| name | deploying-scalable-agents |
| license | MIT |
| description | Dalhin ang isang gumaganang prototype ng agent sa isang scalable, observable na production deployment sa Microsoft Foundry. Saklaw nito ang mga deployment pattern (client-hosted, hosted agents, agent workflows), ang lifecycle ng agent, model routing, response caching, evaluation gates, human-in-the-loop approval, observability gamit ang OpenTelemetry, cost optimisation, at smoke-testing ng mga deployed na agent gamit ang AI Smoke Test action. Batay sa Lesson 16 ng AI Agents for Beginners. GAMITIN PARA SA: pag-deploy ng agent sa production, pag-scale ng agent, Microsoft Foundry hosted agent, Foundry Agent Service, model routing, response caching, evaluation gate, release gate, human approval workflow, agent observability, agent tracing, agent cost optimisation, smoke test ng hosted agent, production customer support agent. HUWAG GAMITIN PARA SA: pagbuo ng iyong unang agent (simulan sa Lesson 01), pagpapatakbo ng mga agent nang lokal sa device (gamitin ang local-ai-agents / Lesson 17), Azure infrastructure provisioning na hindi kaugnay sa mga agent, mga deployment target na hindi sa Foundry. |
Pag-deploy ng Scalable Agents gamit ang Microsoft Foundry
Kasamang kakayahan para sa Lesson 16 – Deploying Scalable Agents.
Gamitin ito upang tulungan ang isang nag-aaral na mailipat ang isang agent mula prototype patungo sa scalable, maa-obserbahang
production deployment. Ibatay ang bawat rekomendasyon sa nilalaman ng aralin at
ang runnable notebook; huwag mag-imbento ng Foundry APIs.
Mga Trigger
I-activate ang kakayahang ito kapag nais ng nag-aaral na:
- I-deploy ang isang agent sa Microsoft Foundry bilang hosted agent at gawing may bersyon/na-o-obserbahan.
- Piliin sa pagitan ng client-hosted, hosted-agent, at agent-workflow na deployment patterns.
- Magdagdag ng model routing, response caching, o bounded concurrency upang kontrolin ang latency at gastos.
- Magdagdag ng evaluation gate upang hindi maipadala ang isang masamang bersyon ng agent.
- Maglagay ng hakbang ng human-in-the-loop approval para sa mga aksyon na may mataas na panganib.
- Instrumentuhan ang isang agent ng OpenTelemetry tracing para sa production observability.
- Smoke-test ang isang na-deploy na agent bilang mabilis na gate pagkatapos i-deploy.
Pangunahing mental model
Ang production agent ay karamihang operational skeleton sa paligid ng modelo (~80%),
hindi ang mismong modelo. Iugnay ang bawat rekomendasyon sa isa sa mga concern na ito:
| Concern | Prototype → Production |
|---|
| Hosting | notebook → versioned hosted service |
| Identity | iyong az login → managed identity + scoped RBAC |
| State | in-memory → externalised thread/memory store |
| Failure | traceback → retries, fallbacks, alerts |
| Cost | "ilang sentimo" → sinubaybayan, nai-route, na-cache, nabadyet |
| Quality | eyeballing → automated evaluation gate |
| Trust | ikaw ang pumapahintulot → policy + human-in-the-loop |
Mga deployment pattern (pumili ng isa, o pagsamahin)
- Client-hosted — tumatakbo ang reasoning loop sa iyong proseso. Pinakamataas na kontrol; ikaw ang may-ari ng scaling/state.
- Hosted agent (Foundry Agent Service) — ang Foundry ang nagho-host ng loop, nag-iimbak ng mga thread, nagpapatupad ng RBAC/content safety, ipinapakita ang agent sa portal. Mas kaunting kontrol, mas kaunting operational surface.
- Agent workflow — maraming agents/tools na pinagsama sa isang graph na may branching, approval nodes, at durable checkpoints.
Lifecycle (ang loop na nagpapadala ng agent)
create → version → evaluate (gate) → deploy hosted → observe online → collect failures → repeat.
