AI 搜尋服務
- Azure OpenAI
- 儲存體資源
遵循下列步驟,將資料新增至聊天遊樂場,以協助助理回答有關您產品的問題。 您不會變更已部署的模型本身。 您的資料會單獨且安全地儲存在您的 Azure 訂用帳戶中。
移至 Azure AI Studio 中的專案。
從左窗格中選取 [遊樂場]>[聊天]。
從 [部署] 下拉式清單中,選取已部署的聊天模型。
在聊天遊樂場左側,選取 [新增您的資料]>[+ 新增資料來源]。
在 [資料來源] 下拉式清單中,選取 [上傳檔案]。
選取 [上傳]>[上傳檔案] 以瀏覽您的本機檔案。
選取您要上傳的檔案。 選取您稍早下載或建立的產品資訊檔案 (3-product-info)。 立即新增所有檔案。 您稍後將無法在相同遊樂場工作階段中新增更多檔案。
選取 [上傳],以將檔案上傳至您的 Azure Blob 儲存體帳戶。 然後選取下一步。
選取 Azure AI 搜尋服務。 在此範例中,我們會從 [選取 Azure AI 搜尋服務] 下拉式清單中選取 [連線其他 Azure AI 搜尋資源]。 如果您沒有搜尋資源,可以選取 [建立新的 Azure AI 搜尋資源] 來建立一個資源。 然後返回此步驟以連線並加以選取。
瀏覽您的 Azure AI 搜尋服務,然後選取 [新增連線]。
針對 [索引名稱],輸入 product-info,然後選取 [下一步]。
在 [向量設定] 下的 [搜尋設定] 頁面上,取消選取 [將向量搜尋新增至此搜尋資源] 核取方塊。 此設定有助於判斷模型如何回應要求。 然後選取下一步。
注意
如果您新增向量搜尋,此處會提供更多選項,但需要額外付費。
檢閱設定並選取 [建立]。
在遊樂場中,您可以看到資料擷取正在進行中。 此程序可能需要幾分鐘的時間。 請等到您看見資料來源和索引名稱 (而非狀態) 之後再繼續。
輸入遊樂場設定的名稱,然後選取 [儲存]>[儲存設定]。 預設會儲存所有設定項目。 專案包括部署、系統訊息、安全訊息、參數、新增的數據、範例和變數。 儲存名稱相同的設定將會儲存覆蓋舊版。
您現在可以與模型聊天,詢問與之前相同的問題 (「TrailWalker 登山健行鞋多少錢」),這次其會使用來自您資料的資訊來建構回應。 您可以展開 [參考] 按鈕,以查看所使用的資料。
從遊樂場建立提示流程
現在您可能會問:「如何進一步自訂此 Copilot?」建議您新增多個資料來源、比較不同的提示或多個模型的效能。 提示流程會作為可執行的工作流程,簡化 LLM 型 AI 應用程式的開發。 其提供管理應用程式內資料流程和處理的完整架構。 您可以使用提示流程,將傳送至副手聊天模型的訊息最佳化。
在本節中,您將了解如何從遊樂場轉換至提示流程。 您可以匯出遊樂場聊天環境,包括與您新增之資料的連線。 在此教學課程稍後,您將評估流程,然後部署流程以供取用。
注意
提示流程中所做的變更不會向後套用來更新遊樂場環境。
您可以遵循下列步驟,從遊樂場建立提示流程:
移至您在 AI Studio 中的專案。
從左窗格中選取 [遊樂場]>[聊天]。
因為我們使用自己的數據,因此您必須選取 [ 新增您的數據]。 您應該已經有一 個名為 product-info 的索引,您先前在聊天遊樂場中建立。 從 [ 選取可用的專案索引] 下拉式清單中選取它。 否則, 請先使用您的產品數據 建立索引,然後返回此步驟。
從聊天會話窗格上方的功能表中選取 [提示流程 ]。
輸入提示流程的資料夾名稱。 然後選取 [開啟]。 AI Studio 會導出遊樂場聊天環境以提示流程。 匯出包含您新增之數據的連線。
在流程中,節點會佔據舞台中心,代表具有獨特功能的特定工具。 這些節點會使用輸入和輸出來處理資料處理、工作執行和演算法作業。 藉由連線節點,您可以建立順暢的作業鏈結,以引導應用程式的資料流程。 如需詳細資訊,請參閱提示流程工具。
為了輔助節點設定和微調,會透過 DAG (有向非循環圖) 圖表提供工作流程結構的視覺表示法。 此圖表會展示節點之間的連線能力和相依性,並提供整個工作流程的清楚概觀。 此處所示圖表中的節點代表您匯出至提示流程的遊樂場聊天體驗。
在提示流程中,您也應該會看到:
- 儲存 按鈕:您可以從頂端功能表中選取 [儲存 ],隨時儲存提示流程。 當您在此教學課程中進行變更時,請務必定期儲存提示流程。
- 啟動計算工作階段 按鈕:您必須啟動計算工作階段以執行提示流程。 您可以在稍後的教學課程中啟動工作階段。 執行計算實例時會產生成本。 如需詳細資訊,請參閱 如何建立計算會話。
