Início Rápido: Criar um novo agente (versão prévia)

Pré-requisitos

• Uma assinatura do Azure – Crie uma gratuitamente.
• Verifique se você tem a função RBAC do Desenvolvedor de IA do Azure atribuída.

Suporte básico à instalação do agente

Antes de começar, determine se deseja executar uma configuração básica do agente ou uma configuração de agente padrão. O Fábrica de IA do Azure dá suporte apenas à configuração básica do agente.

Configuração Básica: os agentes usam recursos de pesquisa e armazenamento multilocatários totalmente gerenciados pela Microsoft. Você não tem visibilidade ou controle sobre esses recursos subjacentes do Azure. Uma configuração básica pode ser criada usando o Portal da Fábrica de IA do Azure ou um modelo bicep automatizado.

Configuração Standard: os agentes usam recursos de pesquisa e armazenamento de locatário único de propriedade do cliente. Com essa configuração, você tem controle total e visibilidade sobre esses recursos, mas incorre em custos com base no seu uso. A configuração padrão só pode ser executada usando um modelo bicep automatizado.

Criar um hub e um projeto no Portal da Fábrica de IA do Azure

Para criar um novo hub e projeto, você precisa da função Proprietário ou Colaborador no grupo de recursos ou em um hub existente. Se você não conseguir criar um hub devido a permissões, entre em contato com o administrador.

Para criar um projeto em Azure AI Foundry, siga estas etapas:

1. Acesse Azure AI Foundry. Se estiver em um projeto, selecione Azure AI Foundry no canto superior esquerdo da página para acessar a página Início.

2. Selecione + Criar projeto.

3. Insira um nome para o projeto.

4. Se você tiver um hub, verá o que usou mais recentemente selecionado.

5. Se tiver acesso a mais de um hub, poderá selecionar um hub diferente na lista suspensa.

6. Se quiser criar um, selecione Criar hub e forneça um nome. Se você quiser personalizar os valores padrão, consulte a documentação da Fábrica de IA do Azure.

   

7. Selecione Criar.

Implantar um modelo

1. Entre no Azure AI Foundry.

2. Acesse seu projeto ou crie um novo projeto no portal do Azure AI Foundry.

3. Na visão geral do projeto, selecione Agentes, localizados em Compilar e personalizar.

4. Selecione o recurso do Azure OpenAI.

   

5. Selecione uma implantação de modelo para o Agente usar. Se você não tiver um, uma tela para implantar um novo modelo será aberta. Caso contrário, você poderá selecionar Implantar um modelo.

   

   

Usar o playground do agente

O playground de agentes permite explorar, protótipos e agentes de teste sem a necessidade de executar nenhum código. Nesta página, você pode iterar e experimentar as novas ideias rapidamente.

1. Na tela Criar e depurar seus agentes, selecione seu agente ou crie um novo com o novo agente. O painel Instalação à direita é onde você pode alterar seus parâmetros e ferramentas.

   Opcionalmente, você pode dar ao agente um nome diferente do gerado para ele e adicionar instruções para ajudar a melhorar seu desempenho. Dê ao agente instruções claras sobre o que fazer e como fazê-lo. Inclua tarefas específicas, sua ordem e instruções especiais, como tom ou estilo de compromisso.

   

   Dica

   Seu agente pode acessar várias ferramentas, como interpretador de código que estendem seus recursos, como a capacidade de pesquisar na Web com o Bing, executar código e muito mais. No painel Instalação, role para baixo até conhecimento e ação e selecione Adicionar para ver as ferramentas disponíveis para uso.

Confira também

Confira os modelos que você pode usar com os Agentes.

| Documentação de referência | Exemplos | Código-fonte da biblioteca | Pacote (NuGet) |

Pré-requisitos

• Uma assinatura do Azure – Crie uma gratuitamente.
• A versão mais recente do .NET
• Certifique-se de ter a função RBAC do Desenvolvedor de IA do Azure atribuída no nível apropriado.
• Instale a CLI do Azure e a extensão de machine learning. Se você já tiver a CLI instalada, certifique-se de que ela esteja atualizada com a versão mais recente.

Configurar o seu projeto de Agente e Hub de IA do Azure

A seção a seguir mostra como configurar os recursos necessários para começar a usar o Serviço de Agente de IA do Azure:

1. Criando um Hub de IA do Azure para configurar o seu ambiente de aplicativo e recursos do Azure.

2. A criação de um projeto de IA do Azure em seu Hub cria um ponto de extremidade para o seu aplicativo chamar e configura serviços de aplicativo para acessar recursos em seu locatário.

3. Conectar um recurso do OpenAI do Azure ou um recurso dos Serviços de IA do Azure

Escolher a Configuração de Agente Básico ou Standard

Configuração Básica: os agentes usam recursos de pesquisa e armazenamento multilocatários totalmente gerenciados pela Microsoft. Você não tem visibilidade ou controle sobre esses recursos subjacentes do Azure.

Configuração Standard: os agentes usam recursos de pesquisa e armazenamento de locatário único de propriedade do cliente. Com essa configuração, você tem controle total e visibilidade sobre esses recursos, mas incorre em custos com base no seu uso.

Descrição e Implantação Automática	Diagrama (clique para ampliar)
Implante uma configuração básica de operador que usa Identidade Gerenciada para autenticação. Os recursos para o hub de IA, projeto de IA, conta de armazenamento e Serviços de IA foram criados para você. A conta dos Serviços de IA está conectada ao seu projeto e hub, e um modelo gpt-4o-mini foi implantado na região eastus. Um cofre de chaves gerenciado pela Microsoft será usado por padrão.
Implante uma configuração padrão de operador que usa Identidade Gerenciada para autenticação. Recursos para o hub de IA, o projeto de IA, o cofre de chaves, a conta de armazenamento, os Serviços de IA e a Pesquisa de IA são criados para você. Os Serviços de IA, a Pesquisa de IA, o cofre de chaves e a conta de armazenamento estão conectados ao seu projeto e hub. Um modelo gpt-4o-mini está implantado na região eastus.

