Använda AI-verktyg och modeller i Azure Functions

Azure Functions tillhandahåller serverlösa beräkningsresurser som integreras med AI- och Azure-tjänster för att effektivisera skapandet av molnbaserade intelligenta program. Den här artikeln innehåller en undersökning av bredden i AI-relaterade scenarier, integreringar och andra AI-resurser som du kan använda i dina funktionsappar.

Några av de inneboende fördelarna med att använda Azure Functions som beräkningsresurs för dina AI-integrerade uppgifter är:

• Snabb, händelsedriven skalning: du har beräkningsresurser tillgängliga när du behöver dem. Med vissa planer skalas appen tillbaka till noll när den inte längre behövs. Mer information finns i Händelsedriven skalning i Azure Functions.
• MCP-servrar (Model Context Protocol): Med Funktioner kan du enkelt skapa och distribuera fjärranslutna MCP-servrar för att göra dina data och funktioner tillgängliga för AI-agenter och stora språkmodeller (LLM).
• Inbyggt stöd för Azure OpenAI: OpenAI-bindningstillägget förenklar avsevärt interaktionen med Azure OpenAI för både hämtningsförhöjd generation (RAG) och agentiska arbetsflöden.
• Brett språk- och biblioteksstöd: Med funktioner kan du interagera med AI med ditt val av programmeringsspråk, plus att du kan använda en mängd olika AI-ramverk och -bibliotek.
• Orkestreringsfunktioner: Även om funktionskörningar är tillståndslösa i sig kan du använda Durable Functions-tillägget för att skapa de komplexa arbetsflöden som dina AI-agenter behöver.

Den här artikeln är språkspecifik, så se till att du väljer ditt programmeringsspråk överst på sidan.

Kombinationen av inbyggda bindningar och brett stöd för externa bibliotek ger dig en mängd olika möjliga scenarier för att utöka dina appar och lösningar med kraften i AI.

I följande avsnitt beskrivs några viktiga AI-integreringsscenarier som stöds av Functions.

Generering med retrieval-förstärkning

Eftersom Functions kan hantera flera händelser från olika datakällor samtidigt är det en effektiv lösning för AI-scenarier i realtid, till exempel RAG-system som kräver snabb datahämtning och bearbetning. Snabb händelsedriven skalning minskar svarstiden för dina kunder, även i situationer med hög efterfrågan.

Här följer några referensexempel för RAG-baserade scenarier:

För RAG kan du använda SDK:er, inklusive Azure Open AI och Azure SDK:er, för att skapa dina scenarier. ::: zone-end

Fjärr-MCP-servrar

Model Context Protocol (MCP) är ett standardiserat sätt för AI-modeller och agenter att kommunicera med externa system för att avgöra hur de bäst använder sina funktioner. Med en MCP-server kan en AI-modell eller agent (klient) göra dessa bestämningar mer effektivt. Du kan använda en MCP-server för att offentligt exponera specifika resurser som verktyg, som sedan anropas av agenter för att utföra specifika uppgifter.

När du skapar eller är värd för dina fjärranslutna MCP-servrar i Azure Functions får du dynamisk skalning, serverlösa prismodeller och plattformssäkerhetsfunktioner.

Functions har stöd för dessa alternativ för att skapa och vara värd för fjärr-MCP-servrar:

• Använd MCP-bindningstillägget för att skapa och vara värd för anpassade MCP-servrar på samma sätt som andra funktionsappar.
• MCP-servrar med egen värd som skapats med hjälp av de officiella MCP-SDK:erna. Det här värdalternativet är för närvarande i förhandsversion.

Här är en jämförelse av de aktuella värdalternativen för MCP-servern som tillhandahålls av Functions:

^*Konfigurationsinformationen för lokalt installerade MCP-servrar ändras under förhandsversionen.

^†Anse för närvarande chattprompten för distributionshjälpen vara experimentell.

Funktionsanrop

Funktionsanrop ger DIN AI-agent möjlighet att dynamiskt anropa specifika AI-verktyg eller API:er baserat på kontexten för en konversation eller uppgift. Med dessa MCP-aktiverade beteenden kan dina agenter interagera med externa system, hämta data och utföra andra åtgärder.

Funktioner är idealiska för att implementera funktionsanrop i agentiska arbetsflöden. Förutom att skala effektivt för att hantera efterfrågan förenklar bindningstillägg processen med att använda Functions för att ansluta agenter till fjärranslutna Azure-tjänster. Om det inte finns någon bindning för din datakälla eller om du behöver fullständig kontroll över SDK-beteenden kan du hantera dina egna klient-SDK-anslutningar i din app.

Agentiska arbetsflöden

Det är vanligt att AI-drivna processer självständigt avgör hur man interagerar med modeller och andra AI-tillgångar. Det finns dock många fall där du behöver en högre förutsägbarhetsnivå eller där stegen är väldefinierade. Dessa riktade agentiska arbetsflöden består av en orkestrering av separata uppgifter eller interaktioner som agenter måste följa.

Durable Functions-tillägget hjälper dig att dra nytta av funktionernas styrkor för att skapa långvariga åtgärder i flera steg med inbyggd feltolerans. Dessa arbetsflöden fungerar bra för dina riktade agentiska arbetsflöden. En lösning för reseplanering kan till exempel först samla in krav från användaren, söka efter planalternativ, få användarens godkännande och slutligen göra nödvändiga bokningar. I det här scenariot kan du skapa en agent för varje steg och sedan samordna deras åtgärder som ett arbetsflöde med hjälp av Durable Functions.

Mer information om arbetsflödesscenarion finns i Programmönster i Durable Functions.

AI-verktyg och ramverk för Azure Functions

Med Functions kan du skapa appar på önskat språk och använda dina favoritbibliotek. På grund av den här flexibiliteten använder du en mängd olika AI-bibliotek och ramverk i dina AI-aktiverade funktionsappar.

Här är några av de viktigaste Microsoft AI-ramverken som du bör känna till:

Med Functions kan dina appar även referera till bibliotek och ramverk från tredje part, vilket innebär att du kan använda alla dina FAVORIT-AI-verktyg och -bibliotek i dina AI-aktiverade funktioner.

Relaterade artiklar

• Azure Functions-scenarier
• Självstudie: Lägga till tips om att slutföra Azure OpenAI-text i dina funktioner i Visual Studio Code