您可以從左側功能表中的 [工具] 選取 [提示流程],隨時返回提示流程。 然後選取您先前建立的提示流程資料夾。
使用多個資料來源自訂提示流程
先前在 AI Studio 聊天遊樂場中,您已新增數據,以建立一個包含 Contoso copilot 產品數據的搜尋索引。 到目前為止,使用者只能針對諸如「TrailWalker 登山健行鞋多少錢?」等問題來詢問產品。 但他們無法得到諸如「Daniel Wilson 買了多少雙 TrailWalker 登山健行鞋?」等問題的答案。為了實現此案例,我們要將另一個具有客戶資訊的索引新增至流程。
建立客戶資訊索引
若要繼續,您需要範例客戶資訊的本地副本。 如需詳細資訊和範例資料的連結,請參閱必要條件。
請遵循這些指示,瞭解如何建立新的索引。 您稍後會回到本教學課程中的提示流程,將客戶資訊新增至流程。 您可以在瀏覽器中開啟新的索引標籤,以遵循這些指示,然後返回您的提示流程。
移至您在 AI Studio 中的專案。
從左側功能表中選取 [索引]。 請注意,您已經有一 個名為 product-info 的索引,您先前在聊天遊樂場中建立。
選取 [+ 新增索引]。 系統會帶您前往 [建立索引] 精靈。
在 [來源資料] 頁面上,從 [資料來源] 下拉式清單中選取 [上傳檔案]。 然後選取 [上傳>上傳檔案] 以瀏覽您的本機檔案。
選取您先前下載或建立的客戶資訊檔案。 請參閱必要條件。 然後選取下一步。
選取您用於產品資訊索引的相同 Azure AI 搜尋服務 連線 (contosooutdooraisearch)。 然後選取下一步。
針對索引名稱輸入 customer-info。
選取要執行編製索引作業的虛擬機器。 預設選項為 [自動選取]。 然後選取下一步。
在 [向量設定] 下的 [搜尋設定] 頁面上,取消選取 [將向量搜尋新增至此搜尋資源] 核取方塊。 此設定有助於判斷模型如何回應要求。 然後選取下一步。
注意
如果您新增向量搜尋,此處會提供更多選項,但需要額外付費。
檢閱您輸入的詳細資料,然後選取 [建立]。
注意
在此教學課程稍後的提示流程中,您會使用 customer-info 索引和針對 Azure AI 搜尋服務資源的 contoso-outdoor-search 連線。 如果您輸入的名稱與此處指定的名稱不同,請務必在教學課程的其餘部分使用您輸入的名稱。
系統會帶您前往索引詳細資料頁面,您可以在其中查看您索引建立的狀態。
如需如何建立索引的詳細資訊,請參閱建立索引。
建立提示流程所需的計算會話
建立索引之後,請返回提示流程並啟動計算會話。 提示流程需要計算會話才能執行。
- 移至您的專案。
- 從左側選單中的 [工具] 選取 [提示流程]。 然後選取您先前建立的提示流程資料夾。
- 從頂端功能表中選取 [ 啟動計算會話 ]。
若要建立計算實例和計算會話,您也可以遵循如何建立計算會話的步驟。
若要完成本教學課程的其餘部分,請確定您的計算會話正在執行中。
重要
計算執行個體在執行時,會向您收取費用。 若要避免產生不必要的 Azure 費用,在您未主動於提示流程中運作時暫停計算執行個體。 如需詳細資訊,請參閱如何啟動和停止計算。
將客戶資訊新增至流程
完成建立索引之後,返回提示流程,並遵循下列步驟來將客戶資訊新增至流程:
請確定您有執行中的計算工作階段。 如果您沒有計算會話,請參閱 上一節中的建立計算會話 。
從頂端功能表中選取 [+ 更多工具 ],然後從工具清單中選取 [索引查閱 ]。
將新的節點 查詢命名為CustomerIndex ,然後選取 [ 新增]。
選取 queryCustomerIndex 節點中的 [mlindex_content] 文字框。
[ 產生] 對話框隨即開啟。 您可以使用此對話框來設定 queryCustomerIndex 節點,以連線到您的客戶 資訊 索引。
針對 [index_type] 值,選取 [Azure AI 搜尋]。
選取或輸入下列值:
名稱 值 acs_index_connection Azure AI 搜尋服務 連線的名稱(例如 contosooutdooraisearch) acs_index_name customer-info acs_content_field 內容 acs_metadata_field meta_json_string semantic_configuration azuremldefault embedding_type None 選取 [儲存] 以儲存您的設定。
