Lokalisierter Leseleitfaden

deploy-modelZweck, Verwendung und Quelle

Einheitliche Azure OpenAI-Modellbereitstellungsfunktion mit intelligentem, absichtsbasiertem Routing. Unterstützt schnelle voreingestellte Bereitstellungen und vollständig benutzerdefinierte Bereitstellungen (version/SKU/capacity/RAIRichtlinien) und Kapazitätsermittlung über Regionen und Projekte hinweg. VERWENDUNG FÜR: Modell bereitstellen, GPT bereitstellen, Bereitstellung erstellen, Modellbereitstellung, OpenAI-Modell bereitstellen, Modell einrichten, Modell bereitstellen, Kapazität ermitteln, Modellverfügbarkeit prüfen, Bereitstellungsort ermitteln, beste Region für Modell ermitteln, Kapazitätsanalyse. NICHT VERWENDEN FÜR: Auflisten vorhandener Bereitstellungen (verwenden Sie das MCP-Tool foundry_models_deployments_list), Löschen von Bereitstellungen, Agentenerstellung (verwenden Sieagent/create), Projekterstellung (Nutzungproject/create).

Quelle abgerufen: 2026-10-29

Quell-Repository: microsoft/skills
SKILL.md: .github/plugins/azure-skills/skills/microsoft-foundry/models/deploy-model/SKILL.md
Repository-Sterne: 3,157
Repository zuletzt aktualisiert: 2026-10-31
Fähigkeitskategorien: Cloud-Dienste
Letzte Datenerfassung: 2026-10-31 10:38 UTC+08:00

Lizenz: Lizenzdatei: Prüfung ausstehend

Original SKILL.md

Die Workflow-Auszüge dienen als Lesehilfe und sind keine ausführbaren Anweisungen von Codez. Für die Erstellung dieser Seite wurde keine Drittanbieter-Skill verwendet.

Die folgenden Abschnitte zu Zweck und Arbeitsablauf sind vorgelagertes Material, das zur besseren Lesbarkeit aufbereitet und übersetzt wurde. Sie unterscheiden sich von der separat gekennzeichneten redaktionellen Analyse von Codez.

Was diese Fähigkeit bewirkt

Wie der vorgelagerte Workflow funktioniert

Bestätigungsschritt (erforderlich)

Vor der Bereitstellung immer das Ziel bestätigen. Dem Benutzer zeigen, was verwendet wird, und ihm die Möglichkeit geben, es zu ändern: Wenn der Benutzer die Option auswählt2, Top anzeigen5Projekte in dieser Region: > ⚠️ Stellen Sie niemals ein Projekt bereit, ohne dem Benutzer anzuzeigen, welches Projekt verwendet wird. Dies verhindert versehentliche Bereitstellungen für die falsche Ressource.

Aufwärtspassage · L87 ↗

Bereitstellungsmodell

> Anwendungsbereich – bitte zuerst lesen. Diese Funktion erstellt Modellbereitstellungen außerhalb des regulären Programmablaufs über die Azure CLI, das MCP oder das Portal. Für von azd verwaltete Foundry-Projekte (die aus folgenden Quellen stammen):azd ai agent init), Deployments deklarieren inazure.yaml services.ai-project.deployments[]stattdessen -azd ai agent initschreibt den Eintrag aus dem Beispielmanifest undazd provisionErstellt die Bereitstellung über Bicep. Siehefoundry-agent/create/create-hosted.mdFür den optimalen Bereitstellungspfad. Verwenden Sie diese Funktion nur für: (a) Foundry-Projekte, die nicht von einem azd-Projekt verwaltet werden, (b) Ad-hoc-Bereitstellungen außerhalb des azd-Lebenszyklus. Einheitlicher Einstiegspunkt für alle Azure OpenAI-Modellbereitstellungs-Workflows. Analysiert die Benutzerabsicht und leitet sie an den entsprechenden Bereitstellungsmodus weiter.

Aufwärtspassage · L10 ↗

Absichtserkennung

Analysiere die Benutzereingabeaufforderung und leite den Benutzer in den richtigen Modus weiter:

Aufwärtspassage · L24 ↗

Aufwärtspassage · ↗

Deploying to:
  Project:  <project-name>
  Region:   <region>
  Resource: <resource-group>

Is this correct? Or choose a different project:
  1. ✅ Yes, deploy here (default)
  2. 📋 Show me other projects in this region
  3. 🌍 Choose a different region

Anforderungen und Einrichtung

Voraussetzungen

Für alle Bereitstellungsmodi ist Folgendes erforderlich: Die Azure CLI ist installiert und authentifiziert (az login)

Aufwärtspassage · L135 ↗

Grenzwerte und Qualitätskontrollen

Aus dieser Datei wurde kein separater Grenzwertabschnitt ausgewählt. Dies bedeutet nicht, dass die Anwendung für jede Eingabe oder Umgebung geeignet ist. Überprüfen Sie den vollständigen Quellcode und validieren Sie Ihr Ergebnis selbst.

Beginnen Sie mit einem sicheren Testlauf

Prüfen Sie den unterstützten Host und die Installationsanweisungen für das Repository. Halten Sie das Skill-Verzeichnis und die darin enthaltenen Skripte, Assets und Dokumentationen zusammen;SKILL.mdEine Einzelperson kann Abhängigkeiten außer Acht lassen.
Geben Sie dem Agenten Ihre tatsächlichen Eingaben, die gewünschten Ausgaben und die Akzeptanzkriterien an. Aufrufsyntax und verfügbare Tools hängen vom Hostsystem ab; diese Website geht nicht von einem universellen Installationsbefehl aus.
Testen Sie den Quellworkflow in einem temporären Projekt oder auf einer Kopie. Überprüfen Sie Vorgänge, die Dateien, Remote-Dienste oder abrechnungsfähige Ressourcen ändern, bevor Sie diese zulassen.
Überprüfen Sie die Ausgabe anhand der Quellqualitätsprüfungen und Ihrer eigenen Anforderungen. Ein erfolgreicher Trigger oder eine hohe Anzahl von Sternen im Repository garantiert kein korrektes Ergebnis.

Spezifikation des Kompetenzformats und des Verzeichnisses ↗

Lesen Sie mehr dazu in der Quelle.

Übersetzung und Umfang

Dieser Leseleitfaden wählt Passagen aus dem markierten stromaufwärts gelegenen Abschnitt aus.SKILL.mdDie Übersetzung wurde unterstützt. Es handelt sich weder um ein vollständiges Handbuch noch um eine Garantie für geprüfte Kompatibilität. Lesen Sie vor der Verwendung das Original und die darin referenzierten Dateien.

Diese Einleitung bezieht sich auf die unten angepinnte Version; die aktuelle Repository-Aktivität und der Erfassungszeitpunkt werden separat angezeigt.

Angeheftete Quelle: Lesen Sie das Original ↗
Quelle abgerufen: 2026-10-29T09:32:23Z
Source-Commit: 00d66a64919edca5bca2c673373444e36a4b5461
Quelle SHA-256: ae0de869fdaee1a6b6b04582e723a2363d482d85a5c119f1963a2c36eff5667c

Zurück zum vollständigen Kompetenzkatalog