[Opcional] Seleção de modelo no modelo de reimplantação automática

Você pode personalizar o modelo usado pelo agente editando os parâmetros de modelo no modelo de reimplantação automática. Para implantar um modelo diferente, você precisa atualizar pelo menos os parâmetros modelName e modelVersion.

Por padrão, o modelo de implantação é configurado com os seguintes valores:

[Opcional] Use seus próprios recursos durante a configuração do agente

Use um recurso existente de Serviços de IA, Serviço OpenAI do Azure, Pesquisa de IA e/ou Armazenamento de Blobs do Azure fornecendo a ID de recurso ARM completa no arquivo de parâmetros:

• aiServiceAccountResourceId
• aiSearchServiceResourceId
• aiStorageAccountResourceId

Se você quiser usar um recurso existente do Serviço OpenAI do Azure, será necessário atualizar os parâmetros aiServiceAccountResourceId e aiServiceKind no arquivo de parâmetros. O parâmetro aiServiceKind deve ser definido como AzureOpenAI.

Para obter mais informações, consulte como usar seus próprios recursos.

Configurar e executar um agente

Instale o pacote .NET em seu projeto. Por exemplo, se você estiver usando a CLI do .NET, execute o comando a seguir.

dotnet add package Azure.AI.Projects
dotnet add package Azure.Identity

Em seguida, para autenticar suas solicitações de API e executar o programa, use o comando az login para entrar em sua assinatura do Azure.

az login

Use o código a seguir para criar e executar um agente. Para executar este código, você precisará criar uma cadeia de conexão usando informações do seu projeto. Esta cadeia de caracteres está no formato:

<HostName>;<AzureSubscriptionId>;<ResourceGroup>;<ProjectName>

HostName pode ser encontrado navegando até o seu discovery_url e removendo o entrelinhamento https:// e o /discovery à direita. Para localizar o seu discovery_url, execute este comando da CLI:

az ml workspace show -n {project_name} --resource-group {resource_group_name} --query discovery_url

Por exemplo, a sua cadeia de conexão pode ser semelhante a:

eastus.api.azureml.ms;12345678-abcd-1234-9fc6-62780b3d3e05;my-resource-group;my-project-name

Defina esta cadeia de conexão como uma variável de ambiente chamada PROJECT_CONNECTION_STRING.

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

#nullable disable

using Azure.Identity;

namespace Azure.AI.Projects.Tests;

public class Sample_Agent
{
    static async Task Main()
    {
        var connectionString = Environment.GetEnvironmentVariable("PROJECT_CONNECTION_STRING");

        AgentsClient client = new AgentsClient(connectionString, new DefaultAzureCredential());

        // Step 1: Create an agent
        Response<Agent> agentResponse = await client.CreateAgentAsync(
            model: "gpt-4o-mini",
            name: "My Agent",
            instructions: "You are a helpful agent.",
            tools: new List<ToolDefinition> { new CodeInterpreterToolDefinition() });
        Agent agent = agentResponse.Value;

        // Intermission: agent should now be listed

        Response<PageableList<Agent>> agentListResponse = await client.GetAgentsAsync();

        //// Step 2: Create a thread
        Response<AgentThread> threadResponse = await client.CreateThreadAsync();
        AgentThread thread = threadResponse.Value;

        // Step 3: Add a message to a thread
        Response<ThreadMessage> messageResponse = await client.CreateMessageAsync(
            thread.Id,
            MessageRole.User,
            "I need to solve the equation `3x + 11 = 14`. Can you help me?");
        ThreadMessage message = messageResponse.Value;

        // Intermission: message is now correlated with thread
        // Intermission: listing messages will retrieve the message just added

        Response<PageableList<ThreadMessage>> messagesListResponse = await client.GetMessagesAsync(thread.Id);
        //Assert.That(messagesListResponse.Value.Data[0].Id == message.Id);

        // Step 4: Run the agent
        Response<ThreadRun> runResponse = await client.CreateRunAsync(
            thread.Id,
            agent.Id,
            additionalInstructions: "");
        ThreadRun run = runResponse.Value;

        do
        {
            await Task.Delay(TimeSpan.FromMilliseconds(500));
            runResponse = await client.GetRunAsync(thread.Id, runResponse.Value.Id);
        }
        while (runResponse.Value.Status == RunStatus.Queued
            || runResponse.Value.Status == RunStatus.InProgress);

        Response<PageableList<ThreadMessage>> afterRunMessagesResponse
            = await client.GetMessagesAsync(thread.Id);
        IReadOnlyList<ThreadMessage> messages = afterRunMessagesResponse.Value.Data;

        // Note: messages iterate from newest to oldest, with the messages[0] being the most recent
        foreach (ThreadMessage threadMessage in messages)
        {
            Console.Write($"{threadMessage.CreatedAt:yyyy-MM-dd HH:mm:ss} - {threadMessage.Role,10}: ");
            foreach (MessageContent contentItem in threadMessage.ContentItems)
            {
                if (contentItem is MessageTextContent textItem)
                {
                    Console.Write(textItem.Text);
                }
                else if (contentItem is MessageImageFileContent imageFileItem)
                {
                    Console.Write($"<image from ID: {imageFileItem.FileId}");
                }
                Console.WriteLine();
            }
        }
    }
}

| Documentação de referência | Exemplos | Código-fonte da biblioteca | Pacote (PyPi) |

Pré-requisitos

• Uma assinatura do Azure – Crie uma gratuitamente.
• Python 3.8 ou posterior
• Certifique-se de ter a função RBAC do Desenvolvedor de IA do Azure atribuída no nível apropriado.
• Instale a CLI do Azure e a extensão de machine learning. Se você já tiver a CLI instalada, certifique-se de que ela esteja atualizada com a versão mais recente.

