Azure OpenAI 启动额度相关：部署名称、区域以及 .env 文件的规范管理

一名大四学生带着一个重要项目向 Microsoft 的 Startups 计划申请，获得了 1,000 美元的 Azure 积分。由于没有注册企业账户，无法使用更高层级的服务，但这些积分足以让他在不自行花钱的情况下学习和运行 RAG 智能体。免费的计算资源也让 Azure OpenAI 显得更加易用，而非仅限于企业使用。

如果一家机构已经在使用 Azure，那么 Azure OpenAI 通常是更直接的选择——而非复杂的迂回路径。

以下是一份实用的设置指南，其中还包括了常会让人浪费一整个下午时间的命名错误。

为何选择 Azure OpenAI，而非公共的 OpenAI API？

同样是 GPT 级别的模型，但运营模式不同：

• 合规性——在 Azure 租户内运行，并依托现有的认证标准（如 SOC 2、HIPAA 等）。

完美适配——无需复杂桥接即可直接连接 Azure AD、Key Vault 和 App Service。

统一成本追踪——将相关支出与其他 Azure 账单合并统计。

学生/初创企业优惠——提供充足空间供其进行实验。

对于以 Azure 为核心技术的企业而言，这是最自然的解决方案。

设置步骤

前提条件：Azure 订阅、Azure OpenAI 访问权限（审批并非即时完成）、Python 3.8 及以上版本、VS Code 或类似编辑器。

1. 创建资源。进入门户 → “Azure OpenAI” → 创建。选择订阅计划、资源组及区域。

请先查看各区域的模型可用性。并非所有模型都在所有地区提供；部署后发现不可用会浪费时间。

定价：标准 S0 级别（积分可用于按需付费）。

2. 在 Azure AI Foundry 中部署模型。进入“Deployments”→“Create”，选择基础模型（例如 gpt-4o），然后设定部署名称。

模型名称与部署名称是不同的概念。模型名称用于选择基础模型，而部署名称则是代码中需要调用的自定义标识。如果在客户端期望获取部署标识的位置传入 gpt-4o，就会导致令人困惑的 404 错误。

3. 密钥与端点。进入“Resource”→“Keys and Endpoint”。应将这些信息存储在 .env 文件中，切勿放在源代码里：

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

请立即将 .env 文件加入 .gitignore 列表中。

4. 安装 SDK

pip install openai python-dotenv azure-identity

5. 基础聊天功能实现

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. 后续自然步骤。在“hello-world”路径测试通过后，即可进行流式处理、函数调用、使用Azure AI Search的“自带数据”功能，以及通过App Service进行托管。

需注意的几点

• 区域不匹配 — 创建资源前需确认模型是否可用
• 模型与部署名称 — 代码中需要使用部署名称
• 硬编码的敏感信息 — 仅可使用.env文件，切勿提交到版本控制中
• API版本变动 — 需固定API版本，并在SDK更新时重新检查
• 积分消耗 — 在迭代RAG流程时需关注令牌使用情况；即使拥有“免费”积分，嵌入向量与聊天功能仍会消耗积分
• 访问权限审批延迟 — 应在项目初期就申请Azure OpenAI权限

有了额度和正确的部署名称后，Azure OpenAI 就不再像一个封闭的企业保险库，而变成了一个实用的 RAG 实验实验室，能够模拟许多公司当前的部署方式。

将首次成功完成的调用视为一个检查点，随即立即运行一个简小的 RAG 循环：将一份 PDF 上传到 Blob 或 Search 中，检索出三段内容，并要求答案引用这些内容。这样的流程比优化聊天机器人界面能更快地暴露出区域、命名和权限问题。请为资源组设置支出警报，以免探索性的嵌入操作在夜间悄无声息地耗尽额度。