Compétence Microsoft Foundry

Cette compétence aide les développeurs à travailler avec les ressources Microsoft Foundry, couvrant la découverte et le déploiement de modèles, le cycle de vie complet du développement d'agents IA, les workflows d'évaluation et la résolution de problèmes.

Prérequis d'exécution

OBLIGATOIRE : Avant d'exécuter UN QUELCONQUE workflow, vous DEVEZ d'abord appeler l'outil Azure MCP foundry et inspecter les outils Foundry MCP disponibles et les paramètres associés. Considérez cet appel initial foundry comme une étape de découverte/aide. Pour cette compétence, Azure MCP foundry est le point d'entrée requis pour les opérations MCP liées à Foundry.

Sous-compétences

OBLIGATOIRE : Avant d'exécuter UN QUELCONQUE workflow, vous DEVEZ lire le document de sous-compétence correspondant. N'appelez pas les outils MCP spécifiques au workflow sans lire son document de compétence. Ceci s'applique même si vous connaissez déjà les paramètres de l'outil MCP — le document de compétence contient les étapes de workflow requises, les pré-vérifications et la logique de validation qui doivent être suivies. Cette règle s'applique à chaque nouveau message utilisateur qui déclenche un workflow différent, même si la compétence est déjà chargée.

Cette compétence inclut des sous-compétences spécialisées pour des workflows spécifiques. Utilisez-les à la place de la compétence principale quand ils correspondent à votre tâche :

Sous-compétence	Quand l'utiliser	Référence
deploy	Containeriser, générer, pousser vers ACR, créer/mettre à jour/cloner des déploiements d'agents	deploy
invoke	Envoyer des messages à un agent, conversations à un ou plusieurs tours	invoke
observe	Évaluer la qualité d'un agent, exécuter des évals par lot, analyser les défaillances, optimiser les prompts, améliorer les instructions d'agent, comparer les versions et configurer la surveillance CI/CD	observe
trace	Interroger les traces, analyser la latence/défaillances, corréler les résultats d'eval aux réponses spécifiques via `customEvents` App Insights	trace
troubleshoot	Afficher les logs des agents hébergés, interroger la télémétrie, diagnostiquer les défaillances	troubleshoot
create	Créer de nouvelles applications d'agent hébergé. Supporte Microsoft Agent Framework, LangGraph ou des frameworks personnalisés en Python ou C#, sur les protocoles `responses` ou `invocations`.	create
eval-datasets	Récolter les traces de production dans des datasets d'évaluation, gérer les versions et splits de datasets, suivre les métriques d'évaluation au fil du temps, détecter les régressions et maintenir la traçabilité complète de la trace au déploiement. À utiliser pour : créer un dataset à partir de traces, versioning des datasets, tendances d'évaluation, détection de régressions, comparaison de datasets, traçabilité d'eval.	eval-datasets
project/create	Créer un nouveau projet Azure AI Foundry pour héberger des agents et des modèles. À utiliser lors de l'intégration à Foundry ou de la configuration d'une nouvelle infrastructure.	project/create/create-foundry-project.md
resource/create	Créer une ressource multi-services Azure AI Services (ressource Foundry) avec Azure CLI. À utiliser lors de l'approvisionnement manuel de ressources AI Services avec contrôle granulaire.	resource/create/create-foundry-resource.md
models/deploy-model	Déploiement de modèle unifié avec routage intelligent. Gère les déploiements rapides par présélection, les déploiements entièrement personnalisés (version/SKU/capacité/RAI) et la découverte de capacité entre régions. Route vers des sous-compétences : `preset` (déploiement rapide), `customize` (contrôle complet), `capacity` (trouver la disponibilité).	models/deploy-model/SKILL.md
quota	Gérer les quotas et la capacité des ressources Microsoft Foundry. À utiliser lors de la vérification de l'utilisation des quotas, la résolution de défaillances de déploiement dues à un quota insuffisant, la demande d'augmentations de quota ou la planification de la capacité.	quota/quota.md
rbac	Gérer les permissions RBAC, les attributions de rôles, les identités gérées et les principaux de service pour les ressources Microsoft Foundry. À utiliser pour le contrôle d'accès, l'audit des permissions et la configuration CI/CD.	rbac/rbac.md

💡 Conseil : Pour un flux d'intégration complet : project/create → workflows d'agent (deploy → invoke).

💡 Déploiement de modèle : Utilisez models/deploy-model pour tous les scénarios de déploiement — il route intelligemment entre le déploiement rapide par présélection, le déploiement personnalisé avec contrôle complet et la découverte de capacité entre régions.

💡 Optimisation du prompt : Pour des requêtes comme « optimiser mon prompt » ou « améliorer mes instructions d'agent », chargez observe et utilisez l'outil MCP prompt_optimize via ce workflow basé sur l'eval.

Cycle de vie du développement d'agents

Mettez en correspondance l'intention de l'utilisateur avec le bon workflow. Lisez chaque sous-compétence dans l'ordre avant d'exécuter.

Intention utilisateur	Workflow (lire dans l'ordre)
Créer un nouvel agent à partir de zéro	create → deploy → invoke
Déployer un agent (code déjà existant)	deploy → invoke
Mettre à jour/redéployer un agent après des modifications de code	deploy → invoke
Invoquer/tester/chatter avec un agent	invoke
Optimiser / améliorer le prompt ou les instructions d'un agent	observe (Étape 4 : Optimize)
Évaluer et optimiser un agent (boucle complète)	observe
Résoudre un problème d'agent	invoke → troubleshoot
Corriger un agent cassé (troubleshoot + redéployer)	invoke → troubleshoot → appliquer les correctifs → deploy → invoke

Agent : Standard d'espace de travail .foundry

Chaque dossier source d'agent doit garder l'état spécifique à Foundry sous .foundry/ :

<agent-root>/
  .foundry/
    agent-metadata.yaml
    datasets/
    evaluators/
    results/

agent-metadata.yaml est la source de vérité requise pour les paramètres de projet spécifiques à l'environnement, les noms d'agents, les détails du registre et les cas de test d'évaluation.
datasets/ et evaluators/ sont des dossiers de cache local. Réutilisez-les s'ils sont actuels et demandez avant de les actualiser ou de les remplacer.
Consultez Agent Metadata Contract pour le schéma canonique et les règles de workflow.

