AI工作坊实验：让您的AI解决方案支持AZD部署

文档摘要

AI工作坊实验：让您的AI解决方案支持AZD部署章节导航：课程主页：AZD入门当前章节：第2章 - AI优先开发 ⬅️ 上一章：AI模型部署 ➡️ 下一章：生产环境AI最佳实践下一章节：第3章：配置工作坊概述本动手实验指导开发者如何使用Azure Developer CLI (AZD)部署现有的AI模板。您将学习使用Microsoft Foundry服务进行生产环境AI部署的关键模式。

AI工作坊实验：让您的AI解决方案支持AZD部署

章节导航：

** 课程主页**：AZD入门
** 当前章节**：第2章 - AI优先开发
⬅️ 上一章：AI模型部署
➡️ 下一章：生产环境AI最佳实践
** 下一章节**：第3章：配置

工作坊概述

本动手实验指导开发者如何使用Azure Developer CLI (AZD)部署现有的AI模板。您将学习使用Microsoft Foundry服务进行生产环境AI部署的关键模式。

时长： 2-3小时
难度： 中级
前提条件： 基本的Azure知识，熟悉AI/ML概念

学习目标

完成本实验后，您将能够：

✅ 将现有AI应用转换为AZD模板
✅ 使用AZD配置Microsoft Foundry服务
✅ 实现AI服务的安全凭证管理
✅ 部署具备监控功能的生产级AI应用
✅ 解决常见AI部署问题

前提条件

必需工具

已安装Azure Developer CLI
已安装Azure CLI
已安装Git
代码编辑器（推荐使用VS Code）

Azure资源

拥有具有贡献者权限的Azure订阅
可访问Azure OpenAI服务（或能够申请访问权限）
资源组创建权限

知识要求

基本了解Azure服务
熟悉命令行界面
基本AI/ML概念（API、模型、提示词）

实验设置

第一步：环境准备

验证工具安装：


# Check AZD installation
azd version

# Check Azure CLI
az --version

# Login to Azure
az login
azd auth login

克隆工作坊仓库：


git clone https://github.com/Azure-Samples/azure-search-openai-demo
cd azure-search-openai-demo

模块1：了解AI应用的AZD结构

AI AZD模板的结构

探索AI就绪AZD模板中的关键文件：


azure-search-openai-demo/
├── azure.yaml              # AZD configuration
├── infra/                   # Infrastructure as Code
│   ├── main.bicep          # Main infrastructure template
│   ├── main.parameters.json # Environment parameters
│   └── modules/            # Reusable Bicep modules
│       ├── openai.bicep    # Azure OpenAI configuration
│       ├── search.bicep    # Cognitive Search setup
│       └── webapp.bicep    # Web app configuration
├── app/                    # Application code
├── scripts/               # Deployment scripts
└── .azure/               # AZD environment files

实验练习1.1：探索配置

检查azure.yaml文件：


cat azure.yaml

需要关注的内容：

AI组件的服务定义
环境变量映射
主机配置

查看main.bicep基础设施文件：


cat infra/main.bicep

需要识别的关键AI模式：

Azure OpenAI服务的配置
Cognitive Search集成
安全密钥管理
网络安全配置

讨论点：为什么这些模式对AI重要

服务依赖性：AI应用通常需要多个服务协同工作
安全性：API密钥和端点需要安全管理
可扩展性：AI工作负载有独特的扩展需求
成本管理：如果配置不当，AI服务可能会非常昂贵

模块2：部署您的第一个AI应用

第2.1步：初始化环境

创建新的AZD环境：


azd env new myai-workshop

设置所需参数：


# Set your preferred Azure region
azd env set AZURE_LOCATION eastus

# Optional: Set specific OpenAI model
azd env set AZURE_OPENAI_MODEL gpt-35-turbo

第2.2步：部署基础设施和应用

使用AZD进行部署：


azd up

azd up期间发生的事情：

✅ 配置Azure OpenAI服务
✅ 创建Cognitive Search服务
✅ 设置Web应用的App Service
✅ 配置网络和安全
✅ 部署应用代码
✅ 设置监控和日志记录