Configurar o seu projeto de Agente e Hub de IA do Azure

A seção a seguir mostra como configurar os recursos necessários para começar a usar o Serviço de Agente de IA do Azure:

1. Criando um Hub de IA do Azure para configurar o seu ambiente de aplicativo e recursos do Azure.

2. A criação de um projeto de IA do Azure em seu Hub cria um ponto de extremidade para o seu aplicativo chamar e configura serviços de aplicativo para acessar recursos em seu locatário.

3. Conectar um recurso do OpenAI do Azure ou um recurso dos Serviços de IA do Azure

Escolher a Configuração de Agente Básico ou Standard

Configuração Básica: os agentes usam recursos de pesquisa e armazenamento multilocatários totalmente gerenciados pela Microsoft. Você não tem visibilidade ou controle sobre esses recursos subjacentes do Azure.

Configuração Standard: os agentes usam recursos de pesquisa e armazenamento de locatário único de propriedade do cliente. Com essa configuração, você tem controle total e visibilidade sobre esses recursos, mas incorre em custos com base no seu uso.

Descrição e Implantação Automática	Diagrama (clique para ampliar)
Implante uma configuração básica de operador que usa Identidade Gerenciada para autenticação. Os recursos para o hub de IA, projeto de IA, conta de armazenamento e Serviços de IA foram criados para você. A conta dos Serviços de IA está conectada ao seu projeto e hub, e um modelo gpt-4o-mini foi implantado na região eastus. Um cofre de chaves gerenciado pela Microsoft será usado por padrão.
Implante uma configuração padrão de operador que usa Identidade Gerenciada para autenticação. Recursos para o hub de IA, o projeto de IA, o cofre de chaves, a conta de armazenamento, os Serviços de IA e a Pesquisa de IA são criados para você. Os Serviços de IA, a Pesquisa de IA, o cofre de chaves e a conta de armazenamento estão conectados ao seu projeto e hub. Um modelo gpt-4o-mini está implantado na região eastus.

[Opcional] Seleção de modelo no modelo de reimplantação automática

Você pode personalizar o modelo usado pelo agente editando os parâmetros de modelo no modelo de reimplantação automática. Para implantar um modelo diferente, você precisa atualizar pelo menos os parâmetros modelName e modelVersion.

Por padrão, o modelo de implantação é configurado com os seguintes valores:

[Opcional] Use seus próprios recursos durante a configuração do agente

Use um recurso existente de Serviços de IA, Serviço OpenAI do Azure, Pesquisa de IA e/ou Armazenamento de Blobs do Azure fornecendo a ID de recurso ARM completa no arquivo de parâmetros:

• aiServiceAccountResourceId
• aiSearchServiceResourceId
• aiStorageAccountResourceId

Se você quiser usar um recurso existente do Serviço OpenAI do Azure, será necessário atualizar os parâmetros aiServiceAccountResourceId e aiServiceKind no arquivo de parâmetros. O parâmetro aiServiceKind deve ser definido como AzureOpenAI.

Para obter mais informações, consulte como usar seus próprios recursos.

Configurar e executar um agente

Execute os comandos a seguir para instalar os pacotes do Python.

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

Em seguida, para autenticar suas solicitações de API e executar o programa, use o comando az login para entrar em sua assinatura do Azure.

az login

Use o código a seguir para criar e executar um agente. Para executar este código, você precisará criar uma cadeia de conexão usando informações do seu projeto. Esta cadeia de caracteres está no formato:

<HostName>;<AzureSubscriptionId>;<ResourceGroup>;<ProjectName>

HostName pode ser encontrado navegando até o seu discovery_url e removendo o entrelinhamento https:// e o /discovery à direita. Para localizar o seu discovery_url, execute este comando da CLI:

az ml workspace show -n {project_name} --resource-group {resource_group_name} --query discovery_url

Por exemplo, a sua cadeia de conexão pode ser semelhante a:

eastus.api.azureml.ms;12345678-abcd-1234-9fc6-62780b3d3e05;my-resource-group;my-project-name

Defina esta cadeia de conexão como uma variável de ambiente chamada PROJECT_CONNECTION_STRING.

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

# Create an Azure AI Client from a connection string, copied from your Azure AI Foundry project.
# At the moment, it should be in the format "<HostName>;<AzureSubscriptionId>;<ResourceGroup>;<ProjectName>"
# HostName can be found by navigating to your discovery_url and removing the leading "https://" and trailing "/discovery"
# To find your discovery_url, run the CLI command: az ml workspace show -n {project_name} --resource-group {resource_group_name} --query discovery_url
# Project Connection example: eastus.api.azureml.ms;12345678-abcd-1234-9fc6-62780b3d3e05;my-resource-group;my-project-name
# Customer needs to login to Azure subscription via Azure CLI and set the environment variables

project_client = AIProjectClient.from_connection_string(
    credential=DefaultAzureCredential(), conn_str=os.environ["PROJECT_CONNECTION_STRING"]
)

with project_client:
    # Create an instance of the CodeInterpreterTool
    code_interpreter = CodeInterpreterTool()

    # The CodeInterpreterTool needs to be included in creation of the agent
    agent = project_client.agents.create_agent(
        model="gpt-4o-mini",
        name="my-agent",
        instructions="You are helpful agent",
        tools=code_interpreter.definitions,
        tool_resources=code_interpreter.resources,
    )
    print(f"Created agent, agent ID: {agent.id}")

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

    # Create a message
    message = project_client.agents.create_message(
        thread_id=thread.id,
        role="user",
        content="Could you please create a bar chart for the operating profit using the following data and provide the file to me? Company A: $1.2 million, Company B: $2.5 million, Company C: $3.0 million, Company D: $1.8 million",
    )
    print(f"Created message, message ID: {message.id}")

    # Run the agent
    run = project_client.agents.create_and_process_run(thread_id=thread.id, assistant_id=agent.id)
    print(f"Run finished with status: {run.status}")

    if run.status == "failed":
        # Check if you got "Rate limit is exceeded.", then you want to get more quota
        print(f"Run failed: {run.last_error}")

