agents-v2-py
Создание размещаемых агентов Azure AI на основе контейнеров
Развертывание пользовательских ИИ-агентов в виде контейнеризированных служб в Azure AI Foundry без управления инфраструктурой. Используйте Azure AI Projects SDK для определения, развертывания и управления размещаемыми агентами с вашими собственными образами Docker и интегрированными инструментами.
Скачать ZIP навыка
Загрузить в Claude
Перейдите в Settings → Capabilities → Skills → Upload skill
Включите и начните использовать
Протестировать
Использование «agents-v2-py». Создайте размещаемый агент с 2 ядрами ЦП, 4 Ги памяти и инструментом поиска файлов
Ожидаемый результат:
Размещаемый агент создан: data-processor-agent
Версия: v1.0.0
Состояние: Активно
Выделение ресурсов: 2 ЦП, 4 Ги памяти
Инструменты включены: code_interpreter, file_search
Использование «agents-v2-py». Перечислите все версии my-hosted-agent
Ожидаемый результат:
Версия: v1.0.0, Состояние: Активно, Создано: 2024-01-15
Версия: v1.1.0, Состояние: Активно, Создано: 2024-01-20
Версия: v2.0.0, Состояние: Активно, Создано: 2024-01-25
Аудит безопасности
БезопасноThis 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.
Проблемы низкого риска (1)
Факторы риска
🔑 Переменные окружения (7)
Оценка качества
Что вы можете построить
Развертывание агента для обработки пользовательских данных
Создайте размещаемый агент с пользовательским контейнером, который обрабатывает файлы с помощью интерпретатора кода и инструментов поиска файлов для автоматизированных конвейеров данных.
Создание ИИ-ассистента с поддержкой MCP
Разверните агент, который интегрирует внешние инструменты через протокол MCP, обеспечивая беспрепятственное подключение к пользовательским API и службам.
Система оркестрации нескольких агентов
Создавайте и управляйте несколькими специализированными размещаемыми агентами с различными выделениями ресурсов и конфигурациями инструментов для сложных рабочих процессов.
Попробуйте эти промпты
Создайте размещаемый агент с использованием ImageBasedHostedAgentDefinition с моим образом контейнера по адресу myregistry.azurecr.io/my-agent:v1, выделив 1 ЦП и 2 Ги памяти с включенным интерпретатором кода.
Создайте размещаемый агент, который передает AZURE_AI_PROJECT_ENDPOINT и MODEL_NAME в качестве переменных среды в контейнер, используя gpt-4o-mini в качестве модели.
Разверните размещаемый агент с интерпретатором кода и инструментами MCP. Сервер MCP находится по адресу https://my-mcp-server.example.com с меткой 'custom-tools'.
Напишите асинхронную функцию Python, которая создает размещаемый агент, перечисляет все версии агента и удаляет устаревшие версии старше v2.0.
Лучшие практики
- Используйте конкретные теги образов вместо 'latest' для производственных развертываний, чтобы обеспечить воспроизводимость
- Начните с минимального выделения ресурсов (1 ЦП, 2 Ги) и масштабируйте на основе фактических шаблонов использования
- Храните всю конфигурацию в переменных среды и используйте Azure Key Vault для конфиденциальных значений
Избегать
- Жесткое кодирование секретов или строк подключения непосредственно в коде определения агента
- Использование тега образа 'latest' в производственной среде, что может вызвать неожиданное поведение после обновления образа
- Выделение максимальных ресурсов (4 ЦП, 8 Ги) без профилирования фактических требований к ресурсам