监控部署进度并记录正在创建的资源。

第2.3步：验证您的部署

检查已部署的资源：


azd show

打开已部署的应用：


azd show --output json | grep "webAppUrl"

测试AI功能：
- 访问Web应用
- 尝试示例查询
- 验证AI响应是否正常工作

实验练习2.1：故障排除练习

场景：您的部署成功，但AI没有响应。

需要检查的常见问题：

OpenAI API密钥：验证是否正确设置
模型可用性：检查您的区域是否支持该模型
网络连接：确保服务之间可以通信
RBAC权限：验证应用是否可以访问OpenAI

调试命令：


# Check environment variables
azd env get-values

# View deployment logs
az webapp log tail --name YOUR_APP_NAME --resource-group YOUR_RG

# Check OpenAI deployment status
az cognitiveservices account deployment list --name YOUR_OPENAI_NAME --resource-group YOUR_RG

模块3：根据需求定制AI应用

第3.1步：修改AI配置

更新OpenAI模型：


# Change to a different model (if available in your region)
azd env set AZURE_OPENAI_MODEL gpt-4

# Redeploy with the new configuration
azd deploy

添加额外的AI服务：

编辑infra/main.bicep以添加Document Intelligence：


// Add to main.bicep
resource documentIntelligence 'Microsoft.CognitiveServices/accounts@2023-05-01' = {
  name: 'doc-intel-${uniqueString(resourceGroup().id)}'
  location: location
  kind: 'FormRecognizer'
  sku: {
    name: 'F0'  // Free tier for workshop
  }
  properties: {
    customSubDomainName: 'doc-intel-${uniqueString(resourceGroup().id)}'
  }
}

第3.2步：环境特定配置

最佳实践：开发与生产环境使用不同的配置。

创建生产环境：


azd env new myai-production

设置生产特定参数：


# Production typically uses higher SKUs
azd env set AZURE_OPENAI_SKU S0
azd env set AZURE_SEARCH_SKU standard

# Enable additional security features
azd env set ENABLE_PRIVATE_ENDPOINTS true

实验练习3.1：成本优化

挑战：配置模板以实现成本效益的开发。

任务：

确定哪些SKU可以设置为免费/基本层
配置环境变量以降低成本
部署并与生产配置的成本进行比较

解决提示：

尽可能使用Cognitive Services的F0（免费）层
在开发中使用Search Service的Basic层
考虑使用Functions的消费计划

模块4：安全性和生产环境最佳实践

第4.1步：安全凭证管理

当前挑战：许多AI应用硬编码API密钥或使用不安全的存储。

AZD解决方案：托管身份+Key Vault集成。

检查模板中的安全配置：


# Look for Key Vault and Managed Identity configuration
grep -r "keyVault\|managedIdentity" infra/

验证托管身份是否正常工作：


# Check if the web app has the correct identity configuration
az webapp identity show --name YOUR_APP_NAME --resource-group YOUR_RG

第4.2步：网络安全

启用私有端点（如果尚未配置）：

添加到您的bicep模板：


// Private endpoint for OpenAI
resource openAIPrivateEndpoint 'Microsoft.Network/privateEndpoints@2023-04-01' = {
  name: 'pe-openai-${uniqueString(resourceGroup().id)}'
  location: location
  properties: {
    subnet: {
      id: vnet.properties.subnets[0].id
    }
    privateLinkServiceConnections: [
      {
        name: 'openai-connection'
        properties: {
          privateLinkServiceId: openAIAccount.id
          groupIds: ['account']
        }
      }
    ]
  }
}

第4.3步：监控和可观察性

配置Application Insights：


# Application Insights should be automatically configured
# Check the configuration:
az monitor app-insights component show --app YOUR_APP_NAME --resource-group YOUR_RG

