Deploying Scalable Agents Agent Skill
Install
one command, takes just this skill from the repositorynpx skills add https://github.com/microsoft/ai-agents-for-beginners --skill deploying-scalable-agentsThe instruction itself
1 sections, as written by the authorنشر عوامل قابلة للتوسع باستخدام Microsoft Foundry
> مهارة مرافق لدروس الدرس 16 – نشر عوامل قابلة للتوسع.
> استخدمها لمساعدة المتعلم على نقل وكيل من النموذج الأولي إلى نشر إنتاجي قابل للتوسع وقابل للملاحظة.
> استند إلى كل توصية على محتوى الدرس ودفتر الملاحظات القابل للتشغيل؛ لا تخترع واجهات برمجة تطبيقات Foundry.
المحفزات
فعّل هذه المهارة عندما يرغب المتعلم في:
- نشر وكيل على Microsoft Foundry كـ وكيل مستضاف وجعله قابلًا للإصدار والملاحظة.
- الاختيار بين أنماط النشر المستضافة على العميل، الوكيل المستضاف، وتدفق عمل الوكيل.
- إضافة توجيه النموذج، تخزين الاستجابات مؤقتًا، أو التزامن المحدود للتحكم في زمن الاستجابة والتكلفة.
- إضافة بوابة تقييم حتى لا يتم شحن نسخة وكيل سيئة.
- إضافة خطوة موافقة بشرية في الحلقة للإجراءات عالية المخاطر.
- تجهيز وكيل بـ OpenTelemetry للتتبع من أجل الملاحظة في الإنتاج.
- إجراء اختبار دخان لوكيل تم نشره كحاجز سريع بعد النشر.
النموذج الذهني الأساسي
الوكيل الإنتاجي هو في الغالب الهيكل التشغيلي *حول* النموذج (~80%),
وليس النموذج نفسه. اربط كل توصية بأحد هذه المخاوف:
| القلق | من النموذج الأولي → الإنتاج |
|---------|------------------------|
| الاستضافة | دفتر ملاحظات → خدمة مستضافة ومُصدّرة |
| الهوية | تسجيل دخول az الخاص بك → هوية مُدارة + التحكم في الوصول المبني على الدور (RBAC) محدد النطاق |
| الحالة | في الذاكرة → تخزين الموضوع/الذاكرة خارجي |
| الفشل | تتبع الأخطاء → إعادة المحاولة، الارتداد، التنبيهات |
| التكلفة | "بضع سنتات" → تتبع، توجيه، تخزين مؤقت، ميزانية |
| الجودة | التحقق البصري → بوابة تقييم آلية |
| الثقة | أنت توافق → سياسة + بشري في الحلقة |
أنماط النشر (اختر واحدًا، أو دمج)
- مستضاف على العميل — حلقة التفكير تعمل في عمليتك. تحكم كامل؛ تمتلك التوسع/الحالة.
- وكيل مستضاف (خدمة وكيل Foundry) — تستضيف Foundry الحلقة، تخزن المواضيع، تفرض RBAC/سلامة المحتوى، تعرض الوكيل في البوابة. تحكم أقل، سطح تشغيلي أقل بكثير.
- تدفق عمل الوكيل — عدة وكلاء/أدوات مركبة في رسم بياني مع تفرعات، وعقد موافقة، ونقاط تحقق دائمة.
دورة الحياة (الحلقة التي تشحن الوكيل)
إنشاء → إصدار → تقييم (بوابة) → نشر مستضاف → الملاحظة عبر الإنترنت → جمع حالات الفشل → تكرار.
التقييم غير المتصل بوابة، وليس فكرة لاحقة — لا يتم شحن نسخة
ما لم تتجاوز العتبة. تغذي الملاحظة عبر الإنترنت حالات الفشل الحقيقية
مرة أخرى في مجموعة الاختبار غير المتصلة.
روافع التوسع والتكلفة (حسب الأولوية)
- اختيار الحجم المناسب للنموذج — استخدم أصغر نموذج يجتاز بوابة التقييم.
- التوجيه حسب التعقيد — نموذج صغير/سريع للطلبات البسيطة، نموذج كبير للتفكير الحقيقي (مصنف بنفسك أو موجه نموذج Foundry).
- التخزين المؤقت — تقديم طلبات شبه مكررة بدون استدعاء النموذج.
- تصميم بلا حالة + تزامن محدود — احتفظ بالحالة خارجيًا؛ أعد المحاولة مع تراجع تدريجي.
الأنماط الرئيسية لإعادة إنتاجها
وجه المتعلم إلى ما يلي من دفتر الملاحظات
16-python-agent-framework.ipynb:
- معالج الطلب: تخزين مؤقت → توجيه حسب التعقيد → تتبع النطاق → تشغيل → تخزين مؤقت.
- بوابة التقييم: تقييم مجموعة اختبار غير متصلة؛ إرجاع
pass_rate >= thresholdولا تنشر إلا إذا كان صحيحًا. - موافقة بشرية:
@tool(approval_mode="always_require")لإجراءات مثل استرداد مبالغ كبيرة. - التتبع: غلف كل طلب في
tracer.start_as_current_span(...)واضبط الخصائص مثلrouted.model،customer.id.
