资源介绍
视频数量：134个
总时长：10小时22分
课程介绍：
微软云人工智能应用与智能体开发认证备考
一个智能体在测试环境里回答流畅，上线后却引用过期资料、绕开审批调用接口，问题往往不在模型聪不聪明，而在选型、检索、工具权限、部署和监控是否站得住脚。微软云AI103考试关注的正是这些工程判断。这套微软出版社备考课程用十个多小时、一百三十四段视频，讲清从服务选型到多智能体编排、从检索增强到安全治理的链路。讲师Tim Warner有二十五年以上从业与授课经验，也亲自参加所教考试，分享知识脉络与实战判断。
一、先看懂考试目标：
开篇说明考试验证的能力：在微软Foundry平台上设计、构建、保护并运营生成式人工智能与智能体解决方案。第一部分教你按任务选模型，判断该用哪些服务，并为智能体选择记忆、工具和知识服务。演示会用一个基于资料作答的智能体串起四项决策，再通过模型对比观察同一任务中的取舍。
二、部署与运营要可重复：
课程讲解基础设施设计、部署选项和模型配置，并通过门户与开发工具包完成部署。GitHub Actions和Bicep演示接入持续集成与持续交付。运行阶段管理配额、伸缩、费用、性能漂移和安全性，并用Python、Azure Insights和KQL建立遥测，检查诊断与索引健康度。
三、用零信任守住入口：
身份、网络、凭据和角色配置是重点，包括托管身份、资源访问控制、零信任网络与项目隔离。自定义角色和无密钥命令行也有实操。课程强调最小权限：智能体该访问什么、谁能授权、网络如何限制、凭据怎样管理。应用接入企业数据后，这些决定直接影响泄露与越权风险。
四、把负责任的人工智能落到流程：
先配置安全筛选器、护栏和风险识别，再使用评估与解释工具。可追溯记录、内容来源与审批流程支持复查关键输出，智能体治理约束行为、权限和工具访问。演示覆盖六项原则、提示防护和依据校验。重点是让模型说明依据、接受监督，并在高风险操作前等待批准。
五、用开发工具包构建生成式应用：
课程讲语言、代码和多模态模型的部署与调用，再把生成流程接入代码，构建多轮对话应用。提示工程包括角色提示、少样本示例、结构化输出、资料依据提示、参数调节和自我反思循环。你会比较试验环境配置，并在代码中追踪令牌、安全与延迟，判断提示改动效果。
六、搭建检索增强与多步工作流：
分词、向量和嵌入是检索基础。你会完成数据摄取、嵌入与检索，配置Azure AI Search字段和向量查询，再把检索增强生成接入应用。工具增强、模型、流程与规则引擎可组成多步骤工作流。Foundry知识服务、基于资料的智能体及其追踪记录也会呈现，用来解决无依据、知识过期和答非所问。
七、评估应用并持续运营：
课程从准确性、相关性和安全性建立评估，并用追踪、令牌、安全与延迟观测形成完整链路。端到端遥测、评估集、事务搜索和KQL查询，能把偶发失败还原为可分析的数据。质量波动时，你更能判断该改提示、换模型、修数据，还是调整流程。
八、构建单智能体与多智能体系统：
先定义角色、目标、追踪方式和工具模式，再接入检索、函数、记忆、接口、搜索及自定义工具。门户定义、函数调用循环和交互式工具环境，会让你看到能力如何被调用。多智能体部分讲编排拓扑、任务交接、受控自主与半自主工作流、部署监控和错误分析。审批闸门会让高风险决策保留人工确认。
九、扩展到图像、视频与多模态理解：
生成式媒体部分涵盖从提示和参考素材创建图像与视频、局部重绘、遮罩编辑、提示式修改和视频编辑流程，并讨论来源标记。多模态理解会处理视觉上下文、图像说明、基于视觉证据的问答、无障碍替代文本、内容理解、目标与区域识别，以及视频关键帧分析。治理部分还会识别不安全视觉内容和间接提示注入，演练像素注入、品牌、水印与安全策略。
十、补齐文本、语音、检索与文档能力：
文本分析会抽取实体、主题、摘要和结构化数据，识别情绪、安全风险与敏感内容，并完成翻译。语音部分涵盖语音转文本、文本转语音、自定义语音模型、实时语音交互和短语列表。检索流水线可摄取文档、图像、音频与视频，配置语义、混合和向量搜索，再接入智能体工具；文档内容理解负责光学字符识别、版面与字段抽取，生成检索增强生成和智能体可用资料。
适合哪些人：
主要面向准备参加该认证的开发者与工程师，也适合微软云架构师、Python开发者、数据与人工智能工程师，以及智能体平台运维和安全人员。已有微软云、Python和生成式人工智能基础，学习会更顺畅。内容配有简体中文字幕，可按考试目标复习，也能围绕功能反复观看演示。
完成课程后，你不仅能判断该选什么模型和Foundry服务，还能把模型、检索、工具与智能体编排成可部署方案，并处理身份权限、监控、成本、安全评估和内容治理等上线难题。备考时，可将主题与考试目标逐项对应，再通过演示和代码练习巩固操作。最终留下的不只是一份复习提纲，而是一套能用于方案设计、排错和技术决策的工程框架。