设置AI特定监控：

为AI操作添加自定义指标：


// In your web app configuration
resource webApp 'Microsoft.Web/sites@2023-01-01' = {
  properties: {
    siteConfig: {
      appSettings: [
        {
          name: 'APPLICATIONINSIGHTS_CONNECTION_STRING'
          value: applicationInsights.properties.ConnectionString
        }
        {
          name: 'OPENAI_MONITOR_ENABLED'
          value: 'true'
        }
      ]
    }
  }
}

实验练习4.1：安全审计

任务：审查您的部署是否符合安全最佳实践。

检查清单：

代码或配置中没有硬编码的密钥
使用托管身份进行服务间认证
Key Vault存储敏感配置
网络访问已正确限制
启用了监控和日志记录

模块5：转换您自己的AI应用

第5.1步：评估工作表

在转换您的应用之前，回答以下问题：

应用架构：
- 您的应用使用哪些AI服务？
- 它需要哪些计算资源？
- 是否需要数据库？
- 服务之间有哪些依赖关系？
安全需求：
- 您的应用处理哪些敏感数据？
- 您有哪些合规要求？
- 是否需要私有网络？
扩展需求：
- 您的预期负载是多少？
- 是否需要自动扩展？
- 是否有区域要求？

第5.2步：创建您的AZD模板

按照以下模式转换您的应用：

创建基本结构：


mkdir my-ai-app-azd
cd my-ai-app-azd

# Initialize AZD template
azd init --template minimal

创建azure.yaml：


# Metadata
name: my-ai-app
metadata:
  template: my-ai-app-template@0.0.1-beta

# Services definition
services:
  api:
    project: ./api
    host: containerapp
  web:
    project: ./web
    host: staticwebapp
    
# Hooks for custom deployment logic  
hooks:
  predeploy:
    shell: sh
    run: echo "Preparing AI models..."

创建基础设施模板：

infra/main.bicep - 主模板：


@description('Primary location for all resources')
param location string = resourceGroup().location

@description('Name of the OpenAI service')
param openAIServiceName string = 'openai-${uniqueString(resourceGroup().id)}'

// Your AI services here
module openAI 'modules/openai.bicep' = {
  name: 'openai'
  params: {
    name: openAIServiceName
    location: location
  }
}

infra/modules/openai.bicep - OpenAI模块：


@description('Name of the OpenAI service')
param name string

@description('Location for the OpenAI service')
param location string

resource openAIAccount 'Microsoft.CognitiveServices/accounts@2023-05-01' = {
  name: name
  location: location
  kind: 'OpenAI'
  sku: {
    name: 'S0'
  }
  properties: {
    customSubDomainName: name
  }
}

output endpoint string = openAIAccount.properties.endpoint
output name string = openAIAccount.name

实验练习5.1：模板创建挑战

挑战：为文档处理AI应用创建AZD模板。

需求：

使用Azure OpenAI进行内容分析
使用Document Intelligence进行OCR
使用存储账户上传文档
使用Function App处理逻辑
使用Web应用作为用户界面

加分项：

添加适当的错误处理
包括成本估算
设置监控仪表板

模块6：常见问题排查

常见部署问题

问题1：OpenAI服务配额超限

症状： 部署失败并显示配额错误
解决方案：


# Check current quotas
az cognitiveservices usage list --location eastus

# Request quota increase or try different region
azd env set AZURE_LOCATION westus2
azd up

问题2：模型在区域内不可用

症状： AI响应失败或模型部署错误
解决方案：


# Check model availability by region
az cognitiveservices model list --location eastus

# Update to available model
azd env set AZURE_OPENAI_MODEL gpt-35-turbo-16k
azd deploy

问题3：权限问题

症状： 调用AI服务时出现403 Forbidden错误
解决方案：


# Check role assignments
az role assignment list --scope /subscriptions/YOUR_SUB/resourceGroups/YOUR_RG

# Add missing roles
az role assignment create \
  --assignee YOUR_PRINCIPAL_ID \
  --role "Cognitive Services OpenAI User" \
  --scope /subscriptions/YOUR_SUB/resourceGroups/YOUR_RG