    # Get messages from the thread
    messages = project_client.agents.list_messages(thread_id=thread.id)
    print(f"Messages: {messages}")

    # Get the last message from the sender
    last_msg = messages.get_last_text_message_by_role("assistant")
    if last_msg:
        print(f"Last Message: {last_msg.text.value}")

    # Generate an image file for the bar chart
    for image_content in messages.image_contents:
        print(f"Image File ID: {image_content.image_file.file_id}")
        file_name = f"{image_content.image_file.file_id}_image_file.png"
        project_client.agents.save_file(file_id=image_content.image_file.file_id, file_name=file_name)
        print(f"Saved image file to: {Path.cwd() / file_name}")

    # Print the file path(s) from the messages
    for file_path_annotation in messages.file_path_annotations:
        print(f"File Paths:")
        print(f"Type: {file_path_annotation.type}")
        print(f"Text: {file_path_annotation.text}")
        print(f"File ID: {file_path_annotation.file_path.file_id}")
        print(f"Start Index: {file_path_annotation.start_index}")
        print(f"End Index: {file_path_annotation.end_index}")
        project_client.agents.save_file(file_id=file_path_annotation.file_path.file_id, file_name=Path(file_path_annotation.text).name)

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

| Documentação de referência | Código-fonte da biblioteca | Pacote (PyPi) |

Pré-requisitos

• Uma assinatura do Azure – Crie uma gratuitamente.
• Python 3.8 ou posterior
• Certifique-se de ter a função RBAC do Desenvolvedor de IA do Azure atribuída no nível apropriado.
• Você precisa da função Usuário do OpenAI de Serviços Cognitivos atribuída para usar o recurso Serviços de IA do Azure.
• Instale a CLI do Azure e a extensão de machine learning. Se você já tiver a CLI instalada, certifique-se de que ela esteja atualizada com a versão mais recente.

Configurar o seu projeto de Agente e Hub de IA do Azure

A seção a seguir mostra como configurar os recursos necessários para começar a usar o Serviço de Agente de IA do Azure:

1. Criando um Hub de IA do Azure para configurar o seu ambiente de aplicativo e recursos do Azure.

2. A criação de um projeto de IA do Azure em seu Hub cria um ponto de extremidade para o seu aplicativo chamar e configura serviços de aplicativo para acessar recursos em seu locatário.

3. Conectar um recurso do OpenAI do Azure ou um recurso dos Serviços de IA do Azure

Escolher a Configuração de Agente Básico ou Standard

Configuração Básica: os agentes usam recursos de pesquisa e armazenamento multilocatários totalmente gerenciados pela Microsoft. Você não tem visibilidade ou controle sobre esses recursos subjacentes do Azure.

Configuração Standard: os agentes usam recursos de pesquisa e armazenamento de locatário único de propriedade do cliente. Com essa configuração, você tem controle total e visibilidade sobre esses recursos, mas incorre em custos com base no seu uso.

Descrição e Implantação Automática	Diagrama (clique para ampliar)
Implante uma configuração básica de operador que usa Identidade Gerenciada para autenticação. Os recursos para o hub de IA, projeto de IA, conta de armazenamento e Serviços de IA foram criados para você. A conta dos Serviços de IA está conectada ao seu projeto e hub, e um modelo gpt-4o-mini foi implantado na região eastus. Um cofre de chaves gerenciado pela Microsoft será usado por padrão.
Implante uma configuração padrão de operador que usa Identidade Gerenciada para autenticação. Recursos para o hub de IA, o projeto de IA, o cofre de chaves, a conta de armazenamento, os Serviços de IA e a Pesquisa de IA são criados para você. Os Serviços de IA, a Pesquisa de IA, o cofre de chaves e a conta de armazenamento estão conectados ao seu projeto e hub. Um modelo gpt-4o-mini está implantado na região eastus.

[Opcional] Seleção de modelo no modelo de reimplantação automática

Você pode personalizar o modelo usado pelo agente editando os parâmetros de modelo no modelo de reimplantação automática. Para implantar um modelo diferente, você precisa atualizar pelo menos os parâmetros modelName e modelVersion.

Por padrão, o modelo de implantação é configurado com os seguintes valores:

[Opcional] Use seus próprios recursos durante a configuração do agente

Use um recurso existente de Serviços de IA, Serviço OpenAI do Azure, Pesquisa de IA e/ou Armazenamento de Blobs do Azure fornecendo a ID de recurso ARM completa no arquivo de parâmetros:

• aiServiceAccountResourceId
• aiSearchServiceResourceId
• aiStorageAccountResourceId

Se você quiser usar um recurso existente do Serviço OpenAI do Azure, será necessário atualizar os parâmetros aiServiceAccountResourceId e aiServiceKind no arquivo de parâmetros. O parâmetro aiServiceKind deve ser definido como AzureOpenAI.

Para obter mais informações, consulte como usar seus próprios recursos.

Configurar e executar um agente

Execute os comandos a seguir para instalar os pacotes do Python.

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

Em seguida, para autenticar suas solicitações de API e executar o programa, use o comando az login para entrar em sua assinatura do Azure.

az login

Use o código a seguir para criar e executar um agente. Para executar este código, você precisará criar uma cadeia de conexão usando informações do seu projeto. Esta cadeia de caracteres está no formato:

<HostName>;<AzureSubscriptionId>;<ResourceGroup>;<ProjectName>

HostName pode ser encontrado navegando até o seu discovery_url e removendo o entrelinhamento https:// e o /discovery à direita. Para localizar o seu discovery_url, execute este comando da CLI:

az ml workspace show -n {project_name} --resource-group {resource_group_name} --query discovery_url

Por exemplo, a sua cadeia de conexão pode ser semelhante a:

eastus.api.azureml.ms;12345678-abcd-1234-9fc6-62780b3d3e05;my-resource-group;my-project-name

Defina esta cadeia de conexão como uma variável de ambiente chamada PROJECT_CONNECTION_STRING.