選取或輸入下列 queryCustomerIndex 節點的值:
名稱 值 查詢 ${extractSearchIntent.output} query_type 關鍵字 topK 5 您可以看到 queryCustomerIndex 節點已連線到 圖形中的 extractSearchIntent 節點。
從頂端功能表中選取 [儲存],以儲存變更。 請記得在進行變更時定期儲存您的提示流程。
將客戶資訊 連線 流程
在下一節中,您會匯總產品和客戶資訊,以大型語言模型可以使用的格式輸出。 但首先,您需要將客戶資訊連線到流程。
選取 [+ 更多工具] 旁的省略號圖示,然後選取 [源檔模式] 以切換至源檔模式。 此模式可讓您在圖形中複製和貼上節點。
將 querySearchResource 的所有實例取代為圖形中的 queryProductIndex。 我們會重新命名節點,以更清楚地反映它擷取產品資訊,並與您新增至流程的 queryCustomerIndex 節點形成對比。
將 chunkDocuments 的所有實例重新命名並取代為圖形中的 chunkProductDocuments。
將 selectChunks 的所有實例重新命名並取代為圖形中的 selectProductChunks。
複製並貼上 chunkProductDocuments ,然後 選取 [ProductChunks ] 節點,為客戶資訊建立類似的節點。 重新命名新的節點 區塊CustomerDocuments ,然後 分別選取 [CustomerChunks ]。
在 chunkCustomerDocuments 節點內,將
${queryProductIndex.output}
輸入取代為${queryCustomerIndex.output}
。在 selectCustomerChunks 節點內,將
${chunkProductDocuments.output}
輸入取代為${chunkCustomerDocuments.output}
。從頂端功能表中選取 [儲存],以儲存變更。
現在,
flow.dag.yaml
檔案應該包含類似下列範例的節點 (以及其他) 節點:- name: chunkProductDocuments type: python source: type: code path: chunkProductDocuments.py inputs: data_source: Azure AI Search max_tokens: 1050 queries: ${extractSearchIntent.output} query_type: Keyword results: ${queryProductIndex.output} top_k: 5 use_variants: false - name: selectProductChunks type: python source: type: code path: filterChunks.py inputs: min_score: 0.3 results: ${chunkProductDocuments.output} top_k: 5 use_variants: false - name: chunkCustomerDocuments type: python source: type: code path: chunkCustomerDocuments.py inputs: data_source: Azure AI Search max_tokens: 1050 queries: ${extractSearchIntent.output} query_type: Keyword results: ${queryCustomerIndex.output} top_k: 5 use_variants: false - name: selectCustomerChunks type: python source: type: code path: filterChunks.py inputs: min_score: 0.3 results: ${chunkCustomerDocuments.output} top_k: 5 use_variants: false
