如何使用 Microsoft Foundry 模型產生文字回應

本文說明如何利用 Responses API 為 Foundry 模型（如 Microsoft AI、Deepseek 和 Grok 模型）產生文字回應。欲了解支援 Responses API 的完整 Foundry 模型清單，請參見支援的 Foundry 模型。

先決條件

要在您的應用程式中使用部署的模型來使用 Responses API，您需要：

Azure 訂閱方案。如果你使用 GitHub Models，你可以升級體驗並在此過程中建立Azure訂閱。如果你是這樣，可以閱讀從GitHub Models升級到Microsoft Foundry Models。
A Foundry project。這類 project 由 Foundry 資源管理。如果你沒有 Foundry 專案，請參考建立 Microsoft Foundry 專案。
你的 Foundry project端點網址，格式為 https://YOUR-RESOURCE-NAME.services.ai.Azure.com/api/projects/YOUR_PROJECT_NAME。
部署 Foundry模型，例如本文所使用的模型。如果您尚未進行部署，請參閱將 Foundry 模型新增並設定至您資源的模型部署。

使用 AI 模型入門套件

本文中的程式碼片段來自 AI 模型入門套件。利用這套入門套件快速開始設定所需的完整雲端基礎設施和代碼，並使用穩定的 OpenAI 函式庫與 Responses API 來呼叫 Foundry Models。

使用 Responses API 來產生文字

請使用本節的程式碼來呼叫 Foundry 模型的回應 API。在程式碼範例中，你建立客戶端來接收模型，然後發送基本請求。

小提示

當你在 Foundry 入口網站部署模型時，你會為它指派一個部署名稱。在 API 呼叫的參數中使用這個部署名稱（而非模型目錄 ID）。

備註

使用無鑰匙驗證與Microsoft Entra ID。想了解更多關於無鑰匙認證的資訊，請參見 Microsoft什麼是 Entra 認證？以及 DefaultAzureCredential。

Python（編程語言）
C#
JavaScript
爪哇島
前進

安裝函式庫，包括 Azure Identity 用戶端函式庫：
```
pip install azure-identity
pip install openai
```

請使用以下程式碼在 project 路徑中配置 OpenAI 用戶端物件，指定你的部署，並產生回應。

from azure.identity import DefaultAzureCredential, get_bearer_token_provider
from openai import OpenAI

project_endpoint = "https://YOUR-RESOURCE-NAME.services.ai.azure.com/api/projects/YOUR_PROJECT_NAME"
# Build the base URL: project_endpoint + /openai/v1 (no api-version needed)
base_url = project_endpoint.rstrip("/") + "/openai/v1"

# Use get_bearer_token_provider for automatic token refresh
credential = DefaultAzureCredential()
client = OpenAI(
    base_url=base_url,
    api_key=get_bearer_token_provider(credential, "https://ai.azure.com/.default"),
)   

response = client.responses.create(
    model="DeepSeek-V3.1", # Replace with your deployment name, not the model ID 
    input="What are the top 3 benefits of cloud computing? Be concise.",
    max_output_tokens=500,
)

print(response.model_dump_json(indent=2))

安裝 Azure Identity 客戶端函式庫：

dotnet add package Azure.Identity
dotnet add package OpenAI

請使用以下程式碼在 project 路徑中配置 OpenAI 用戶端物件，指定你的部署，並產生回應。

using Azure.Identity;
using OpenAI;
using OpenAI.Responses;

var deploymentName = "DeepSeek-V3.1"; // Replace with your deployment name, not the model ID 
var project_endpoint = "https://YOUR-RESOURCE-NAME.services.ai.azure.com/api/projects/YOUR_PROJECT_NAME";

// Get EntraID token for keyless auth
var credential = new DefaultAzureCredential();
var token = await credential.GetTokenAsync(
    new Azure.Core.TokenRequestContext(["https://ai.azure.com/.default"])
);

// Standard OpenAI client — no AzureOpenAI wrapper (no api-version needed with /v1 path)
var baseUrl = project_endpoint.TrimEnd('/') + "/openai/v1";
var client = new OpenAIClient(
    new ApiKeyCredential(token.Token),
    new OpenAIClientOptions { Endpoint = new Uri(baseUrl) });    

var responseClient = client.GetResponsesClient(deploymentName);
var result = await responseClient.CreateResponseAsync(new CreateResponseOptions(
    [ResponseItem.CreateUserMessageItem("What are the top 3 benefits of cloud computing? Be concise.")])
    { MaxOutputTokenCount = 500 }
);
Console.WriteLine($"Response: {result.Value.GetOutputText()}");
Console.WriteLine($"Status:   {result.Value.Status}");
Console.WriteLine($"Output tokens: {result.Value.Usage.OutputTokenCount}");

