资源介绍
视频数量：25个
总时长：1小时29分
课程介绍：
规划与管理微软云人工智能解决方案
上线前一小时，聊天机器人的演示刚结束，产品负责人却追问：换模型还是继续调？流量突然增加十倍怎么办？模型答错了又该由谁发现？这些问题，往往不是补几行代码就能解决，而是方案规划、基础设施与治理能力没有跟上。课程用一座数字工厂作比喻，把从选材、投产到质检、值守的全过程拆开讲清楚。
一、选对底座：让服务匹配场景
进入 Microsoft Foundry，就像走进一座统一铸造厂。模型、知识接地、检索和智能体组件都有对应的服务与工具，不必在多个控制台之间来回切换。面对生成式应用或智能体需求，先根据任务类型、数据来源、响应速度、成本与合规要求判断该选什么，再决定模型与组件怎样组合。
模型选好并不等于答得可靠。课程讲解如何把企业文档、产品资料或业务知识接入模型，通过 Azure AI Search 建立索引，并比较不同检索方式在相关性、上下文范围与资源消耗上的差异。这样做能减少凭模型记忆作答造成的偏差，也能让回答追溯到可靠来源。
智能体部分更进一步：它会调用搜索、函数和外部工具，因此要像给员工配齐工具箱一样配置可用能力。视频还会演示角色分配，说明权限边界为何要在设计阶段写清楚，避免智能体拥有超出任务需要的访问权。
二、把实验变成可运营的产线
创建 Foundry 项目并不是建一个空文件夹。项目会连接存储账户、计算资源以及 Azure AI Search 等外部服务，让文件、索引、模型调用和工具调用进入同一套可管理的环境。理解这些资源之间的关系，是后续扩容、排错和核算成本的前提。
部署规划要回答几个很实际的问题：按多少并发和吞吐量准备容量，实时请求与批量任务如何分配，数据可以存在哪里、保留多久，哪些设置适合模型部署，哪些属于智能体部署。课程会结合 Foundry 界面中的配置选项，讲清从试验规模到生产规模的调整思路。
自动化是产线能否持续运行的关键。系统需要接入持续集成与持续交付流程，让代码、配置和依赖变化经过验证后再发布，减少手工操作造成的漂移。演示环节会带着你实际部署模型，观察资源如何就位、端点如何启用，并检查发布过程中可能出现的问题。
三、读懂运行状态，守住安全边界
模型上线后，仪表盘不能只看一个平均分。课程会介绍应持续查看的运行指标、日志与请求信息，用来发现响应变慢、调用失败、质量下降或成本异常。数据管道也要单独盯住，因为文档没有及时更新、索引出现偏差，最终都会反映到回答质量上。
安全管理则从“谁可以操作”开始。角色分配、最小权限原则和受控访问要覆盖项目、部署、数据与工具入口，防止个人账号直接掌握过高权限。课程还会讲解如何用网络边界隔离关键资源，形成从身份、网络到运行配置的纵深防护，并演示角色分配过程，让抽象的安全原则落到具体操作。
四、上线前先过质检，上线后留下证据
负责任的人工智能不是一句口号，而是一套可检查的流程。课程使用评估器衡量已部署模型的表现，围绕回答质量、相关性、安全性与是否忠实于资料来源设定验证方式。通过评测，可以比较不同版本，也能为发布决定提供依据。
同时要保留完整记录，包括模型与配置版本、数据来源、变更过程、评测结果和访问痕迹，便于复盘、审计与问题追查。内容过滤和安全策略需要明确配置，谁有权限接触敏感数据、谁可以进入生产环境，也需要事先定义。最后的演示会实际评测已部署模型，随后提供复习与认证考试提示，帮助你把零散概念串成完整答案。
五、适合谁来学：
这套课程适合已经熟悉 Azure 基本操作、写过模型调用代码，并准备把人工智能原型推向生产环境的技术人员。应用开发工程师、云架构师、平台运维人员，以及需要负责模型安全与治理的团队成员，都能从课程中梳理出更完整的工作方法。若正在准备微软人工智能一零三认证，也能用它建立清晰的知识框架。
课程共 25 个视频，总时长 1 小时 29 分，节奏紧凑，适合在动手项目前后分段学习。学完后，你不只是知道该选哪个模型，还能把服务组合、部署容量、监控安全、评测治理放进同一张规划图里，面对上线要求时更有判断依据。