agents-v2-py
Créer des agents hébergés Azure AI basés sur des conteneurs
Déployez des agents IA personnalisés en tant que services conteneurisés dans Azure AI Foundry sans gérer l'infrastructure. Utilisez le SDK Azure AI Projects pour définir, déployer et gérer des agents hébergés avec vos propres images Docker et outils intégrés.
Télécharger le ZIP du skill
Importer dans Claude
Allez dans Paramètres → Capacités → Skills → Importer un skill
Activez et commencez à utiliser
Tester
Utilisation de "agents-v2-py". Créer un agent hébergé avec 2 cœurs CPU, 4Gi mémoire et l'outil de recherche de fichiers
Résultat attendu:
Agent hébergé créé : data-processor-agent
Version : v1.0.0
État : Actif
Allocation de ressources : 2 CPU, 4Gi mémoire
Outils activés : code_interpreter, file_search
Utilisation de "agents-v2-py". Lister toutes les versions de my-hosted-agent
Résultat attendu:
Version : v1.0.0, État : Actif, Créé : 2024-01-15
Version : v1.1.0, État : Actif, Créé : 2024-01-20
Version : v2.0.0, État : Actif, Créé : 2024-01-25
Audit de sécurité
SûrThis skill is a Python SDK documentation guide for Azure AI Foundry hosted agents. All 79 static analysis findings were evaluated and dismissed as false positives. The markdown backticks were incorrectly flagged as shell execution, environment variable usage follows security best practices, and documentation URLs are not active network calls. No malicious patterns detected.
Problèmes à risque faible (1)
Facteurs de risque
🔑 Variables d’environnement (7)
Score de qualité
Ce que vous pouvez construire
Déployer un agent de traitement de données personnalisé
Créer un agent hébergé avec un conteneur personnalisé qui traite des fichiers en utilisant l'interpréteur de code et les outils de recherche de fichiers pour des pipelines de données automatisés.
Créer un assistant IA avec activation MCP
Déployer un agent qui intègre des outils externes via le protocole MCP, permettant une connexion transparente aux API et services personnalisés.
Système d'orchestration multi-agents
Créer et gérer plusieurs agents hébergés spécialisés avec différentes allocations de ressources et configurations d'outils pour des workflows complexes.
Essayez ces prompts
Créer un agent hébergé en utilisant ImageBasedHostedAgentDefinition avec mon image de conteneur à myregistry.azurecr.io/my-agent:v1, allouant 1 CPU et 2Gi mémoire avec l'interpréteur de code activé.
Créer un agent hébergé qui transmet AZURE_AI_PROJECT_ENDPOINT et MODEL_NAME comme variables d'environnement au conteneur, en utilisant gpt-4o-mini comme modèle.
Déployer un agent hébergé avec l'interpréteur de code et les outils MCP. Le serveur MCP est à https://my-mcp-server.example.com avec l'étiquette 'custom-tools'.
Écrire une fonction Python asynchrone qui crée un agent hébergé, liste toutes les versions d'agents et supprime les versions obsolètes antérieures à v2.0.
Bonnes pratiques
- Utiliser des balises d'image spécifiques au lieu de 'latest' pour les déploiements en production afin d'assurer la reproductibilité
- Commencer avec l'allocation de ressources minimale (1 CPU, 2Gi) et augmenter en fonction des modèles d'utilisation réels
- Stocker toute la configuration dans des variables d'environnement et utiliser Azure Key Vault pour les valeurs sensibles
Éviter
- Coder en dur des secrets ou des chaînes de connexion directement dans le code de définition de l'agent
- Utiliser la balise d'image 'latest' en production, ce qui peut provoquer un comportement inattendu après des mises à jour d'images
- Allouer un maximum de ressources (4 CPU, 8Gi) sans profiler les besoins réels en ressources