匯總產品和客戶資訊
此時,提示流程只會使用產品資訊。
- extractSearchIntent 會從用戶的問題中擷取搜尋意圖。
- queryProductIndex 會從產品資訊索引擷 取產品資訊 。
- LLM 工具(適用於大型語言模型)會透過 chunkProductDocuments selectProductChunks>>formatGeneratedReplyInputs 節點接收格式化的回復。
您必須連線並匯總產品和客戶資訊,以 LLM 工具可以使用的格式輸出產品與客戶資訊。 請遵循下列步驟來匯總產品和客戶資訊:
從工具清單中選取 [Python ]。
將工具 命名為 aggregateChunks, 然後選取 [ 新增]。
複製並貼上下列 Python 程式代碼,以取代 aggregateChunks 程式代碼區塊中的所有內容。
from promptflow import tool from typing import List @tool def aggregate_chunks(input1: List, input2: List) -> str: interleaved_list = [] for i in range(max(len(input1), len(input2))): if i < len(input1): interleaved_list.append(input1[i]) if i < len(input2): interleaved_list.append(input2[i]) return interleaved_list
選取 [驗證並剖析輸入] 按鈕,以驗證 aggregateChunks 節點的輸入。 如果輸入有效,提示流程就會剖析輸入,並建立必要的變數,讓您可在程式碼中使用。
編輯 aggregateChunks 節點以連接產品和客戶資訊。 將 輸入 設定為下列值:
名稱 類型 值 input1 清單 ${selectProductChunks.output} input2 清單 ${selectCustomerChunks.output} 從圖形中選取 shouldGenerateReply 節點。 選取或輸入
${aggregateChunks.output}
區塊輸入。從圖形中 選取 formatGenerateReplyInputs 節點。 選取或輸入
${aggregateChunks.output}
區塊輸入。從圖表中選取 outputs 節點。 選取或輸入
${aggregateChunks.output}
區塊輸入。從頂端功能表中選取 [儲存],以儲存變更。 請記得在進行變更時定期儲存您的提示流程。
現在您可以在 圖表中看到 aggregateChunks 節點。 節點會連接產品和客戶資訊,以 LLM 工具可以使用的格式輸出產品與客戶資訊。
在具有產品和客戶資訊的提示流程中聊天
現在,您在提示流程中同時擁有產品和客戶資訊。 您可以在提示流程中與模型聊天,並獲得諸如「Daniel Wilson 買了多少雙 TrailWalker 登山健行鞋?」等問題的答案。在繼續進行更正式的評估之前,您可以選擇性地與模型聊天,以查看其如何回應您的問題。
從上一節繼續進行, 並選取輸出 節點。 請確定 回復 輸出已選取 [ 聊天輸出] 單選按鈕。 否則,系統會傳回完整的檔集,以回應聊天中的問題。
從提示流程的頂端功能表中選取 [聊天],以嘗試聊天。
輸入「Daniel Wilson 買了多少雙 TrailWalker 登山健行鞋?」,然後選取向右箭號圖示進行傳送。
注意
模型可能需要幾秒鐘的時間才能回應。 當您使用已部署的流程時,可以預期回應時間會更快。
此回應是您預期的回應。 此模型使用客戶資訊來回答問題。
使用問答評估資料集評估流程
在 AI Studio 中,您想要先評估流程,再部署流程以供取用。
在本節中,您將使用內建評估來評估具有問答評估資料集的流程。 內建評估使用 AI 輔助的計量來評估流程:根據性、相關性和擷取分數。 如需詳細資訊,請參閱內建評估計量。
建立評估
您需要包含與案例相關之問題和答案的問答評估資料集。 在本機建立名為 qa-evaluation.jsonl 的新檔案。 複製下列問題和答案 ("truth"
) 並貼入檔案中。
{"question": "What color is the CozyNights Sleeping Bag?", "truth": "Red", "chat_history": [], }
