Краткое руководство по началу работы: Создание нового агента

Prerequisites

• Подписка Azure — создайте бесплатную учетную запись.
• Убедитесь, что пользователь, создающий учетную запись и проект, имеет роль владельца учетной записи Azure AI в области подписки, которая предоставит необходимые разрешения для создания проекта.
  • Кроме того, роль участника или участника Cognitive Services на уровне подписки позволит создать проект.
• После создания проекта убедитесь, что пользователь, создающий агент в проекте, имеет роль пользователя ИИ Azure на уровне проекта.

Создание учетной записи Foundry и проекта на портале Azure AI Foundry

Чтобы создать учетную запись и проект в Azure AI Foundry, выполните следующие действия.

1. Перейдите в Azure AI Foundry. Если вы находитесь в проекте, выберите Azure AI Foundry в левом верхнем углу страницы, чтобы перейти на домашнюю страницу.

2. Используйте поток создания агента для быстрого начала работы. Нажмите кнопку "Создать агент".

   

3. Введите имя проекта. Если вы хотите настроить значения по умолчанию, выберите дополнительные параметры.

   

4. Нажмите кнопку "Создать".

5. Подождите, пока будут подготовлены ресурсы.

   1. Будет создана учетная запись и проект (дочерний ресурс учетной записи).
   2. Модель gpt-4o будет автоматически развернута
   3. Агент по умолчанию будет создан

6. После завершения вы окажетесь непосредственно на площадке для агентов и можете приступить к созданию агентов. Вы можете предоставить агенту инструкции о том, что делать и как это сделать. Например: "Вы полезный агент, который может отвечать на вопросы о географическом регионе". Затем вы можете начать чат с агентом.

   

   Note

   Если вы получаете ошибку разрешения при попытке настроить или создать агентов, убедитесь, что у вас есть пользователь Azure AI в проекте.

| Справочная документация | Примеры | Исходный код библиотеки | Пакет (NuGet) |

Prerequisites

• Настройка среды агента
• Назначьте каждому участнику команды роль пользователя Azure ИИRBAC, который должен создавать или изменять агентов с помощью набора средств разработки или Agent Playground.
  • Эта роль должна быть назначена в пределах проекта
  • Минимальные необходимые разрешения: агенты/*/чтение, агенты/*/действие, агенты/*/удаление

Настройка и запуск агента

Создайте проект консоли .NET.

dotnet new console

Установите пакет .NET в проект. Например, если вы используете интерфейс командной строки .NET, выполните следующую команду.

dotnet add package Azure.AI.Agents.Persistent
dotnet add package Azure.Identity

Затем, чтобы пройти проверку подлинности запросов API и запустить программу, используйте команду az login для входа в подписку Azure.

az login

Используйте следующий код для создания и запуска агента. Чтобы запустить этот код, необходимо получить конечную точку для проекта. Эта строка находится в формате:

https://<AIFoundryResourceName>.services.ai.azure.com/api/projects/<ProjectName>

Вы можете найти конечную точку в обзоре проекта на портале Azure AI Foundry в разделе "Библиотеки>Azure AI Foundry".

Задайте эту конечную точку в переменной среды с именем ProjectEndpoint.

Вам также потребуется имя развертывания модели. Его можно найти в левой панели навигации "Модели и конечные точки".

Сохраните имя имени развертывания модели в качестве переменной среды с именем ModelDeploymentName.

using Azure;
using Azure.AI.Agents.Persistent;
using Azure.Identity;
using Microsoft.Extensions.Configuration;
using System.Diagnostics;

IConfigurationRoot configuration = new ConfigurationBuilder()
    .SetBasePath(AppContext.BaseDirectory)
    .AddJsonFile("appsettings.json", optional: false, reloadOnChange: true)
    .Build();

var projectEndpoint = configuration["ProjectEndpoint"];
var modelDeploymentName = configuration["ModelDeploymentName"];

//Create a PersistentAgentsClient and PersistentAgent.
PersistentAgentsClient client = new(projectEndpoint, new DefaultAzureCredential());