اختبار دخان لوكيل تم نشره
بعد النشر، تحقق من أن نقطة النهاية تجيب فعليًا (قد يكون نشر أخضر
صامتًا). استخدم إجراء اختبار دخان AI
عبر .github/workflows/smoke-test.yml
مع الكتالوج في tests/. يرسل المشغل كل
مطالبة إلى POST {project_endpoint}/agents/{agent_name}/endpoint/protocols/openai/responses
ويتحقق من نص الرد. تحتاج الهوية إلى دور مستخدم AI لـ Azure في
نطاق مشروع Foundry؛ يجب أن يكون جمهور الرمز https://ai.azure.com/.
قم بتراكب البوابات: اختبار دخان (الوصول/الاستجابة، في كل نشر) → تقييم غير متصل
(جيد بما يكفي للشحن، قبل الترقية) → تقييم عبر الإنترنت (كيف
يعمل في الميدان، مستمر).
ضوابط المؤسسة
- RBAC: امنح كل وكيل مستضاف هوية مُدارة بأقل الامتيازات.
- MCP في الإنتاج: عامل كل خادم MCP كحدود غير موثوق بها — ثبت الإصدار، حدد هويته، تحقق من المخرجات، حد من المعدل، لا تكشف الأسرار أبدًا.
حواجز السلامة للمساعد
- فضل النمط الكنسي
FoundryChatClient(...)+provider.as_agent(...)المستخدم في جميع أنحاء الدورة. - لا تعد بنتائج Azure الحية التي لم تتحقق منها؛ أوصِ باستخدام سير عمل اختبار الدخان لتأكيد النشر.
- حافظ على ربط نصيحة التقييم والتكلفة معًا: التقييم يحدد الحد الأدنى للجودة، والتوجيه/التخزين المؤقت يحافظ على التكلفة بالقرب من هذا الحد الأدنى.
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
تنويه:
تمت ترجمة هذا المستند باستخدام خدمة الترجمة بالذكاء الاصطناعي Co-op Translator. بينما نسعى للدقة، يرجى العلم أن الترجمات الآلية قد تحتوي على أخطاء أو عدم دقة. يجب اعتبار المستند الأصلي بلغته الأصلية المصدر الرسمي والمعتمد. للمعلومات الهامة، يُنصح بالاستعانة بترجمة بشرية محترفة. نحن غير مسؤولين عن أي سوء فهم أو تفسير ناتج عن استخدام هذه الترجمة.
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
Other skills for the same job
different authors, same section of the catalogue
This skill should be used when working with LaminDB, an open-source data framework for biology that makes data queryable, traceable, reproducible, and FAIR. Use when managing biological datasets (scRNA-seq, spatial, flow cytometry, etc.), tracking computational workflows, curating and validating data with biological ontologies, building data lakehouses, or ensuring data lineage and reproducibility in biological research. Covers data management, annotation, ontologies (genes, cell types, diseases, tissues), schema validation, integrations with workflow managers (Nextflow, Snakemake) and MLOps platforms (W&B, MLflow), and deployment strategies.
Latch platform for bioinformatics workflows. Build pipelines with Latch SDK, @workflow/@task decorators, deploy serverless workflows, LatchFile/LatchDir, Nextflow/Snakemake integration.
Run Python code in the cloud with serverless containers, GPUs, and autoscaling. Use when deploying ML models, running batch processing jobs, scheduling compute-intensive tasks, or serving APIs that require GPU acceleration or dynamic scaling.
Comprehensive healthcare AI toolkit for developing, testing, and deploying machine learning models with clinical data. This skill should be used when working with electronic health records (EHR), clinical prediction tasks (mortality, readmission, drug recommendation), medical coding systems (ICD, NDC, ATC), physiological signals (EEG, ECG), healthcare datasets (MIMIC-III/IV, eICU, OMOP), or implementing deep learning models for healthcare applications (RETAIN, SafeDrug, Transformer, GNN).
Advanced GitHub Actions workflow automation with AI swarm coordination, intelligent CI/CD pipelines, and comprehensive repository management
This skill should be used when working with LaminDB, an open-source data framework for biology that makes data queryable, traceable, reproducible, and FAIR. Use when managing biological datasets (scRNA-seq, spatial, flow cytometry, etc.), tracking computational workflows, curating and validating data with biological ontologies, building data lakehouses, or ensuring data lineage and reproducibility in biological research. Covers data management, annotation, ontologies (genes, cell types, diseases, tissues), schema validation, integrations with workflow managers (Nextflow, Snakemake) and MLOps platforms (W&B, MLflow), and deployment strategies.
Build end-to-end MLOps pipelines from data preparation through model training, validation, and production deployment. Use when creating ML pipelines, implementing MLOps practices, or automating model training and deployment workflows.
Comprehensive healthcare AI toolkit for developing, testing, and deploying machine learning models with clinical data. This skill should be used when working with electronic health records (EHR), clinical prediction tasks (mortality, readmission, drug recommendation), medical coding systems (ICD, NDC, ATC), physiological signals (EEG, ECG), healthcare datasets (MIMIC-III/IV, eICU, OMOP), or implementing deep learning models for healthcare applications (RETAIN, SafeDrug, Transformer, GNN).
How to use it
Take microsoft/ai-agents-for-beginners-deploying-scalable-agents from the repository into ~/.claude/skills for personal
use, or into .claude/skills inside a project.
The agent identifies a skill by the name field in its header. Two skills with the
same name cannot sit side by side — one of them will be ignored.