thedixitjain Déploiement d'agents évolutifs avec Microsoft Foundry
Compétence complémentaire pour Leçon 16 – Déploiement d'agents évolutifs. Utilisez-la pour aider un apprenant à faire passer un agent du prototype à un déploiement en production évolutif et observable. Appuyez chaque recommandation sur le contenu de la leçon et le cahier exécutable ; n'inventez pas d'API Foundry.
Déclencheurs
Activez cette compétence lorsqu'un apprenant souhaite :
- Déployer un agent sur Microsoft Foundry en tant qu'agent hébergé et le rendre versionné/observable.
- Choisir entre les modèles de déploiement client-hébergé, agent hébergé et agent-workflow.
- Ajouter le routage de modèle, le caching des réponses ou la concurrence limitée pour contrôler la latence et les coûts.
- Ajouter une porte d'évaluation afin qu'une mauvaise version d'agent ne puisse pas être mise en production.
- Ajouter une étape d'approbation humaine pour les actions à haut risque.
- Instrumenter un agent avec le traçage OpenTelemetry pour l'observabilité en production.
- Test de fumée d’un agent déployé comme une barrière rapide post-déploiement.
Modèle mental principal
Un agent en production est principalement le squelette opérationnel autour du modèle (~80%), pas le modèle lui-même. Associez chaque recommandation à l'une de ces préoccupations :
| Préoccupation | Prototype → Production |
|---|---|
| Hébergement | notebook → service hébergé versionné |
| Identité | votre az login → identité gérée + RBAC ciblé |
| État | en mémoire → stockage de thread/mémoire externalisé |
| Échec | trace de pile → réessais, solutions de secours, alertes |
| Coût | "quelques centimes" → suivi, routage, mise en cache, budgeté |
| Qualité | inspection visuelle → porte d'évaluation automatisée |
| Confiance | vous approuvez → politique + intervention humaine |
Modèles de déploiement (choisissez-en un, ou combinez-les)
- Client-hébergé — la boucle de raisonnement s'exécute dans votre processus. Contrôle maximal ; vous gérez la montée en charge/l'état.
- Agent hébergé (Foundry Agent Service) — Foundry héberge la boucle, stocke les threads, applique le RBAC/la sécurité du contenu, affiche l'agent dans le portail. Moins de contrôle, surface opérationnelle bien moindre.
- Agent workflow — plusieurs agents/outils composés en un graphe avec branches, nœuds d'approbation et points de contrôle durables.
Cycle de vie (la boucle qui livre un agent)
créer → versionner → évaluer (porte) → déployer hébergé → observer en ligne → collecter les échecs → répéter.
L’évaluation hors ligne est une porte, pas une réflexion après coup — une version ne sort pas
sauf si elle franchit le seuil. L'observabilité en ligne alimente les échecs réels
dans le jeu de tests hors ligne.
Leviers d’échelle et de coût (par ordre de priorité)
- Dimensionner correctement le modèle — utilisez le plus petit modèle qui passe la porte d’évaluation.
- Router par complexité — petit modèle rapide pour les requêtes simples, grand modèle pour le vrai raisonnement (classificateur DIY ou Foundry Model Router).
- Cache — servir les requêtes quasi-duplicates sans appeler le modèle.
- Conception sans état + concurrence limitée — externaliser l’état ; retrier avec délai progressif.
Modèles clés à reproduire
Orientez l'apprenant vers ceux-ci dans le notebook
16-python-agent-framework.ipynb :
- Gestionnaire de requêtes : cache → routage par complexité → trace de span → exécution → cache.
- Porte d’évaluation : scorer un jeu de tests hors ligne ; retourner
pass_rate >= thresholdet ne déployer que si vrai. - Approbation humaine :
@tool(approval_mode="always_require")pour des actions comme les gros remboursements. - Traçage : envelopper chaque requête dans
tracer.start_as_current_span(...)et définir des attributs commerouted.model,customer.id.
Test de fumée d’un agent déployé
Après déploiement, vérifiez que le point de terminaison répond bien (un déploiement réussi peut rester
silencieux). Utilisez l’action AI Smoke Test
via .github/workflows/smoke-test.yml
avec le catalogue dans tests/. Le runner POST chaque
prompt à POST {project_endpoint}/agents/{agent_name}/endpoint/protocols/openai/responses
et vérifie la réponse. L’identité doit avoir le rôle Azure AI User au
niveau du périmètre projet Foundry ; le jeton doit viser https://ai.azure.com/.
Superposez les portes : test de fumée (accessible/réactif, à chaque déploiement) → évaluation hors ligne (suffisamment bon pour être mis en production, avant promotion) → évaluation en ligne (performance réelle en continu).
Contrôles d’entreprise
- RBAC : donnez à chaque agent hébergé une identité gérée avec le minimum de privilèges.
- MCP en production : traitez chaque serveur MCP comme une frontière non fiable — versionnez, limitez son identité, validez les sorties, limitez le débit, ne jamais exposer de secrets.
Garde-fous pour l’assistant
- Préférez le modèle canonique
FoundryChatClient(...)+provider.as_agent(...)utilisé dans tout le cours. - Ne promettez pas de résultats Azure en direct non vérifiés ; recommandez le workflow de test de fumée pour confirmer un déploiement.
- Gardez les conseils d’évaluation et de coût liés : l’évaluation fixe le plancher de qualité, le routage/la mise en cache maintiennent les coûts proches de ce plancher.
Avertissement : Ce document a été traduit à l'aide du service de traduction automatique Co-op Translator. Bien que nous nous efforçions d'assurer l'exactitude, veuillez noter que les traductions automatisées peuvent contenir des erreurs ou des inexactitudes. Le document original dans sa langue native doit être considéré comme la source faisant autorité. Pour les informations critiques, il est recommandé de recourir à une traduction professionnelle réalisée par un humain. Nous ne saurions être tenus responsables des malentendus ou erreurs d'interprétation découlant de l'utilisation de cette traduction.
Source: microsoft/ai-agents-for-beginners → translations/fr/.agents/skills/deploying-scalable-agents/SKILL.md