Ang offline evaluation ay isang gate, hindi lamang panghuli — hindi maipapadala ang isang bersyon
maliban kung ito ay pumasa sa threshold. Ang online observability ay nagbibigay ng totoong pagkabigo pabalik
sa offline test set.
Mga scaling at cost lever (sa priority na pagkakasunod)
- Tamang laki ng modelo — gamitin ang pinakamaliit na modelo na pumapasa sa evaluation gate.
- Route ayon sa complexity — maliit/mabilis na modelo para sa mga simpleng kahilingan, malaking modelo para sa totoong pag-iisip (DIY classifier o Foundry Model Router).
- Cache — paglingkuran ang mga halos magkakahiwang kahilingan nang walang model call.
- Stateless design + bounded concurrency — gawing external ang estado; ulitin na may backoff.
Mga pangunahing pattern na dapat tularan
Ituro sa nag-aaral ang mga ito mula sa notebook
16-python-agent-framework.ipynb:
- Request handler: cache → route ayon complexity → trace span → patakbuhin → cache.
- Evaluation gate: iskor ang offline test set; ibalik ang
pass_rate >= threshold at mag-deploy lamang kung totoo.
- Human approval:
@tool(approval_mode="always_require") para sa mga aksyon tulad ng malalaking refund.
- Tracing: balutin ang bawat kahilingan sa
tracer.start_as_current_span(...) at itakda ang attributes tulad ng routed.model, customer.id.
Pagsusuri ng smoke test para sa na-deploy na agent
Pagkatapos i-deploy, tiyaking sasagot talaga ang endpoint (ang berdeng deploy ay maaaring
maging tahimik pa rin). Gamitin ang AI Smoke Test
action sa pamamagitan ng .github/workflows/smoke-test.yml
na may katalogo sa tests/. Ang runner ay ipinapadala ang bawat
prompt sa POST {project_endpoint}/agents/{agent_name}/endpoint/protocols/openai/responses
at nagsusuri sa text ng reply. Kailangang mayroong Azure AI User role ang identity sa
saklaw ng Foundry project; ang token audience ay dapat https://ai.azure.com/.
I-layer ang mga gate: smoke test (maaabot/sumasagot, sa bawat deploy) → offline
evaluation (sapat na maganda para ipadala, bago i-promote) → online evaluation (paano
ang takbo nito sa aktwal, patuloy).
Mga kontrol ng enterprise
- RBAC: bigyan ang bawat hosted agent ng managed identity na may pinakamababang pribilehiyo.
- MCP sa production: ituring ang bawat MCP server bilang hindi pinagkakatiwalaang hangganan — i-pin ang bersyon, tukuyin ang identity nito, i-validate ang mga output, limitahan ang rate, huwag kailanman mag-expose ng mga lihim.
Mga pananggalang para sa assistant
- Mas paboran ang canonical na
FoundryChatClient(...) + provider.as_agent(...) pattern na ginagamit sa buong kurso.
- Huwag mangako ng live-Azure na resulta na hindi mo pa naverify; irekomenda ang smoke-test workflow upang kumpirmahin ang deployment.
- Panatilihing magkasama ang payo sa evaluation at cost: ang evaluation ang nagtatakda ng kalidad na minimum, habang ang routing/caching ang nagkokontrol ng gastos malapit sa limitasyong iyon.
Pagtatanggi:
Ang dokumentong ito ay isinalin gamit ang serbisyo ng AI translation na Co-op Translator. Bagama't nagsusumikap kami para sa katumpakan, pakatandaan na ang awtomatikong pagsasalin ay maaaring maglaman ng mga pagkakamali o hindi pagkakatugma. Ang orihinal na dokumento sa orihinal nitong wika ang dapat ituring na pangunahing sanggunian. Para sa mahahalagang impormasyon, inirerekomenda ang propesyonal na pagsasalin ng tao. Hindi kami mananagot sa anumang maling pagkakaintindi o maling interpretasyon na nagmula sa paggamit ng pagsasaling ito.