//Give PersistentAgent a tool to execute code using CodeInterpreterToolDefinition.
PersistentAgent agent = client.Administration.CreateAgent(
    model: modelDeploymentName,
    name: "My Test Agent",
    instructions: "You politely help with math questions. Use the code interpreter tool when asked to visualize numbers.",
    tools: [new CodeInterpreterToolDefinition()]
);

//Create a thread to establish a session between Agent and a User.
PersistentAgentThread thread = client.Threads.CreateThread();

//Ask a question of the Agent.
client.Messages.CreateMessage(
    thread.Id,
    MessageRole.User,
    "Hi, Agent! Draw a graph for a line with a slope of 4 and y-intercept of 9.");

//Have Agent begin processing user's question with some additional instructions associated with the ThreadRun.
ThreadRun run = client.Runs.CreateRun(
    thread.Id,
    agent.Id,
    additionalInstructions: "Please address the user as Jane Doe. The user has a premium account.");

//Poll for completion.
do
{
    Thread.Sleep(TimeSpan.FromMilliseconds(500));
    run = client.Runs.GetRun(thread.Id, run.Id);
}
while (run.Status == RunStatus.Queued
    || run.Status == RunStatus.InProgress
    || run.Status == RunStatus.RequiresAction);

//Get the messages in the PersistentAgentThread. Includes Agent (Assistant Role) and User (User Role) messages.
Pageable<PersistentThreadMessage> messages = client.Messages.GetMessages(
    threadId: thread.Id,
    order: ListSortOrder.Ascending);

//Display each message and open the image generated using CodeInterpreterToolDefinition.
foreach (PersistentThreadMessage threadMessage in messages)
{
    foreach (MessageContent content in threadMessage.ContentItems)
    {
        switch (content)
        {
            case MessageTextContent textItem:
                Console.WriteLine($"[{threadMessage.Role}]: {textItem.Text}");
                break;
            case MessageImageFileContent imageFileContent:
                Console.WriteLine($"[{threadMessage.Role}]: Image content file ID = {imageFileContent.FileId}");
                BinaryData imageContent = client.Files.GetFileContent(imageFileContent.FileId);
                string tempFilePath = Path.Combine(AppContext.BaseDirectory, $"{Guid.NewGuid()}.png");
                File.WriteAllBytes(tempFilePath, imageContent.ToArray());
                client.Files.DeleteFile(imageFileContent.FileId);

                ProcessStartInfo psi = new()
                {
                    FileName = tempFilePath,
                    UseShellExecute = true
                };
                Process.Start(psi);
                break;
        }
    }
}

//Clean up test resources.
client.Threads.DeleteThread(threadId: thread.Id);
client.Administration.DeleteAgent(agentId: agent.Id);

| Справочная документация | Примеры | Исходный код библиотеки | Пакет (PyPi) |

Prerequisites

• Настройка среды агента
• Назначьте каждому участнику команды роль пользователя Azure ИИRBAC, который должен создавать или изменять агентов с помощью набора средств разработки или Agent Playground.
  • Эта роль должна быть назначена в пределах проекта
  • Минимальные необходимые разрешения: агенты/*/чтение, агенты/*/действие, агенты/*/удаление

Настройка и запуск агента

Выполните следующие команды, чтобы установить пакеты Python.

pip install azure-ai-projects
pip install azure-identity

Затем, чтобы пройти проверку подлинности запросов API и запустить программу, используйте команду az login для входа в подписку Azure.

az login

Используйте следующий код для создания и запуска агента. Чтобы запустить этот код, необходимо получить конечную точку для проекта. Эта строка находится в формате:

https://<AIFoundryResourceName>.services.ai.azure.com/api/projects/<ProjectName>

Вы можете найти конечную точку в обзоре проекта на портале Azure AI Foundry в разделе "Библиотеки>Azure AI Foundry".

Задайте эту конечную точку в качестве переменной среды с именем PROJECT_ENDPOINT.

Вам также потребуется имя развертывания модели. Его можно найти в левой панели навигации "Модели и конечные точки".