{"question": "When did Daniel Wilson order the BaseCamp Folding Table?", "truth": "May 7th, 2023", "chat_history": [] }
{"question": "How much does TrailWalker Hiking Shoes cost? ", "truth": "$110", "chat_history": [] }
{"question": "What kind of tent did Sarah Lee buy?", "truth": "SkyView 2 person tent", "chat_history": [] }
{"question": "What is Melissa Davis's phone number?", "truth": "555-333-4444", "chat_history": [] }
{"question": "What is the proper care for trailwalker hiking shoes?", "truth": "After each use, remove any dirt or debris by brushing or wiping the shoes with a damp cloth.", "chat_history": [] }
{"question": "Does TrailMaster Tent come with a warranty?", "truth": "2 years", "chat_history": [] }
{"question": "How much did David Kim spend on the TrailLite Daypack?", "truth": "$240", "chat_history": [] }
{"question": "What items did Amanda Perez purchase?", "truth": "TrailMaster X4 Tent, TrekReady Hiking Boots (quantity 3), CozyNights Sleeping Bag, TrailBlaze Hiking Pants, RainGuard Hiking Jacket, and CompactCook Camping Stove", "chat_history": [] }
{"question": "What is the Brand for TrekReady Hiking Boots", "truth": "TrekReady", "chat_history": [] }
{"question": "How many items did Karen Williams buy?", "truth": "three items of the Summit Breeze Jacket", "chat_history": [] }
{"question": "France is in Europe", "truth": "Sorry, I can only truth questions related to outdoor/camping gear and equipment", "chat_history": [] }
現在您已擁有評估資料集,您可以遵循下列步驟來評估流程:
從提示流程的頂端功能表中,選取 [評估]>[內建評估]。
系統會帶您前往 [建立新的評估] 精靈。
輸入評估的名稱,並選取計算工作階段。
從案例選項中選取 [沒有內容 的問題和答案]。
選取要評估的流程。 在此範例中,選取 [Contoso 戶外流程] 或任何您命名的流程。 然後選取下一步。
選取 [設定測試數據] 頁面上的 [新增數據集]。
選取 [上傳檔案]、瀏覽檔案,然後選取 您先前建立的 qa-evaluation.jsonl 檔案。
上傳檔案之後,您必須設定數據行,以符合提示流程所需的輸入,以執行產生評估輸出的批次執行。 針對提示流程的每個數據集對應,輸入或選取下列值。
名稱 描述 類型 資料來源 chat_history 聊天記錄 清單 ${data.chat_history} query 此查詢 string ${data.question} 選取 [下一步]。