在使用 DefaultAzureCredential 之前，先安裝 Azure Identity 用戶端函式庫：
```
npm install @azure/identity
npm install openai
```

請使用以下程式碼在 project 路徑中配置 OpenAI 用戶端物件，指定你的部署，並產生回應。

import OpenAI from "openai";
import { DefaultAzureCredential } from "@azure/identity";

async function getToken(): Promise<string> {
  const credential = new DefaultAzureCredential();
  const tokenResponse = await credential.getToken(
    "https://ai.azure.com/.default"
  );
  return tokenResponse.token;
}

async function main() {
    const projectEndpoint = "https://YOUR-RESOURCE-NAME.services.ai.azure.com/api/projects/YOUR_PROJECT_NAME";
    const deploymentName = "DeepSeek-V3.1"; // Replace with your deployment name, not the model ID 

    const baseURL = projectEndpoint.replace(/\/+$/, "") + "/openai/v1";
    const token = await getToken();

    const client = new OpenAI({
        baseURL,
        apiKey: token,
      });

    const response = await client.responses.create({
        model: deploymentName,
        input: "What are the top 3 benefits of cloud computing? Be concise.",
        max_output_tokens: 500,
      });

    console.log(`Response: ${response.output_text}`);
    console.log(`Status:   ${response.status}`);
    console.log(`Output tokens: ${response.usage?.output_tokens}`);
}

main();

使用 Microsoft Entra ID 進行認證需要一些初步設定。首先，安裝 Azure Identity 用戶端函式庫。關於如何安裝此函式庫的更多選項，請參閱 Java 的 Azure Identity 用戶端函式庫。

新增 Azure Identity 客戶端函式庫：

<dependencies>
    <dependency>
        <groupId>com.openai</groupId>
        <artifactId>openai-java</artifactId>
        <version>4.22.0</version>
    </dependency>
    <dependency>
        <groupId>com.azure</groupId>
        <artifactId>azure-identity</artifactId>
        <version>1.15.4</version>
    </dependency>
</dependencies>

設定完成後，從 Azure.identity 中選擇要使用的憑證類型。例如，使用來驗證客戶端。使用進行驗證最為簡單，因為它會在其執行環境中找到最佳的憑證。

請使用以下程式碼在 project 路徑中配置 OpenAI 用戶端物件，指定你的部署，並產生回應。

import com.azure.core.credential.TokenRequestContext;
import com.azure.identity.DefaultAzureCredentialBuilder;
import com.openai.client.OpenAIClient;
import com.openai.client.okhttp.OpenAIOkHttpClient;
import com.openai.models.responses.ResponseCreateParams;

public class Sample {
    public static void main(String[] args) {
        String endpoint = "https://YOUR-RESOURCE-NAME.services.ai.azure.com/api/projects/YOUR_PROJECT_NAME";
        String deploymentName = "DeepSeek-V3.1"; // Replace with your deployment name, not the model ID

        // Get EntraID token for keyless auth
        var credential = new DefaultAzureCredentialBuilder().build();
        var context = new TokenRequestContext().addScopes("https://ai.azure.com/.default");
        String token = credential.getToken(context).block().getToken();

        // Standard OpenAI client — no Azure wrapper
        // Java SDK uses /openai/v1 path (no api-version needed; SDK manages versioning internally)
        String baseUrl = endpoint.replaceAll("/+$", "") + "/openai/v1";
        OpenAIClient client = OpenAIOkHttpClient.builder()
                .baseUrl(baseUrl)
                .apiKey(token)
                .build();

        var response = client.responses().create(
                ResponseCreateParams.builder()
                        .model(deploymentName)
                        .input("What are the top 3 benefits of cloud computing? Be concise.")
                        .maxOutputTokens(500)
                        .build()
        );
        System.out.printf("Response: %s%n", getOutputText(response));
        System.out.printf("Status:   %s%n", response.status());
        response.usage().ifPresent(u ->
                System.out.printf("Output tokens: %d%n", u.outputTokens()));
    }
}

package main

import (
    "context"
    "fmt"
    "os"
    "strings"

