Inicio / Artículos / Créditos de inicio de Azure OpenAI: nombres de despliegue, regiones y buenas prácticas para .env

azure-openairagstudentsstartupsdkpython

Créditos de inicio de Azure OpenAI: nombres de despliegue, regiones y buenas prácticas para .env

Los créditos Student Azure hacen que Azure OpenAI sea práctico para los laboratorios RAG: basta con elegir una región que disponga del modelo, indicar el nombre de la implementación y nunca guardar las claves.

677 palabras

Un estudiante de último año solicitó ayuda a Microsoft a través del programa Startups con un proyecto importante y recibió 1,000 dólares en créditos de Azure. Al no contar con una empresa registrada, los niveles más avanzados estaban fuera de su alcance, pero esos créditos fueron suficientes para aprender y utilizar agentes RAG sin tener que gastar dinero personal. Además, los recursos informáticos gratuitos hicieron que Azure OpenAI pareciera accesible en lugar de estar reservado únicamente para empresas.

Si una organización ya utiliza Azure, Azure OpenAI suele ser la opción obvia, y no un desvío complicado.

A continuación se presenta una guía práctica de configuración, que incluye el error común en la asignación de nombres que puede hacer perder toda una tarde.

¿Por qué Azure OpenAI y no solo las APIs públicas de OpenAI?

Mismos modelos de clase GPT, pero modelo operativo diferente:

  • Postura de cumplimiento — funcionan dentro del tenant de Azure bajo las certificaciones existentes (SOC 2, HIPAA y similares)
  • Adecuación nativa — Conexión con Azure AD, Key Vault y App Service sin soluciones intermedias complicadas
  • Seguimiento unificado de costos — Los gastos se integran con las demás facturas de Azure
  • Créditos para estudiantes y startups — Espacio real para experimentar

    • Para empleadores centrados en Azure, este es el camino natural.

    Configuración

    Requisitos previos: Suscripción a Azure, acceso a Azure OpenAI (la aprobación no es inmediata), Python 3.8+, VS Code o similar.

    1. Crear el recurso. Portal → “Azure OpenAI” → Crear. Elija la suscripción, el grupo de recursos y la región.

    Primero verifique la disponibilidad del modelo por región. No todos los modelos están disponibles en todas partes; descubrirlo después de desplegarlo desperdicia tiempo.

    Precios: Standard S0 (los créditos cubren el modelo de pago por uso).

    2. Despliegue un modelo en Azure AI Foundry. Despliegues → Crear → seleccione un modelo base (por ejemplo gpt-4o) → elija un nombre de despliegue.

    El nombre del modelo y el nombre de despliegue son diferentes. El nombre del modelo sirve para seleccionar el modelo base; el nombre de despliegue es la etiqueta personalizada a la que debe hacer referencia su código. Incluir gpt-4o donde el cliente espera la etiqueta de despliegue genera errores 404 confusos.

    3. Claves y punto de extremo. Recurso → Claves y Punto de extremo. Guárdelos en .env, nunca en el código fuente:

    AZURE_OPENAI_API_KEY=your-key-here
AZURE_OPENAI_ENDPOINT=https://your-resource-name.openai.azure.com/
AZURE_OPENAI_DEPLOYMENT_NAME=your-deployment-name-here
AZURE_OPENAI_API_VERSION=2024-10-21

    Agregue .env a .gitignore de inmediato.

    4. Instale los SDKs

    pip install openai python-dotenv azure-identity

    5. Completado básico de chat

    import os
from dotenv import load_dotenv
from openai import AzureOpenAI

    load_dotenv()client = AzureOpenAI(
    api_key=os.getenv("AZURE_OPENAI_API_KEY"),
    azure_endpoint=os.getenv("AZURE_OPENAI_ENDPOINT"),
    api_version=os.getenv("AZURE_OPENAI_API_VERSION"),
)response = client.chat.completions.create(
    model=os.getenv("AZURE_OPENAI_DEPLOYMENT_NAME"),  # deployment name, not model name
    messages=[
        {"role": "system", "content": "You are a helpful assistant."},
        {"role": "user", "content": "Explain RAG agents in simple terms."},
    ],
)print(response.choices[0].message.content)

    6. Próximos pasos naturales. Transmisión en streaming, llamadas a funciones, la opción “trae tus propios datos” de Azure AI Search y el alojamiento en App Service una vez que la ruta hello-world esté activa.

    Algunos aspectos a tener en cuenta

    • Diferencias entre regiones — verifica la disponibilidad del modelo antes de crear el recurso
    • Nombre del modelo vs nombre de despliegue — el código necesita conocer el nombre de despliegue
    • Secretos codificados directamente — únicamente .env; nunca los guardes en el repositorio
    • Desviación de la versión de la API — fija la versión y revísala cuando se actualicen los SDKs
    • Consumo de créditos — supervisa el uso de tokens mientras trabajas en bucles RAG; los embeddings y las conversaciones aumentan el consumo incluso con créditos “gratuitos”
    • Retraso en la aprobación de acceso — solicita Azure OpenAI temprano en el cronograma del proyecto

    Con créditos y un nombre de despliegue correcto, Azure OpenAI deja de parecerse a un bóveda empresarial cerrada y se convierte en un laboratorio práctico para experimentos RAG que reflejan la forma en que ya operan muchas empresas.

    Considere la primera llamada de finalización exitosa como un punto de control, y luego ejecute inmediatamente un pequeño ciclo RAG: suba un PDF a Blob o Search, obtenga tres fragmentos y exija que la respuesta los cite. Esa secuencia revela problemas de región, denominación y permisos más rápido que pulir la interfaz de un chatbot. Mantenga una alerta de gastos en el grupo de recursos para que las búsquedas exploratorias no agoten silenciosamente el saldo de créditos durante la noche.

    Lecturas relacionadas

    Todos los artículosEnviar el brief