Сохраните имя имени развертывания модели в качестве переменной среды с именем MODEL_DEPLOYMENT_NAME.

import os
from pathlib import Path
from azure.ai.projects import AIProjectClient
from azure.identity import DefaultAzureCredential
from azure.ai.agents.models import CodeInterpreterTool

# Create an AIProjectClient from an endpoint, copied from your Azure AI Foundry project.
# You need to login to Azure subscription via Azure CLI and set the environment variables
project_endpoint = os.environ["PROJECT_ENDPOINT"]  # Ensure the PROJECT_ENDPOINT environment variable is set

# Create an AIProjectClient instance
project_client = AIProjectClient(
    endpoint=project_endpoint,
    credential=DefaultAzureCredential(),  # Use Azure Default Credential for authentication
)

code_interpreter = CodeInterpreterTool()
with project_client:
    # Create an agent with the Code Interpreter tool
    agent = project_client.agents.create_agent(
        model=os.environ["MODEL_DEPLOYMENT_NAME"],  # Model deployment name
        name="my-agent",  # Name of the agent
        instructions="You politely help with math questions. Use the Code Interpreter tool when asked to visualize numbers.",  # Instructions for the agent
        tools=code_interpreter.definitions,  # Attach the tool
    )
    print(f"Created agent, ID: {agent.id}")

    # Create a thread for communication
    thread = project_client.agents.threads.create()
    print(f"Created thread, ID: {thread.id}")

    # Add a message to the thread
    message = project_client.agents.messages.create(
        thread_id=thread.id,
        role="user",  # Role of the message sender
        content="Hi, Agent! Draw a graph for a line with a slope of 4 and y-intercept of 9.",  # Message content
    )
    print(f"Created message, ID: {message['id']}")

    # Create and process an agent run
    run = project_client.agents.runs.create_and_process(
        thread_id=thread.id,
        agent_id=agent.id,
        additional_instructions="Please address the user as Jane Doe. The user has a premium account",
    )
    print(f"Run finished with status: {run.status}")

    # Check if the run failed
    if run.status == "failed":
        print(f"Run failed: {run.last_error}")

    # Fetch and log all messages
    messages = project_client.agents.messages.list(thread_id=thread.id)
    for message in messages:
        print(f"Role: {message.role}, Content: {message.content}")

        # Save every image file in the message
        for img in message.image_contents:
            file_id = img.image_file.file_id
            file_name = f"{file_id}_image_file.png"
            project_client.agents.files.save(file_id=file_id, file_name=file_name)
            print(f"Saved image file to: {Path.cwd() / file_name}")

    # Delete the agent when done
    project_client.agents.delete_agent(agent.id)
    print("Deleted agent")

| Справочная документация | Примеры | Исходный код библиотеки | Пакет (npm) |

Prerequisites

• Настройка среды агента
• Назначьте каждому участнику команды роль пользователя Azure ИИRBAC, который должен создавать или изменять агентов с помощью набора средств разработки или Agent Playground.
  • Эта роль должна быть назначена в пределах проекта
  • Минимальные необходимые разрешения: агенты/*/чтение, агенты/*/действие, агенты/*/удаление

Настройка и запуск агента

Ключевые объекты в этом коде включают:

• AgentsClient
• ToolUtility

Сначала инициализировать новый проект, выполнив команду:

npm init -y

Выполните следующие команды, чтобы установить необходимые пакеты npm.

npm install @azure/ai-agents @azure/identity
npm install dotenv

Затем, чтобы пройти проверку подлинности запросов API и запустить программу, используйте команду az login для входа в подписку Azure.

az login

Используйте следующий код для создания и запуска агента, который отправляет CSV-файл данных, а затем создает линейчатую диаграмму из этих данных. Чтобы запустить этот код, необходимо получить конечную точку для проекта. Эта строка находится в формате:

https://<AIFoundryResourceName>.services.ai.azure.com/api/projects/<ProjectName>

Вы можете найти конечную точку в обзоре проекта на портале Azure AI Foundry в разделе "Библиотеки>Azure AI Foundry".

Задайте эту конечную точку в качестве переменной среды с именем PROJECT_ENDPOINT в .env файле.

Вам также потребуется имя развертывания модели. Его можно найти в левой панели навигации "Модели и конечные точки".

Сохраните имя имени развертывания модели в качестве переменной среды с именем MODEL_DEPLOYMENT_NAME.

Затем создайте index.js файл и вставьте следующий код:

// Copyright (c) Microsoft Corporation.
// Licensed under the MIT License.