    "github.com/Azure/azure-sdk-for-go/sdk/azcore/policy"
    "github.com/Azure/azure-sdk-for-go/sdk/azidentity"
    "github.com/openai/openai-go/v3"
    "github.com/openai/openai-go/v3/option"
    "github.com/openai/openai-go/v3/responses"
)

func main() {
    projectEndpoint := "https://YOUR-RESOURCE-NAME.services.ai.azure.com/api/projects/YOUR_PROJECT_NAME"
    deploymentName := "DeepSeek-V3.1" // Replace with your deployment name, not the model ID

    ctx := context.Background()

    // Get EntraID token for keyless auth
    credential, err := azidentity.NewDefaultAzureCredential(nil)
    token, err := credential.GetToken(ctx, policy.TokenRequestOptions{
        Scopes: []string{"https://ai.azure.com/.default"},
    })

    // Standard OpenAI client — no Azure wrapper (no api-version needed with /v1 path)
    baseURL := strings.TrimRight(projectEndpoint, "/") + "/openai/v1"
    client := openai.NewClient(
        option.WithBaseURL(baseURL),
        option.WithAPIKey(token.Token),
    )

    resp, err := client.Responses.New(ctx, responses.ResponseNewParams{
        Model: deploymentName,
        Input: responses.ResponseNewParamsInputUnion{
            OfString: openai.String("What are the top 3 benefits of cloud computing? Be concise."),
        },
        MaxOutputTokens: openai.Int(500),
    })

    fmt.Printf("Response: %s\n", resp.OutputText())
    fmt.Printf("Status:   %s\n", resp.Status)
    fmt.Printf("Output tokens: %d\n", resp.Usage.OutputTokens)
}

回應包含產生的文字以及模型和使用中繼資料。

支援的 Foundry 模型

支援部分 Foundry 模型以配合回應 API 使用。

在 Foundry 入口網站查看支援的模型

欲在 Foundry 入口網站查看完整支援型號清單：

登入 Microsoft Foundry。確定新鑄造廠的開關是開啟的。這些步驟指的是 Foundry（新）。
在右上角的導覽中選擇「發現」，然後在左側窗格選擇「型號」。
打開「能力」下拉選單，選擇代理支援的篩選器。

支援型號列表

本節列出部分支援與回應 API 使用的 Foundry 模型。關於Azure支援的 OpenAI 模型，請參見 Available Azure OpenAI 模型。

由 Azure 直接銷售的型號：

MAI-DS-R1：確定性、精確度導向的推理。
GROK-4：用於複雜多步驟問題解決的前沿尺度推理。
grok-4-fast-reasoning:：針對工作流程自動化最佳化的加速推理。
grok-4-fast-non-reasoning：高輸送量、低延遲的生成與系統路由。
GROK-3：針對複雜系統層級的工作流程提供強而有力的推理。
Grok-3-mini：輕量化模型，優化於互動式、大量使用情境。
Llama-3.3-70B-Instruct：企業問答、決策支援及系統協調的多功能模型。
Llama-4-Maverick-17B-128E-Instruct-FP8：FP8 優化模型，提供快速且具成本效益的推理。
DeepSeek-V3-0324：跨文本與影像的多模態理解。
DeepSeek-V3.1：強化多模態推理與接地檢索。
DeepSeek-R1-0528：進階長式與多步驟推理。
GPT-OSS-120b：支持透明度與可重現性的開放生態系統模型。

解決常見錯誤

錯誤	原因	解決辦法
401 未經授權	憑證無效或過期	請確認您的已在資源上指派 Cognitive Services OpenAI User 角色。
404 找不到	錯誤的端點或部署名稱	確認你的端點網址包含且部署名稱是否符合你的 Foundry 入口網站。
400 型號不支援	模型不支援回應 API	請檢查支援的模型清單，並確認你的部署使用的是相容的型號。

意見反應

此頁面對您有幫助嗎？

Last updated on 2026-03-05

共用方式為

如何使用 Microsoft Foundry 模型產生文字回應

先決條件

使用 AI 模型入門套件

使用 Responses API 來產生文字

支援的 Foundry 模型

在 Foundry 入口網站查看支援的模型

支援型號列表

解決常見錯誤

相關內容

意見反應

其他資源