import os, time
from azure.ai.projects import AIProjectClient
from azure.identity import DefaultAzureCredential
from openai import AzureOpenAI


with AIProjectClient.from_connection_string(
    credential=DefaultAzureCredential(),
    conn_str=os.environ["PROJECT_CONNECTION_STRING"],
) as project_client:

    # Explicit type hinting for IntelliSense
    client: AzureOpenAI = project_client.inference.get_azure_openai_client(
        # The latest API version is 2024-10-01-preview
        api_version = os.environ.get("AZURE_OPENAI_API_VERSION"),
    )

    with client:
        agent = client.beta.assistants.create(
            model="gpt-4o-mini", name="my-agent", instructions="You are a helpful agent"
        )
        print(f"Created agent, agent ID: {agent.id}")

        thread = client.beta.threads.create()
        print(f"Created thread, thread ID: {thread.id}")

        message = client.beta.threads.messages.create(thread_id=thread.id, role="user", content="Hello, tell me a joke")
        print(f"Created message, message ID: {message.id}")

        run = client.beta.threads.runs.create(thread_id=thread.id, assistant_id=agent.id)

        # Poll the run while run status is queued or in progress
        while run.status in ["queued", "in_progress", "requires_action"]:
            time.sleep(1)  # Wait for a second
            run = client.beta.threads.runs.retrieve(thread_id=thread.id, run_id=run.id)
            print(f"Run status: {run.status}")

        client.beta.assistants.delete(agent.id)
        print("Deleted agent")

        messages = client.beta.threads.messages.list(thread_id=thread.id)
        print(f"Messages: {messages}")

| Documentação de referência | Exemplos | Código-fonte da biblioteca | Pacote (npm) |

Pré-requisitos

• Uma assinatura do Azure – Crie uma gratuitamente.
• Node.js LTS
• Certifique-se de ter a função RBAC do Desenvolvedor de IA do Azure atribuída no nível apropriado.
• Instale a CLI do Azure e a extensão de machine learning. Se você já tiver a CLI instalada, certifique-se de que ela esteja atualizada com a versão mais recente.

Configurar o seu projeto de Agente e Hub de IA do Azure

A seção a seguir mostra como configurar os recursos necessários para começar a usar o Serviço de Agente de IA do Azure:

1. Criando um Hub de IA do Azure para configurar o seu ambiente de aplicativo e recursos do Azure.

2. A criação de um projeto de IA do Azure em seu Hub cria um ponto de extremidade para o seu aplicativo chamar e configura serviços de aplicativo para acessar recursos em seu locatário.

3. Conectar um recurso do OpenAI do Azure ou um recurso dos Serviços de IA do Azure

Escolher a Configuração de Agente Básico ou Standard

Configuração Básica: os agentes usam recursos de pesquisa e armazenamento multilocatários totalmente gerenciados pela Microsoft. Você não tem visibilidade ou controle sobre esses recursos subjacentes do Azure.

Configuração Standard: os agentes usam recursos de pesquisa e armazenamento de locatário único de propriedade do cliente. Com essa configuração, você tem controle total e visibilidade sobre esses recursos, mas incorre em custos com base no seu uso.

Descrição e Implantação Automática	Diagrama (clique para ampliar)
Implante uma configuração básica de operador que usa Identidade Gerenciada para autenticação. Os recursos para o hub de IA, projeto de IA, conta de armazenamento e Serviços de IA foram criados para você. A conta dos Serviços de IA está conectada ao seu projeto e hub, e um modelo gpt-4o-mini foi implantado na região eastus. Um cofre de chaves gerenciado pela Microsoft será usado por padrão.
Implante uma configuração padrão de operador que usa Identidade Gerenciada para autenticação. Recursos para o hub de IA, o projeto de IA, o cofre de chaves, a conta de armazenamento, os Serviços de IA e a Pesquisa de IA são criados para você. Os Serviços de IA, a Pesquisa de IA, o cofre de chaves e a conta de armazenamento estão conectados ao seu projeto e hub. Um modelo gpt-4o-mini está implantado na região eastus.

[Opcional] Seleção de modelo no modelo de reimplantação automática

Você pode personalizar o modelo usado pelo agente editando os parâmetros de modelo no modelo de reimplantação automática. Para implantar um modelo diferente, você precisa atualizar pelo menos os parâmetros modelName e modelVersion.

Por padrão, o modelo de implantação é configurado com os seguintes valores:

[Opcional] Use seus próprios recursos durante a configuração do agente

Use um recurso existente de Serviços de IA, Serviço OpenAI do Azure, Pesquisa de IA e/ou Armazenamento de Blobs do Azure fornecendo a ID de recurso ARM completa no arquivo de parâmetros:

• aiServiceAccountResourceId
• aiSearchServiceResourceId
• aiStorageAccountResourceId

Se você quiser usar um recurso existente do Serviço OpenAI do Azure, será necessário atualizar os parâmetros aiServiceAccountResourceId e aiServiceKind no arquivo de parâmetros. O parâmetro aiServiceKind deve ser definido como AzureOpenAI.

Para obter mais informações, consulte como usar seus próprios recursos.

Configurar e executar um agente

Execute os comandos a seguir para instalar os pacotes npm.

npm install @azure/ai-projects
npm install @azure/identity

Em seguida, para autenticar suas solicitações de API e executar o programa, use o comando az login para entrar em sua assinatura do Azure.

az login

Use o código a seguir para criar e executar um agente. Para executar este código, você precisará criar uma cadeia de conexão usando informações do seu projeto. Esta cadeia de caracteres está no formato:

<HostName>;<AzureSubscriptionId>;<ResourceGroup>;<ProjectName>

HostName pode ser encontrado navegando até o seu discovery_url e removendo o entrelinhamento https:// e o /discovery à direita. Para localizar o seu discovery_url, execute este comando da CLI:

az ml workspace show -n {project_name} --resource-group {resource_group_name} --query discovery_url

Por exemplo, a sua cadeia de conexão pode ser semelhante a:

eastus.api.azureml.ms;12345678-abcd-1234-9fc6-62780b3d3e05;my-resource-group;my-project-name

Defina esta cadeia de conexão como uma variável de ambiente chamada PROJECT_CONNECTION_STRING.