/**
 * This sample demonstrates how to use agent operations with code interpreter from the Azure Agents service.
 *
 * @summary demonstrates how to use agent operations with code interpreter.
 */
// @ts-nocheck
import type {
  MessageDeltaChunk,
  MessageDeltaTextContent,
  MessageImageFileContent,
  MessageTextContent,
  ThreadRun,
} from "@azure/ai-agents";
import {
  RunStreamEvent,
  MessageStreamEvent,
  DoneEvent,
  ErrorEvent,
  AgentsClient,
  isOutputOfType,
  ToolUtility,
} from "@azure/ai-agents";
import { DefaultAzureCredential } from "@azure/identity";

import * as fs from "fs";
import path from "node:path";
import "dotenv/config";

const projectEndpoint = process.env["PROJECT_ENDPOINT"] || "<project endpoint>";
const modelDeploymentName = process.env["MODEL_DEPLOYMENT_NAME"] || "gpt-4o";

export async function main(): Promise<void> {
  // Create an Azure AI Client
  const client = new AgentsClient(projectEndpoint, new DefaultAzureCredential());

  // Upload file and wait for it to be processed
  const filePath = "./data/nifty500QuarterlyResults.csv";
  const localFileStream = fs.createReadStream(filePath);
  const localFile = await client.files.upload(localFileStream, "assistants", {
    fileName: "myLocalFile",
  });

  console.log(`Uploaded local file, file ID : ${localFile.id}`);

  // Create code interpreter tool
  const codeInterpreterTool = ToolUtility.createCodeInterpreterTool([localFile.id]);

  // Notice that CodeInterpreter must be enabled in the agent creation, otherwise the agent will not be able to see the file attachment
  const agent = await client.createAgent(modelDeploymentName, {
    name: "my-agent",
    instructions: "You are a helpful agent",
    tools: [codeInterpreterTool.definition],
    toolResources: codeInterpreterTool.resources,
  });
  console.log(`Created agent, agent ID: ${agent.id}`);

  // Create a thread
  const thread = await client.threads.create();
  console.log(`Created thread, thread ID: ${thread.id}`);

  // Create a message
  const message = await client.messages.create(
    thread.id,
    "user",
    "Could you please create a bar chart in the TRANSPORTATION sector for the operating profit from the uploaded CSV file and provide the file to me?",
  );

  console.log(`Created message, message ID: ${message.id}`);

  // Create and execute a run
  const streamEventMessages = await client.runs.create(thread.id, agent.id).stream();

  for await (const eventMessage of streamEventMessages) {
    switch (eventMessage.event) {
      case RunStreamEvent.ThreadRunCreated:
        console.log(`ThreadRun status: ${(eventMessage.data as ThreadRun).status}`);
        break;
      case MessageStreamEvent.ThreadMessageDelta:
        {
          const messageDelta = eventMessage.data as MessageDeltaChunk;
          messageDelta.delta.content.forEach((contentPart) => {
            if (contentPart.type === "text") {
              const textContent = contentPart as MessageDeltaTextContent;
              const textValue = textContent.text?.value || "No text";
              console.log(`Text delta received:: ${textValue}`);
            }
          });
        }
        break;

      case RunStreamEvent.ThreadRunCompleted:
        console.log("Thread Run Completed");
        break;
      case ErrorEvent.Error:
        console.log(`An error occurred. Data ${eventMessage.data}`);
        break;
      case DoneEvent.Done:
        console.log("Stream completed.");
        break;
    }
  }

  // Delete the original file from the agent to free up space (note: this does not delete your version of the file)
  await client.files.delete(localFile.id);
  console.log(`Deleted file, file ID : ${localFile.id}`);

  // Print the messages from the agent
  const messagesIterator = client.messages.list(thread.id);
  const messagesArray = [];
  for await (const m of messagesIterator) {
    messagesArray.push(m);
  }
  console.log("Messages:", messagesArray);

