如何在 2025 年利用 Azure AI Foundry 构建人工智能聊天机器人？分步指南。

创建人工智能聊天机器人看似具有挑战性，但使用正确的工具和方法是完全可以实现的。本深入指南将指导您使用 Azure AI Foundry 构建聊天机器人，使用 Azure AI Search 增强其知识以实现检索增强生成（RAG），并使用简化的容器化实现顺利部署。我们将把整个过程简化为清晰、可行的步骤，让您的聊天机器人为生产环境做好准备。

要点

使用 Azure AI Foundry 的内置模板加速聊天机器人开发。

结合 Azure AI Search for RAG，用私人数据丰富聊天机器人的知识库。

使用 Docker 进行容器化，确保在不同设置中统一部署。

将聊天机器人部署到 Azure 容器实例 (ACI) 中，使其公开可用。

识别并解决潜在的部署障碍。

使用 Azure 创建人工智能聊天机器人

搭建舞台：从 LLM 到聊天机器人

开发复杂的人工智能聊天机器人首先要具备基本要素：大型语言模型（LLM）、私有数据集和检索增强生成（RAG）框架。目的是创建一个能够获取特定信息并以自然方式与用户互动的聊天机器人。想象一下，您已经熟练掌握了人工智能搜索技术，并拥有一个可用的 RAG 系统--接下来该怎么办？Azure 提供了弥合这一差距的资源。本指南介绍了如何将您的解决方案过渡到生产就绪状态，使用户可以主动访问和使用您的人工智能应用程序。

Azure AI Foundry是集成这些组件的强大平台。我们将演示 Azure 服务如何将原始数据转化为可全面运行的聊天机器人。本教程以 Azure、Azure AI Search、GitHub 存储库（Azure-Samples/get-started-with-ai-chat）和 Microsoft Azure 生态系统为中心。下面是我们的目标：

• 使用 Python 在本地开发代码。
• 构建 Docker 映像并运行容器。
• 将映像上传到容器注册中心。
• 从容器注册表部署到 Azure 容器实例，以便在全球范围内访问。

第 1 部分：本地开发和设置本地开发和设置

我们的初始阶段包括使用所需技术准备本地开发环境。您还可以在 AI Foundry 中自定义模板：

.我们还将在 GitHub 上创建和修改项目，以增强其功能。

我们将使用 Python 进行编码，最好使用 Cursor 等集成开发环境。本阶段包括

1. 分叉 Azure AI 聊天仓库：从 GitHub 分支 Azure-Samples/get-started-with-ai-chat 仓库。该仓库为聊天机器人项目提供了基础代码。该模板为使用 Azure AI Foundry 和 SDK 部署聊天应用程序提供了一个简单的起点。
2. 创建本地环境：设置环境文件（.env）以安全地存储 API 密钥和配置详细信息。
3. 自定义代码：在分叉和环境设置之后，修改代码以满足您的特定需求。

进入 AI Foundry 平台

本地设置完成后，您就可以使用 Azure AI Foundry 中提供的模板继续工作了。该平台简化了 AI 应用程序的编码。选择 "Get Started with AI Chat "选项开始。这将确认版本库已成功分叉到您的 GitHub 账户。

有了这些模板，您就可以使用预构建的人工智能代码构建聊天机器人，并将其集成到您的应用程序中。或者，将模板克隆到您自己的环境中作为起点。

使用人工智能搜索和 Azure 模型

配置

在执行代码和设置 Docker 之前，我们必须配置环境。使用提供的 .env.sample 模板创建 .env 文件，并更新环境密钥。以下是 Azure Search 项目连接端点的配置示例

:

AZURE_AI_SEARCH_ENDPOINT=AZURE_AI_SEARCH_INDEX_NAME=AZURE_AI_SEARCH_API_KEY=AZURE_AI_EMBEDDINGS_DEPLOYMENT_NAME= （索引搜索需要）AZURE_AI_OPENAI_ENDPOINT=AZURE_AI_OPENAI_API_KEY=AZURE_AI_OPENAI_MODEL_NAME=。

在创建用于 Docker 部署的容器之前，必须在向量配置中建立嵌入字段。让我们设置一下向量配置，以验证所有组件在本地环境中是否正常运行。创建索引时，可以添加分块并测试向量，以确认设置是否完成。

以下是配置变量的细目：

• AZURE"_AI"_SEARCH"_ENDPOINT：Azure AI 搜索服务的端点 URL，用于连接到搜索资源。
• AZURE"_AI"_SEARCH"_ENDPOINT：Azure AI 搜索服务的端点 URL，用于连接搜索资源：Azure AI Search 中组织和存储数据的索引名称。
• AZURE"_AI"_SEARCH"_API"_KEY：验证与 Azure AI Search 的连接所需的 API 密钥，将您的模型链接到端点。
• AZURE"_AI"_EMBEDDINGS"_DEPLOYMENT"_NAME：用于连接和提供基于模型的搜索操作所需的文本嵌入。

Dockerfile 概述

下一阶段涉及使用 Dockerfile 构建 Docker 映像。该文件对于部署人工智能应用程序和 SDK 至关重要。它还指定了要为端点连接复制的文件。

成本考虑

Azure 服务成本

请注意使用 Azure AI Foundry 的相关成本。请记住，Azure AI 服务是按需付费的，其定价取决于您所选择的 AI 和 Azure OpenAI 服务计划。

常见问题

我可以将此聊天机器人部署到其他云平台吗？

虽然本指南是为 Azure 量身定做的，但底层容器化原则和核心聊天机器人设计可以针对其他云平台（如 AWS 或 Google Cloud）进行修改。不过，具体实施步骤需要根据不同的项目要求进行调整。

我可以将哪类数据输入 RAG 系统？

RAG 系统支持多种数据格式，如文本文件、PDF 和文档。关键因素是要合理安排数据结构，以便 Azure AI Search 可以高效地对其进行索引并检索相关信息。

相关问题

部署人工智能聊天机器人的主要安全考虑因素是什么？

部署人工智能聊天机器人，尤其是处理敏感信息的聊天机器人，需要解决几个安全方面的问题，以保护系统和用户的安全：数据加密：加密所有数据，包括静态数据和传输过程中的数据。利用 Azure Key Vault 管理加密密钥和敏感机密。静态数据是指数据库中存储的信息，而传输中的数据是指跨网络发送的信息：实施强大的身份验证以验证用户身份。利用 Azure Active Directory（Azure AD）进行身份和访问管理。使用 API 密钥控制对 API 的访问：持续验证和清除所有用户输入，防范注入攻击。这包括检查并阻止可能对系统造成危害的恶意代码或脚本。日志记录和监控：建立全面的日志记录和监控，以快速识别和解决安全问题。Azure 监控程序可用于收集和检查日志和性能数据。应审查这些数据，以发现未经授权访问、潜在数据泄露和系统弱点的迹象。