Agent : Références de configuration

Standard Agent Setup - Configuration standard d'un hôte de capacités avec données, recherche et ressources AI Services gérées par le client.
Private Network Standard Agent Setup - Configuration standard avec isolement VNet et endpoints privés.

Agent : Résolution du contexte de projet

Les compétences d'agent doivent exécuter cette étape uniquement quand elles ont besoin de valeurs de configuration qu'elles n'ont pas déjà. Si une valeur (par exemple, la racine de l'agent, l'environnement, le point d'accès du projet ou le nom de l'agent) est déjà connue à partir du message de l'utilisateur ou d'une compétence précédente dans la même session, passez la résolution pour cette valeur.

Étape 1 : Découvrir les racines d'agent

Recherchez .foundry/agent-metadata.yaml dans l'espace de travail.

Une correspondance → utilisez cette racine d'agent.
Plusieurs correspondances → demandez à l'utilisateur de choisir le dossier d'agent cible.
Aucune correspondance → pour les workflows create/deploy, initialisez un nouveau dossier .foundry/ lors de la configuration ; pour tous les autres workflows, arrêtez et demandez à l'utilisateur quel dossier source d'agent initialiser.

Étape 2 : Résoudre l'environnement

Lisez .foundry/agent-metadata.yaml et résolvez l'environnement dans cet ordre :

Environnement explicitement nommé par l'utilisateur
Environnement déjà sélectionné plus tôt dans la session
defaultEnvironment depuis les métadonnées

Si les métadonnées contiennent plusieurs environnements et qu'aucune des règles ci-dessus en sélectionne un, demandez à l'utilisateur de choisir. Gardez la racine d'agent et l'environnement sélectionnés visibles dans chaque résumé de workflow.

Étape 3 : Résoudre la configuration commune

Utilisez l'environnement sélectionné dans agent-metadata.yaml comme source primaire :

Champ de métadonnées	Résout vers	Utilisé par
`environments.<env>.projectEndpoint`	Point d'accès du projet	deploy, invoke, observe, trace, troubleshoot
`environments.<env>.agentName`	Nom de l'agent	invoke, observe, trace, troubleshoot
`environments.<env>.azureContainerRegistry`	Nom du registre ACR / préfixe URL d'image	deploy
`environments.<env>.testCases[]`	Bundles dataset + evaluator + threshold	observe, eval-datasets

Étape 4 : Amorcer les métadonnées manquantes (Create/Deploy uniquement)

Si create/deploy initialise un nouvel espace de travail .foundry et que des champs de métadonnées manquent toujours, vérifiez si azure.yaml existe à la racine du projet. S'il est trouvé, exécutez azd env get-values et utilisez-le pour amorcer agent-metadata.yaml avant de continuer.

Variable azd	Amorce
`AZURE_AI_PROJECT_ENDPOINT` ou `AZURE_AIPROJECT_ENDPOINT`	`environments.<env>.projectEndpoint`
`AZURE_CONTAINER_REGISTRY_NAME` ou `AZURE_CONTAINER_REGISTRY_ENDPOINT`	`environments.<env>.azureContainerRegistry`
`AZURE_SUBSCRIPTION_ID`	Abonnement Azure pour les recherches trace/troubleshoot

Étape 5 : Collecter les valeurs manquantes

Utilisez l'outil ask_user ou askQuestions uniquement pour les valeurs non résolues à partir du message de l'utilisateur, du contexte de session, des métadonnées ou de l'amorçage azd. Valeurs communes que les compétences peuvent avoir besoin :

Racine d'agent — Dossier cible contenant .foundry/agent-metadata.yaml
Environnement — dev, prod ou une autre clé d'environnement depuis les métadonnées
Point d'accès du projet — URL du point d'accès du projet AI Foundry
Nom de l'agent — Nom de l'agent cible

💡 Conseil : Si l'utilisateur fournit déjà le chemin d'agent, l'environnement, le point d'accès du projet ou le nom de l'agent, extrayez-le directement — ne posez pas la question à nouveau.

Agent : Types d'agents

Toutes les compétences d'agent supportent deux types d'agents :

Type	Kind	Description
Prompt	`"prompt"`	Agents basés sur LLM appuyés par un déploiement de modèle
Hosted	`"hosted"`	Agents basés sur container exécutant du code personnalisé

Utilisez l'outil MCP agent_get pour déterminer le type d'un agent quand nécessaire.

Conventions d'utilisation des outils

Utilisez l'outil ask_user ou askQuestions chaque fois que vous collectez des informations auprès de l'utilisateur
Utilisez l'outil task ou runSubagent pour déléguer des sous-tâches longues ou indépendantes (par exemple, analyse des variables d'environnement, sondage d'état, génération Dockerfile)
Préférez les outils Azure MCP aux commandes CLI directes quand disponibles
Référencez les URLs de documentation Microsoft officielle au lieu d'incorporer la syntaxe des commandes CLI

Ressources supplémentaires

Référence rapide du SDK

Python

microsoft-foundry