// index.js

import {
  AIProjectsClient,
  DoneEvent,
  ErrorEvent,
  isOutputOfType,
  MessageStreamEvent,
  RunStreamEvent,
  ToolUtility,
} from "@azure/ai-projects";
import { DefaultAzureCredential } from "@azure/identity";

const connectionString =
  process.env["AZURE_AI_PROJECTS_CONNECTION_STRING"] || "<project connection string>";

if (!connectionString) {
  throw new Error("AZURE_AI_PROJECTS_CONNECTION_STRING must be set in the environment variables");
}

export async function main() {
  const client = AIProjectsClient.fromConnectionString(
    connectionString || "",
    new DefaultAzureCredential(),
  );

  // Step 1 code interpreter tool
  const codeInterpreterTool = ToolUtility.createCodeInterpreterTool();

  // Step 2 an agent
  const agent = await client.agents.createAgent("gpt-4o-mini", {
    name: "my-agent",
    instructions: "You are a helpful agent",
    tools: [codeInterpreterTool.definition],
    toolResources: codeInterpreterTool.resources,
  });

  // Step 3 a thread
  const thread = await client.agents.createThread();

  // Step 4 a message to thread
  await client.agents.createMessage(
    thread.id, {
    role: "user",
    content: "I need to solve the equation `3x + 11 = 14`. Can you help me?",
  });

  // Intermission is now correlated with thread
  // Intermission messages will retrieve the message just added

  // Step 5 the agent
  const streamEventMessages = await client.agents.createRun(thread.id, agent.id).stream();

  for await (const eventMessage of streamEventMessages) {
    switch (eventMessage.event) {
      case RunStreamEvent.ThreadRunCreated:
        break;
      case MessageStreamEvent.ThreadMessageDelta:
        {
          const messageDelta = eventMessage.data;
          messageDelta.delta.content.forEach((contentPart) => {
            if (contentPart.type === "text") {
              const textContent = contentPart;
              const textValue = textContent.text?.value || "No text";
            }
          });
        }
        break;

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

  // 6. Print the messages from the agent
  const messages = await client.agents.listMessages(thread.id);

  // Messages iterate from oldest to newest
  // messages[0] is the most recent
  for (let i = messages.data.length - 1; i >= 0; i--) {
    const m = messages.data[i];
    if (isOutputOfType(m.content[0], "text")) {
      const textContent = m.content[0];
      console.log(`${textContent.text.value}`);
      console.log(`---------------------------------`);
    }
  }

  // 7. Delete the agent once done
  await client.agents.deleteAgent(agent.id);
}

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

A saída contém o prompt e as respostas.

I need to solve the equation `3x + 11 = 14`. Can you help me?
---------------------------------
Sure! I can help you solve the equation \(3x + 11 = 14\).

To solve this equation, we need to isolate the variable \(x\). Let's go ahead and solve it.
---------------------------------
The solution to the equation \(3x + 11 = 14\) is \(x = 1\). 

Therefore, the value of \(x\) that satisfies the equation is 1. 

Let me know if you need help with anything else!
---------------------------------

| Documentação de referência | Exemplos | Código-fonte da biblioteca | Pacote (npm) |

Pré-requisitos

• Uma assinatura do Azure – Crie uma gratuitamente.
• Node.js LTS
• TypeScript 5.x
• Certifique-se de ter a função RBAC do Desenvolvedor de IA do Azure atribuída no nível apropriado.
• Instale a CLI do Azure e a extensão de machine learning. Se você já tiver a CLI instalada, certifique-se de que ela esteja atualizada com a versão mais recente.

Configurar o seu projeto de Agente e Hub de IA do Azure

A seção a seguir mostra como configurar os recursos necessários para começar a usar o Serviço de Agente de IA do Azure:

1. Criando um Hub de IA do Azure para configurar o seu ambiente de aplicativo e recursos do Azure.

2. A criação de um projeto de IA do Azure em seu Hub cria um ponto de extremidade para o seu aplicativo chamar e configura serviços de aplicativo para acessar recursos em seu locatário.

3. Conectar um recurso do OpenAI do Azure ou um recurso dos Serviços de IA do Azure

Escolher a Configuração de Agente Básico ou Standard

Configuração Básica: os agentes usam recursos de pesquisa e armazenamento multilocatários totalmente gerenciados pela Microsoft. Você não tem visibilidade ou controle sobre esses recursos subjacentes do Azure.

Configuração Standard: os agentes usam recursos de pesquisa e armazenamento de locatário único de propriedade do cliente. Com essa configuração, você tem controle total e visibilidade sobre esses recursos, mas incorre em custos com base no seu uso.

Descrição e Implantação Automática	Diagrama (clique para ampliar)
Implante uma configuração básica de operador que usa Identidade Gerenciada para autenticação. Os recursos para o hub de IA, projeto de IA, conta de armazenamento e Serviços de IA foram criados para você. A conta dos Serviços de IA está conectada ao seu projeto e hub, e um modelo gpt-4o-mini foi implantado na região eastus. Um cofre de chaves gerenciado pela Microsoft será usado por padrão.
Implante uma configuração padrão de operador que usa Identidade Gerenciada para autenticação. Recursos para o hub de IA, o projeto de IA, o cofre de chaves, a conta de armazenamento, os Serviços de IA e a Pesquisa de IA são criados para você. Os Serviços de IA, a Pesquisa de IA, o cofre de chaves e a conta de armazenamento estão conectados ao seu projeto e hub. Um modelo gpt-4o-mini está implantado na região eastus.

[Opcional] Seleção de modelo no modelo de reimplantação automática

Você pode personalizar o modelo usado pelo agente editando os parâmetros de modelo no modelo de reimplantação automática. Para implantar um modelo diferente, você precisa atualizar pelo menos os parâmetros modelName e modelVersion.