  // Get most recent message from the assistant
// Get most recent message from the assistant
  const assistantMessage = messagesArray.find((msg) => msg.role === "assistant");
  if (assistantMessage) {
    // Look for an image file in the assistant's message
    const imageFileOutput = assistantMessage.content.find(content => 
      content.type === "image_file" && content.imageFile?.fileId);
    
    if (imageFileOutput) {
      try {
        // Save the newly created file
        console.log(`Saving new files...`);
        const imageFile = imageFileOutput.imageFile.fileId;
        const imageFileName = path.resolve(
          "./data/" + (await client.files.get(imageFile)).filename + "ImageFile.png",
        );
        console.log(`Image file name : ${imageFileName}`);

        const fileContent = await client.files.getContent(imageFile).asNodeStream();
        if (fileContent && fileContent.body) {
          const chunks = [];
          for await (const chunk of fileContent.body) {
            chunks.push(Buffer.isBuffer(chunk) ? chunk : Buffer.from(chunk));
          }
          const buffer = Buffer.concat(chunks);
          fs.writeFileSync(imageFileName, buffer);
          console.log(`Successfully saved image to ${imageFileName}`);
        } else {
          console.error("No file content available in the response");
        }
      } catch (error) {
        console.error("Error saving image file:", error);
      }
    } else {
      console.log("No image file found in assistant's message");
    }
  } else {
    console.log("No assistant message found");
  }

  // Iterate through messages and print details for each annotation
  console.log(`Message Details:`);
  messagesArray.forEach((m) => {
    console.log(`File Paths:`);
    console.log(`Type: ${m.content[0].type}`);
    if (isOutputOfType<MessageTextContent>(m.content[0], "text")) {
      const textContent = m.content[0] as MessageTextContent;
      console.log(`Text: ${textContent.text.value}`);
    }
    console.log(`File ID: ${m.id}`);
    // firstId and lastId are properties of the paginator, not the messages array
    // Removing these references as they don't exist in this context
  });

  // Delete the agent once done
  await client.deleteAgent(agent.id);
  console.log(`Deleted agent, agent ID: ${agent.id}`);
}

main().catch((err) => {
  console.error("The sample encountered an error:", err);
});

Запустите код с помощью node index.js. Этот код создает файл изображения PNG барной диаграммы в секторе Транспортировка для операционной прибыли из загруженного CSV-файла и предоставляет вам этот файл. Доступен полный пример исходного кода .

| Справочная документация | Образцы | Исходный код | библиотекиПакет (Maven) |

Prerequisites

• Настройка среды агента
• Назначьте каждому участнику команды роль пользователя Azure ИИRBAC, который должен создавать или изменять агентов с помощью набора средств разработки или Agent Playground.
  • Эта роль должна быть назначена в пределах проекта
  • Минимальные необходимые разрешения: агенты/*/чтение, агенты/*/действие, агенты/*/удаление

Настройка и запуск агента

Сначала создайте проект консоли Java. Для запуска кода потребуются следующие зависимости:

<dependencies>
    <dependency>
        <groupId>com.azure</groupId>
        <artifactId>azure-ai-agents-persistent</artifactId>
        <version>1.0.0-beta.2</version>
    </dependency>
    <dependency>
        <groupId>com.azure</groupId>
        <artifactId>azure-identity</artifactId>
        <version>1.17.0-beta.1</version>
    </dependency>
</dependencies>

Затем, чтобы пройти проверку подлинности запросов API и запустить программу, используйте команду az login для входа в подписку Azure.

az login

Используйте следующий код для создания и запуска агента. Чтобы запустить этот код, необходимо получить конечную точку для проекта. Эта строка находится в формате:

https://<AIFoundryResourceName>.services.ai.azure.com/api/projects/<ProjectName>

Вы можете найти конечную точку в обзоре проекта на портале Azure AI Foundry в разделе "Библиотеки>Azure AI Foundry".

Задайте эту конечную точку в переменной среды с именем PROJECT_ENDPOINT.

Вам также потребуется имя развертывания модели. Его можно найти в левой панели навигации "Модели и конечные точки".

Сохраните имя имени развертывания модели в качестве переменной среды с именем MODEL_DEPLOYMENT_NAME.

