Azure OpenAI w ramach kredytów startowych: nazwy implementacji, regiony oraz higiena plików .env

Student ostatniego roku studiów złożył wniosek do Microsoftu w ramach programu Startups z dużym projektem i otrzymał 1000 dolarów w postaci kredytów Azure. Bez zarejestrowanej firmy wyższe poziomy nie były dostępne, ale te kredyty wystarczyły na naukę i uruchomienie agentów RAG bez konieczności osobistych wydatków. Darmowe zasoby obliczeniowe sprawiły również, że Azure OpenAI wydawał się bardziej dostępny, a nie przeznaczony wyłącznie dla dużych przedsiębiorstw.

Jeśli organizacja już korzysta z Azure, Azure OpenAI jest często oczywistym wyborem – a nie skomplikowaną objazdową drogą.

Poniżej znajduje się praktyczny przewodnik instalacyjny, w tym informacja o błędzie w nazewnictwie, który często marnuje popołudnie.

Dlaczego Azure OpenAI, a nie tylko publiczne API OpenAI?

To te same modele typu GPT, ale inny model działania:

• Postawa zgodności — działanie wewnątrz konta Azure przy użyciu istniejących certyfikatów (SOC 2, HIPAA i podobne)

Optymalne dopasowanie — Azure AD, Key Vault, App Service bez niepotrzebnych pośredników

Zjednoczony monitoring kosztów — łączenie wydatków z innymi rachunkami Azure

Kredyty dla studentów i startupów — prawdziwa możliwość eksperymentowania

Dla pracodawców skupionych na Azure jest to naturalny wybór.

Ustawianie

Wymagania wstępne: subskrypcja Azure, dostęp do Azure OpenAI (zatwierdzenie nie jest natychmiastowe), Python 3.8+, VS Code lub podobne narzędzie.

1. Stwórz zasób. Portal → „Azure OpenAI” → Utwórz. Wybierz subskrypcję, grupę zasobów i region.

Najpierw sprawdź dostępność modeli w danym regionie. Nie wszystkie modele są dostępne wszędzie; odkrycie tego po wdrożeniu marnuje czas.

Cena: Standard S0 (kredyty pokrywają model pay-as-you-go).

2. Wdroż model w Azure AI Foundry. Deployment → Create → wybierz model bazowy (na przykład gpt-4o) → wybierz nazwę wdrożenia.

Nazwa modelu i nazwa wdrożenia są różne. Nazwa modelu określa model bazowy; nazwa wdrożenia to specjalna etykieta, którą musi używać twój kod. Podanie gpt-4o tam, gdzie klient oczekuje etykiety wdrożenia, powoduje mylące błędy 404.

3. Klucze i endpoint. Resource → Keys and Endpoint. Przechowuj je w pliku .env, nigdy w kodzie źródłowym:

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

Niezwłocznie dodaj plik .env do pliku .gitignore.

4. Instalacja SDK-ów

pip install openai python-dotenv azure-identity

5. Podstawowe uzupełnianie w rozmowie

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. Naturalne kolejne kroki. Strumieniowanie danych, wywoływanie funkcji, opcja „bring your own data” w Azure AI Search oraz hostowanie w App Service po tym, jak ścieżka hello-world stanie się dostępna.

Kilka rzeczy, na które należy zwrócić uwagę

• Niezgodności regionów — upewnij się co do dostępności modelu przed utworzeniem zasobu
• Nazwa modelu a nazwa implementacji — kod wymaga nazwy implementacji
• Tajemnice zakodowane bezpośrednio w kodzie — tylko plik .env; nigdy nie komituj ich
• Zmiany w wersji API — ustal stałą wersję i sprawdzaj ją przy aktualizacjach SDK
• Wykorzystanie kredytów — obserwuj użycie tokenów podczas iteracji w pętlach RAG; embeddingi oraz czat znacząco obniżają ilość kredytów, nawet przy „bezpłatnych” pakietach
• Z opóźnieniem przyznawane uprawnienia dostępu — złoż żądanie o Azure OpenAI na wczesnym etapie realizacji projektu

Dzięki dostępowi do środków finansowych oraz prawidłowemu nazewnictwu implementacji, Azure OpenAI przestaje przypominać zamknięty skarbiec korporacyjny i staje się praktycznym laboratorium do eksperymentów z RAG, które odzwierciedlają sposób działania wielu firm.

Traktuj pierwszy udany wynik jako punkt kontrolny, a następnie natychmiast uruchom mały cykl RAG: przesuń jeden plik PDF do usługi blob lub Search, pobierz trzy fragmenty tekstu i wymagaj, aby odpowiedź je cytowała. Taka sekwencja szybciej ujawnia problemy z regionem, nazewnictwem i uprawnieniami niż dopracowywanie interfejsu chatbotu. Ustaw alert dotyczący wydatków w grupie zasobów, aby eksploracyjne operacje nie mogły potajemnie wyczerpać salda środków przez noc.