選取您要用來評估流程的計量。 在此範例中,選取 [一致性]、[流暢度]、[GPT 相似度] 和 [F1 分數]。
選取要用於評估的連線和模型。 在此範例中,選取 [gpt-35-turbo-16k]。 然後選取下一步。
注意
使用 AI 輔助的計量進行評估時,必須呼叫另一個 GPT 模型來執行計算。 為了獲得最佳效能,請使用至少支援 16k 語彙基元 (Token) 的模型,例如 gpt-4-32k 或 gpt-35-turbo-16k 模型。 如果您先前未部署這類模型,您可以遵循 AI Studio 聊天遊樂場快速入門中的步驟來部署另一個模型。 然後返回此步驟,並選取您部署的模型。
您必須設定數據行,以符合產生評估計量所需的輸入。 輸入下列值,將數據集對應至評估屬性:
名稱 描述 類型 資料來源 問題 搜尋特定信息的查詢。 字串 ${data.question} 回答 模型所產生的問題回應作為答案。 字串 ${run.outputs.reply} 文件 字串,其中包含所擷取文件的內容。 字串 ${run.outputs.documents} 選取 [下一步]。
檢閱評估詳細資料,然後選取 [提交]。 系統會帶您前往 [計量評估] 頁面。
檢視評估狀態和結果
現在您可以遵循下列步驟來檢視評估狀態和結果:
建立 評估之後,如果您還沒有移至 評估版。 在 [計量評估] 頁面上,您可以看到評估狀態和選取的計量。 您可能需要在幾分鐘後選取 [重新整理],才能看到 [已完成] 狀態。
在提示流程中停止計算會話。 移至您的提示流程,然後從頂端功能表中選取 [停止計算會話] 的 [計算會話>]。
提示
評估處於 [已完成 ] 狀態之後,您就不需要計算會話來完成本教學課程的其餘部分。 您可以停止計算執行個體,以避免產生不必要的 Azure 費用。 如需詳細資訊,請參閱如何啟動和停止計算。
選取評估的名稱(例如 evaluation_evaluate_from_flow_variant_0),以查看評估計量。
如需詳細資訊,請參閱檢視評估結果。
部署流程
既然您已建置流程並完成計量型評估,就可以建立線上端點進行即時推斷。 那表示您可以使用已部署的流程,即時回答問題。
請遵循下列步驟,從 AI Studio 將提示流程部署為在線端點。
備妥提示流程以進行部署。 如果您沒有提示流程,請參閱前幾節或 如何建置提示流程。
選擇性:選取 [聊天],以測試流程是否正常運作。 建議的最佳做法是先測試流程再進行部署。
在流程編輯器上,選取 [部署]。
在部署精靈的 [基本設定] 頁面上,提供要求的資訊。 選取 [下一步] 以繼續進行進階設定頁面。
在 [進階設定 - 端點] 頁面上,保留預設設定,然後選取 [下一步]。
在 [進階設定 - 部署] 頁面上,保留預設設定,然後選取 [下一步]。
在 [進階設定 - 輸出和連線] 頁面上,確定已選取 [包含於端點回應中] 底下的所有輸出。
選取 [檢閱 + 建立],以檢閱設定並建立部署。
選取 [建立],以部署提示流程。
如需詳細資訊,請參閱如何部署流程。
使用已部署的流程
您的副手應用程式可以使用已部署的提示流程,即時回答問題。 您可以使用 REST 端點或 SDK 來使用已部署的流程。
若要在 AI Studio 中檢視部署的狀態,請從左側導覽中選取 [部署]。
成功建立部署之後,您可以選取部署來檢視詳細資料。
注意
如果您看到訊息指出「此端點目前沒有部署」,或 [狀態] 仍為 [正在更新],您可能需要在幾分鐘後選取 [重新整理],才能看到部署。
或者,詳細資料頁面是您可以變更驗證類型或啟用監視的位置。
選取 [取用] 索引標籤。您可以查看副手應用程式的程式碼範例和 REST 端點,以使用已部署的流程。
清除資源
為了避免產生不必要的 Azure 費用,如果您不再需要在本教學課程中建立的資源,則應加以刪除。 若要管理資源,您可以使用 Azure 入口網站。
您也可以視需要在 AI Studio 中停止或刪除計算實例。
下一步
- 深入了解提示流程。
- 部署企業聊天 Web 應用程式。
意見反應
https://aka.ms/ContentUserFeedback。
即將登場:在 2024 年,我們將逐步淘汰 GitHub 問題作為內容的意見反應機制,並將它取代為新的意見反應系統。 如需詳細資訊,請參閱:提交並檢視相關的意見反應