Пример кода

package com.example.agents;

import com.azure.ai.agents.persistent.MessagesClient;
import com.azure.ai.agents.persistent.PersistentAgentsAdministrationClient;
import com.azure.ai.agents.persistent.PersistentAgentsClient;
import com.azure.ai.agents.persistent.PersistentAgentsClientBuilder;
import com.azure.ai.agents.persistent.RunsClient;
import com.azure.ai.agents.persistent.ThreadsClient;
import com.azure.ai.agents.persistent.models.CodeInterpreterToolDefinition;
import com.azure.ai.agents.persistent.models.CreateAgentOptions;
import com.azure.ai.agents.persistent.models.CreateRunOptions;
import com.azure.ai.agents.persistent.models.MessageImageFileContent;
import com.azure.ai.agents.persistent.models.MessageRole;
import com.azure.ai.agents.persistent.models.MessageTextContent;
import com.azure.ai.agents.persistent.models.PersistentAgent;
import com.azure.ai.agents.persistent.models.PersistentAgentThread;
import com.azure.ai.agents.persistent.models.RunStatus;
import com.azure.ai.agents.persistent.models.ThreadMessage;
import com.azure.ai.agents.persistent.models.ThreadRun;
import com.azure.ai.agents.persistent.models.MessageContent;
import com.azure.core.http.rest.PagedIterable;
import com.azure.identity.DefaultAzureCredentialBuilder;
import java.util.Arrays;

public class AgentSample {

    public static void main(String[] args) {
        // variables for authenticating requests to the agent service 
        String projectEndpoint = System.getenv("PROJECT_ENDPOINT");
        String modelName = System.getenv("MODEL_DEPLOYMENT_NAME");

        // initialize clients to manage various aspects of agent runtime
        PersistentAgentsClientBuilder clientBuilder = new PersistentAgentsClientBuilder()
            .endpoint(projectEndpoint)
            .credential(new DefaultAzureCredentialBuilder().build());
        PersistentAgentsClient agentsClient = clientBuilder.buildClient();
        PersistentAgentsAdministrationClient administrationClient = agentsClient.getPersistentAgentsAdministrationClient();
        ThreadsClient threadsClient = agentsClient.getThreadsClient();
        MessagesClient messagesClient = agentsClient.getMessagesClient();
        RunsClient runsClient = agentsClient.getRunsClient();
        
        
        String agentName = "my-agent"; // the name of the agent
        CreateAgentOptions createAgentOptions = new CreateAgentOptions(modelName)
            .setName(agentName)
            .setInstructions("You are a helpful agent") // system insturctions
            .setTools(Arrays.asList(new CodeInterpreterToolDefinition()));
        PersistentAgent agent = administrationClient.createAgent(createAgentOptions);

        PersistentAgentThread thread = threadsClient.createThread();
        ThreadMessage createdMessage = messagesClient.createMessage(
            thread.getId(),
            MessageRole.USER,
            "I need to solve the equation `3x + 11 = 14`. Can you help me?"); // The message to the agent

        try {
            //run the agent
            CreateRunOptions createRunOptions = new CreateRunOptions(thread.getId(), agent.getId())
                .setAdditionalInstructions("");
            ThreadRun threadRun = runsClient.createRun(createRunOptions);
            // wait for the run to complete before printing the message
            waitForRunCompletion(thread.getId(), threadRun, runsClient);
            printRunMessages(messagesClient, thread.getId());
        } catch (InterruptedException e) {
            throw new RuntimeException(e);
        } finally {
            //cleanup - remove or comment out these lines if you want to keep the agent
            threadsClient.deleteThread(thread.getId());
            administrationClient.deleteAgent(agent.getId());
        }
    }

    // A helper function to print messages from the agent
    public static void printRunMessages(MessagesClient messagesClient, String threadId) {

        PagedIterable<ThreadMessage> runMessages = messagesClient.listMessages(threadId);
        for (ThreadMessage message : runMessages) {
            System.out.print(String.format("%1$s - %2$s : ", message.getCreatedAt(), message.getRole()));
            for (MessageContent contentItem : message.getContent()) {
                if (contentItem instanceof MessageTextContent) {
                    System.out.print((((MessageTextContent) contentItem).getText().getValue()));
                } else if (contentItem instanceof MessageImageFileContent) {
                    String imageFileId = (((MessageImageFileContent) contentItem).getImageFile().getFileId());
                    System.out.print("Image from ID: " + imageFileId);
                }
                System.out.println();
            }
        }
    }