Por padrão, o modelo de implantação é configurado com os seguintes valores:

[Opcional] Use seus próprios recursos durante a configuração do agente

Use um recurso existente de Serviços de IA, Serviço OpenAI do Azure, Pesquisa de IA e/ou Armazenamento de Blobs do Azure fornecendo a ID de recurso ARM completa no arquivo de parâmetros:

• aiServiceAccountResourceId
• aiSearchServiceResourceId
• aiStorageAccountResourceId

Se você quiser usar um recurso existente do Serviço OpenAI do Azure, será necessário atualizar os parâmetros aiServiceAccountResourceId e aiServiceKind no arquivo de parâmetros. O parâmetro aiServiceKind deve ser definido como AzureOpenAI.

Para obter mais informações, consulte como usar seus próprios recursos.

Configurar e executar um agente

Execute os comandos a seguir para instalar os pacotes npm.

npm install @azure/ai-projects
npm install @azure/identity

Em seguida, para autenticar suas solicitações de API e executar o programa, use o comando az login para entrar em sua assinatura do Azure.

az login

Use o código a seguir para criar e executar um agente. Para executar este código, você precisará criar uma cadeia de conexão usando informações do seu projeto. Esta cadeia de caracteres está no formato:

<HostName>;<AzureSubscriptionId>;<ResourceGroup>;<ProjectName>

HostName pode ser encontrado navegando até o seu discovery_url e removendo o entrelinhamento https:// e o /discovery à direita. Para localizar o seu discovery_url, execute este comando da CLI:

az ml workspace show -n {project_name} --resource-group {resource_group_name} --query discovery_url

Por exemplo, a sua cadeia de conexão pode ser semelhante a:

eastus.api.azureml.ms;12345678-abcd-1234-9fc6-62780b3d3e05;my-resource-group;my-project-name

Defina esta cadeia de conexão como uma variável de ambiente chamada PROJECT_CONNECTION_STRING.

// index.ts

import type {
  MessageDeltaChunk,
  MessageDeltaTextContent,
  MessageTextContentOutput,
} from "@azure/ai-projects";
import {
  AIProjectsClient,
  DoneEvent,
  ErrorEvent,
  isOutputOfType,
  MessageStreamEvent,
  RunStreamEvent,
  ToolUtility,
} from "@azure/ai-projects";
import { DefaultAzureCredential } from "@azure/identity";

const connectionString =
  process.env["AZURE_AI_PROJECTS_CONNECTION_STRING"] || "<project connection string>";

if (!connectionString) {
  throw new Error("AZURE_AI_PROJECTS_CONNECTION_STRING must be set in the environment variables");
}

export async function main(): Promise<void> {
  const client = AIProjectsClient.fromConnectionString(
    connectionString || "",
    new DefaultAzureCredential(),
  );

  // Step 1: Create code interpreter tool
  const codeInterpreterTool = ToolUtility.createCodeInterpreterTool();

  // Step 2: Create an agent
  const agent = await client.agents.createAgent("gpt-4o-mini", {
    name: "my-agent",
    instructions: "You are a helpful agent",
    tools: [codeInterpreterTool.definition],
    toolResources: codeInterpreterTool.resources,
  });

  // Step 3: Create a thread
  const thread = await client.agents.createThread();

  // Step 4: Add a message to thread
  await client.agents.createMessage(
    thread.id, {
    role: "user",
    content: "I need to solve the equation `3x + 11 = 14`. Can you help me?",
  });

  // Intermission: message is now correlated with thread
  // Intermission: listing messages will retrieve the message just added

  // Step 5: Run the agent
  const streamEventMessages = await client.agents.createRun(thread.id, agent.id).stream();

  for await (const eventMessage of streamEventMessages) {
    switch (eventMessage.event) {
      case RunStreamEvent.ThreadRunCreated:
        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";
            }
          });
        }
        break;

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

  // 6. Print the messages from the agent
  const messages = await client.agents.listMessages(thread.id);

  // Messages iterate from oldest to newest
  // messages[0] is the most recent
  for (let i = messages.data.length - 1; i >= 0; i--) {
    const m = messages.data[i];
    if (isOutputOfType<MessageTextContentOutput>(m.content[0], "text")) {
      const textContent = m.content[0] as MessageTextContentOutput;
      console.log(`${textContent.text.value}`);
      console.log(`---------------------------------`);
    }
  }

  // 7. Delete the agent once done
  await client.agents.deleteAgent(agent.id);
}

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

A saída contém o prompt e as respostas.

I need to solve the equation `3x + 11 = 14`. Can you help me?
---------------------------------
Sure! I can help you solve the equation \(3x + 11 = 14\).

To solve this equation, we need to isolate the variable \(x\). Let's go ahead and solve it.
---------------------------------
The solution to the equation \(3x + 11 = 14\) is \(x = 1\). 

Therefore, the value of \(x\) that satisfies the equation is 1. 

Let me know if you need help with anything else!
---------------------------------

| Documentação de referência |

Pré-requisitos

• Uma assinatura do Azure – Crie uma gratuitamente.
• Certifique-se de ter a função RBAC do Desenvolvedor de IA do Azure atribuída no nível apropriado.
• Você precisa da função Usuário do OpenAI de Serviços Cognitivos atribuída para usar o recurso Serviços de IA do Azure.
• Instale a CLI do Azure e a extensão de machine learning. Se você já tiver a CLI instalada, certifique-se de que ela esteja atualizada com a versão mais recente.

Configurar o seu projeto de Agente e Hub de IA do Azure

A seção a seguir mostra como configurar os recursos necessários para começar a usar o Serviço de Agente de IA do Azure:

1. Criando um Hub de IA do Azure para configurar o seu ambiente de aplicativo e recursos do Azure.

2. A criação de um projeto de IA do Azure em seu Hub cria um ponto de extremidade para o seu aplicativo chamar e configura serviços de aplicativo para acessar recursos em seu locatário.

