Кредити Azure OpenAI під час запуску: назви розгортань, регіони та належна організація файлу .env

Студент останнього курсу подав заявку до Microsoft через програму Startups із великим проектом та отримав 1 000 доларів у вигляді кредитів на Azure. Без зареєстрованої компанії вищі тарифні плани були недоступні, але цих кредитів вистачило для навчання та запуску агентів RAG без особистих витрат. Безкоштовні обчислювальні ресурси також зробили Azure OpenAI більш доступним, а не лише для корпорацій.

Якщо організація вже працює на Azure, Azure OpenAI часто є очевидним вибором — а не складним обхідним шляхом.

Далі наведено практичний посібник з налаштування, включаючи поширену помилку з найменуванням, яка часто марнує півдня.

Чому саме Azure OpenAI, а не лише публічні API OpenAI?

Ті самі моделі класу GPT, але різний механізм функціонування:

• Стандарти конформності — робота всередині тенанта Azure за наявності існуючих сертифікацій (SOC 2, HIPAA та подібних)

Ідеальна інтеграція — Azure AD, Key Vault, App Service без зайвих посередників

Об’єднаний моніторинг витрат — об’єднання витрат із іншими рахунками Azure

Кредити для студентів та стартапів — справжня можливість експериментувати

Для роботодавців, які орієнтуються на Azure, це природний шлях.

Налаштування

Попередні вимоги: підписка на Azure, доступ до Azure OpenAI (схвалення не є миттєвим), Python 3.8+, VS Code або подібне.

1. Створіть ресурс. Портал → “Azure OpenAI” → Створити. Виберіть підписку, групу ресурсів та регіон.

Спочатку перевірте наявність моделей у вашому регіоні. Не кожна модель доступна всюди; виявлення цього після розгортання марнує час.

Ціноутворення: Standard S0 (кредити покривають модель типу pay-as-you-go).

2. Розгорніть модель у Azure AI Foundry. Розгортання → Створити → виберіть базову модель (наприклад gpt-4o) → оберіть назву розгортання.

Назва моделі та назва розгортання відрізняються. Назва моделі визначає базову модель; назва розгортання — це індивідуальна мітка, яку має використовувати ваш код. Введення gpt-4o там, де клієнт очікує мітку розгортання, призводить до плутаних помилок 404.

3. Ключі та кінцева точка. Ресурс → Ключі та кінцева точка. Зберігайте їх у файлі .env, ніколи не в кодовому сорсі:

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

Негайно додайте .env до файлу .gitignore.

4. Встановіть SDK

pip install openai python-dotenv azure-identity

5. Базове завершення чату

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. Природні наступні кроки. Стрімінг, виклик функцій, можливість використання власних даних у Azure AI Search та хостинг у App Service після того, як шлях „hello-world“ стане активним.

Кілька моментів, на які варто звернути увагу

• Невідповідність регіонів — переконайтеся у наявності моделі перед створенням ресурсу
• Назва моделі та назва розгортання — код потребує назви розгортання
• Закодовані в коді секрети — лише .env; ніколи не комітуйте їх
• Зміна версії API — фіксуйте версію та перевіряйте її під час оновлень SDK
• Витрати кредитів — стежте за використанням токенів під час роботи з циклами RAG; ембеддинги та чат також збільшують витрати навіть за „безкоштовні“ кредити
• Затримка у схваленні доступу — подавайте заявку на Azure OpenAI на ранніх етапах проєкту

З належними кредитами та правильною назвою розгортання Azure OpenAI більше не здається захищеним корпоративним сховищем, а стає практичною лабораторією для експериментів з RAG, які відтворюють підхід багатьох компаній у їхніх продуктах.

Вважайте перший успішний виконаний запит контрольною точкою, а потім негайно виконайте невеликий цикл RAG: завантажте один PDF у blob або Search, отримайте три фрагменти та вимагайте, щоб відповідь посилалася на них. Ця послідовність дозволяє швидше виявити проблеми з регіоном, найменуванням та дозволами, ніж оптимізувати інтерфейс чат-бота. Увімкніть сповіщення про витрати у групі ресурсів, щоб експериментальні операції не могли таємно спустошити баланс кредитів протягом ночі.