性能问题

问题4：AI响应缓慢

调查步骤：

检查Application Insights中的性能指标
查看Azure门户中的OpenAI服务指标
验证网络连接和延迟

解决方案：

对常见查询实施缓存
根据您的用例使用适当的OpenAI模型
考虑为高负载场景使用只读副本

实验练习6.1：调试挑战

场景：您的部署成功，但应用返回500错误。

调试任务：

检查应用日志
验证服务连接
测试认证
审查配置

使用工具：

azd show查看部署概览
Azure门户查看详细服务日志
Application Insights查看应用遥测数据

模块7：监控和优化

第7.1步：设置全面监控

创建自定义仪表板：

导航到Azure门户并创建一个仪表板，包含：

OpenAI请求数量和延迟
应用错误率
资源使用情况
成本跟踪

设置警报：


# Alert for high error rate
az monitor metrics alert create \
  --name "AI-App-High-Error-Rate" \
  --resource-group YOUR_RG \
  --target-resource-id YOUR_APP_ID \
  --condition "avg Http5xx greater than 10" \
  --description "Alert when error rate is high"

第7.2步：成本优化

分析当前成本：


# Use Azure CLI to get cost data
az consumption usage list --start-date 2024-01-01 --end-date 2024-01-31

实施成本控制：

设置预算警报
使用自动扩展策略
实施请求缓存
监控OpenAI的令牌使用情况

实验练习7.1：性能优化

任务：优化您的AI应用以提高性能并降低成本。

需要改进的指标：

将平均响应时间减少20%
将月成本降低15%
保持99.9%的正常运行时间

可尝试的策略：

实施响应缓存
优化提示词以提高令牌效率
使用适当的计算SKU
设置正确的自动扩展

最终挑战：端到端实施

挑战场景

您需要创建一个生产级AI驱动的客户服务聊天机器人，要求如下：

功能需求：

客户交互的Web界面
集成Azure OpenAI以生成响应
使用Cognitive Search实现文档搜索功能
集成现有客户数据库
支持多语言

非功能需求：

支持1000个并发用户
99.9%的正常运行时间SLA
符合SOC 2标准
每月成本低于500美元
部署到多个环境（开发、预发布、生产）

实施步骤

设计架构
创建AZD模板
实施安全措施
设置监控和警报
创建部署管道
记录解决方案

评估标准

✅ 功能性：是否满足所有需求？
✅ 安全性：是否实施了最佳实践？
✅ 可扩展性：是否能处理负载？
✅ 可维护性：代码和基础设施是否组织良好？
✅ 成本：是否符合预算？

额外资源

Microsoft文档

示例模板

社区资源

完成证书

恭喜！您已完成 AI 工作坊实验室。现在您应该能够：

✅ 将现有的 AI 应用程序转换为 AZD 模板
✅ 部署生产级 AI 应用程序
✅ 实施 AI 工作负载的安全最佳实践
✅ 监控并优化 AI 应用程序性能
✅ 排查常见的部署问题

下一步

将这些模式应用到您自己的 AI 项目中
向社区贡献模板
加入 Microsoft Foundry Discord，获取持续支持
探索高级主题，例如多区域部署

工作坊反馈：通过在 Microsoft Foundry Discord #Azure 频道分享您的体验，帮助我们改进此工作坊。

章节导航：

** 课程主页**：AZD 初学者指南
** 当前章节**：第 2 章 - AI 优先开发
⬅️ 上一章：AI 模型部署
➡️ 下一章：生产级 AI 最佳实践
** 下一章节**：第 3 章：配置

需要帮助？ 加入我们的社区，参与关于 AZD 和 AI 部署的支持与讨论。

免责声明：
本文档使用AI翻译服务Co-op Translator进行翻译。尽管我们努力确保翻译的准确性，但请注意，自动翻译可能包含错误或不准确之处。原始语言的文档应被视为权威来源。对于重要信息，建议使用专业人工翻译。我们不对因使用此翻译而产生的任何误解或误读承担责任。