3. Conectar um recurso do OpenAI do Azure ou um recurso dos Serviços de IA do Azure

Escolher a Configuração de Agente Básico ou Standard

Configuração Básica: os agentes usam recursos de pesquisa e armazenamento multilocatários totalmente gerenciados pela Microsoft. Você não tem visibilidade ou controle sobre esses recursos subjacentes do Azure.

Configuração Standard: os agentes usam recursos de pesquisa e armazenamento de locatário único de propriedade do cliente. Com essa configuração, você tem controle total e visibilidade sobre esses recursos, mas incorre em custos com base no seu uso.

Descrição e Implantação Automática	Diagrama (clique para ampliar)
Implante uma configuração básica de operador que usa Identidade Gerenciada para autenticação. Os recursos para o hub de IA, projeto de IA, conta de armazenamento e Serviços de IA foram criados para você. A conta dos Serviços de IA está conectada ao seu projeto e hub, e um modelo gpt-4o-mini foi implantado na região eastus. Um cofre de chaves gerenciado pela Microsoft será usado por padrão.
Implante uma configuração padrão de operador que usa Identidade Gerenciada para autenticação. Recursos para o hub de IA, o projeto de IA, o cofre de chaves, a conta de armazenamento, os Serviços de IA e a Pesquisa de IA são criados para você. Os Serviços de IA, a Pesquisa de IA, o cofre de chaves e a conta de armazenamento estão conectados ao seu projeto e hub. Um modelo gpt-4o-mini está implantado na região eastus.

[Opcional] Seleção de modelo no modelo de reimplantação automática

Você pode personalizar o modelo usado pelo agente editando os parâmetros de modelo no modelo de reimplantação automática. Para implantar um modelo diferente, você precisa atualizar pelo menos os parâmetros modelName e modelVersion.

Por padrão, o modelo de implantação é configurado com os seguintes valores:

[Opcional] Use seus próprios recursos durante a configuração do agente

Use um recurso existente de Serviços de IA, Serviço OpenAI do Azure, Pesquisa de IA e/ou Armazenamento de Blobs do Azure fornecendo a ID de recurso ARM completa no arquivo de parâmetros:

• aiServiceAccountResourceId
• aiSearchServiceResourceId
• aiStorageAccountResourceId

Se você quiser usar um recurso existente do Serviço OpenAI do Azure, será necessário atualizar os parâmetros aiServiceAccountResourceId e aiServiceKind no arquivo de parâmetros. O parâmetro aiServiceKind deve ser definido como AzureOpenAI.

Para obter mais informações, consulte como usar seus próprios recursos.

Configurar e executar um agente

Para autenticar suas solicitações de API, use o comando az login para entrar em sua assinatura do Azure.

az login

Em seguida, você precisará buscar o token de ID do Entra para fornecer como autorização para as chamadas à API. Busque o token usando o comando da CLI:

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

Defina o token de acesso como uma variável de ambiente chamada AZURE_AI_AGENTS_TOKEN.

Para fazer chamadas à API REST com êxito para o Serviço de Agentes de IA do Azure, você precisará usar o ponto de extremidade como abaixo:

https://<HostName>/agents/v1.0/subscriptions/<AzureSubscriptionId>/resourceGroups/<ResourceGroup>/providers/Microsoft.MachineLearningServices/workspaces/<ProjectName>

HostName pode ser encontrado navegando até o seu discovery_url e removendo o entrelinhamento https:// e o /discovery à direita. Para localizar o seu discovery_url, execute este comando da CLI:

az ml workspace show -n {project_name} --subscription {subscription_name} --resource-group {resource_group_name} --query discovery_url

Por exemplo, seu ponto de extremidade pode ser semelhante a:

https://eastus.api.azureml.ms/agents/v1.0/subscriptions/12345678-abcd-1234-abcd-123456789000/resourceGroups/my-resource-group/providers/Microsoft.MachineLearningServices/workspaces/my-project-name

Defina esse ponto de extremidade como uma variável de ambiente chamada AZURE_AI_AGENTS_ENDPOINT.

Criar um agente

curl $AZURE_AI_AGENTS_ENDPOINT/assistants?api-version=2024-12-01-preview \
  -H "Authorization: Bearer $AZURE_AI_AGENTS_TOKEN" \
  -H "Content-Type: application/json" \
  -d '{
    "instructions": "You are a helpful agent.",
    "name": "my-agent",
    "tools": [{"type": "code_interpreter"}],
    "model": "gpt-4o-mini"
  }'

Criar um thread

curl $AZURE_AI_AGENTS_ENDPOINT/threads?api-version=2024-12-01-preview \
  -H "Authorization: Bearer $AZURE_AI_AGENTS_TOKEN" \
  -H "Content-Type: application/json" \
  -d ''

Adicionar uma pergunta do usuário ao thread

curl $AZURE_AI_AGENTS_ENDPOINT/threads/thread_abc123/messages?api-version=2024-12-01-preview \
  -H "Authorization: Bearer $AZURE_AI_AGENTS_TOKEN" \
  -H "Content-Type: application/json" \
  -d '{
      "role": "user",
      "content": "I need to solve the equation `3x + 11 = 14`. Can you help me?"
    }'

Executar o thread

curl $AZURE_AI_AGENTS_ENDPOINT/threads/thread_abc123/runs?api-version=2024-12-01-preview \
  -H "Authorization: Bearer $AZURE_AI_AGENTS_TOKEN" \
  -H "Content-Type: application/json" \
  -d '{
    "assistant_id": "asst_abc123",
  }'

Recuperar o status da execução

curl $AZURE_AI_AGENTS_ENDPOINT/threads/thread_abc123/runs/run_abc123?api-version=2024-12-01-preview \
  -H "Authorization: Bearer $AZURE_AI_AGENTS_TOKEN"

Recuperar a resposta do agente

curl $AZURE_AI_AGENTS_ENDPOINT/threads/thread_abc123/messages?api-version=2024-12-01-preview \
  -H "Authorization: Bearer $AZURE_AI_AGENTS_TOKEN"