    // a helper function to wait until a run has completed running
    public static void waitForRunCompletion(String threadId, ThreadRun threadRun, RunsClient runsClient)
        throws InterruptedException {

        do {
            Thread.sleep(500);
            threadRun = runsClient.getRun(threadId, threadRun.getId());
        }
        while (
            threadRun.getStatus() == RunStatus.QUEUED
                || threadRun.getStatus() == RunStatus.IN_PROGRESS
                || threadRun.getStatus() == RunStatus.REQUIRES_ACTION);

        if (threadRun.getStatus() == RunStatus.FAILED) {
            System.out.println(threadRun.getLastError().getMessage());
        }
    }
}

| Справочная документация |

Prerequisites

• Настройка среды агента
• Назначьте каждому участнику команды роль пользователя Azure ИИRBAC, который должен создавать или изменять агентов с помощью набора средств разработки или Agent Playground.
  • Эта роль должна быть назначена в пределах проекта
  • Минимальные необходимые разрешения: агенты/*/чтение, агенты/*/действие, агенты/*/удаление

Настройка и запуск агента

Сведения о вызове API

Чтобы выполнить проверку подлинности запросов API, используйте команду az login для входа в подписку Azure.

az login

Затем необходимо получить токен Entra ID, чтобы использовать его в качестве авторизации при вызовах API. Извлеките токен с помощью команды CLI:

az account get-access-token --resource 'https://ai.azure.com' | jq -r .accessToken | tr -d '"'

Задайте маркер доступа в качестве переменной среды с именем AGENT_TOKEN.

Чтобы успешно выполнять вызовы REST API к службе агента Azure AI Foundry, необходимо использовать конечную точку, как показано ниже:

https://<your_ai_service_name>.services.ai.azure.com/api/projects/<your_project_name>

Например, конечная точка может выглядеть примерно так:

https://exampleaiservice.services.ai.azure.com/api/projects/project

Задайте эту конечную точку в качестве переменной среды с именем AZURE_AI_FOUNDRY_PROJECT_ENDPOINT.

Создание агента

curl --request POST \
  --url $AZURE_AI_FOUNDRY_PROJECT_ENDPOINT/assistants?api-version=2025-05-01 \
  -H "Authorization: Bearer $AGENT_TOKEN" \
  -H "Content-Type: application/json" \
  -d '{
    "instructions": "You are a helpful agent.",
    "name": "my-agent",
    "tools": [{"type": "code_interpreter"}],
    "model": "gpt-4o-mini"
  }'

Создать тему

curl --request POST \
  --url $AZURE_AI_FOUNDRY_PROJECT_ENDPOINT/threads?api-version=2025-05-01 \
  -H "Authorization: Bearer $AGENT_TOKEN" \
  -H "Content-Type: application/json" \
  -d ''

Добавьте вопрос пользователя в тему

curl --request POST \
  --url $AZURE_AI_FOUNDRY_PROJECT_ENDPOINT/threads/thread_abc123/messages?api-version=2025-05-01 \
  -H "Authorization: Bearer $AGENT_TOKEN" \
  -H "Content-Type: application/json" \
  -d '{
      "role": "user",
      "content": "I need to solve the equation `3x + 11 = 14`. Can you help me?"
    }'

Запустить поток

curl --request POST \
  --url $AZURE_AI_FOUNDRY_PROJECT_ENDPOINT/threads/thread_abc123/runs?api-version=2025-05-01 \
  -H "Authorization: Bearer $AGENT_TOKEN" \
  -H "Content-Type: application/json" \
  -d '{
    "assistant_id": "asst_abc123",
  }'

Получить статус выполнения

curl --request GET \
  --url $AZURE_AI_FOUNDRY_PROJECT_ENDPOINT/threads/thread_abc123/runs/run_abc123?api-version=2025-05-01 \
  -H "Authorization: Bearer $AGENT_TOKEN"

Получение ответа агента

curl --request GET \
  --url $AZURE_AI_FOUNDRY_PROJECT_ENDPOINT/threads/thread_abc123/messages?api-version=2025-05-01 \
  -H "Authorization: Bearer $AGENT_TOKEN"