[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"skill:01M699XMQ2P9BYS4TMZKFM1AXZ":3,"skill-same:01M699XMQ2P9BYS4TMZKFM1AXZ":48},{"skillNo":4,"name":5,"nameZh":6,"description":6,"descriptionZh":6,"repositoryFullName":7,"ownerLogin":8,"ownerAvatarUrl":9,"ownerAccountNo":10,"ownerDisplayName":11,"repositoryNo":12,"starsCount":13,"licenseSpdxId":14,"licenseFileUrl":6,"sourceHtmlUrl":15,"categories":16,"keywords":17,"publishedAt":19,"linkOnly":20,"markdownContent":21,"markdownBody":22,"frontMatter":23,"refName":24,"commitSha":25,"skillDirectory":26,"forksCount":27,"repositoryHtmlUrl":28,"repositoryHomepageUrl":29,"ownerHtmlUrl":30,"ownerBlogUrl":31,"ownerDescription":32,"updatedAt":33,"install":34,"resources":47},"01M699XMQ2P9BYS4TMZKFM1AXZ","deploying-scalable-agents",null,"microsoft\u002Fai-agents-for-beginners","microsoft","https:\u002F\u002Favatars.githubusercontent.com\u002Fu\u002F6154722?v=4","01M698VYDXZ6JW5WH3CRV650R8","Microsoft","01M6998ZK2275KMJE6Y5SEA2X2",79374,"MIT","https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Fai-agents-for-beginners\u002Fblob\u002Fmain\u002Ftranslations\u002Fth\u002F.agents\u002Fskills\u002Fdeploying-scalable-agents\u002FSKILL.md",[],[18],"deploying scalable agents","2026-11-10 10:12:30",false,"---\nname: deploying-scalable-agents\nlicense: MIT\n---\n# การปรับใช้เอเจนต์ที่ปรับขนาดได้ด้วย Microsoft Foundry\n\n> ทักษะเสริมสำหรับ [บทที่ 16 – การปรับใช้เอเจนต์ที่ปรับขนาดได้](..\u002F..\u002F..\u002F16-deploying-scalable-agents\u002FREADME.md)\n> ใช้เพื่อช่วยผู้เรียนในการย้ายเอเจนต์จากต้นแบบไปสู่การปรับใช้ในสเกลการผลิตที่สังเกตได้\n> อิงทุกคำแนะนำจากเนื้อหาบทเรียนและสมุดบันทึกที่ใช้งานได้; อย่าสร้าง API ของ Foundry ขึ้นเอง\n\n\n## ทริกเกอร์\n\nเปิดใช้ทักษะนี้เมื่อผู้เรียนต้องการ:\n- ปรับใช้เอเจนต์ไปยัง Microsoft Foundry ในฐานะ **เอเจนต์ที่โฮสต์** และทำให้เป็นเวอร์ชัน\u002Fสังเกตได้\n- เลือกระหว่างรูปแบบการปรับใช้ **โฮสต์ที่ไคลเอนต์, เอเจนต์ที่โฮสต์, และเวิร์กโฟลว์เอเจนต์**\n- เพิ่ม **การกำหนดเส้นทางโมเดล**, **การแคชชิ่งการตอบกลับ**, หรือ **การจำกัดความพร้อมใช้งานพร้อมกัน** เพื่อควบคุมความหน่วงและค่าใช้จ่าย\n- เพิ่ม **เกตประเมินผล** เพื่อป้องกันไม่ให้เวอร์ชันเอเจนต์ที่ไม่ดีถูกปรับใช้\n- เพิ่มขั้นตอน **การอนุมัติจากมนุษย์ในลูป** สำหรับการดำเนินการที่มีความเสี่ยงสูง\n- ติดตั้งเครื่องมือเอเจนต์ด้วย **OpenTelemetry** สำหรับการสังเกตการณ์ในสภาพแวดล้อมการผลิต\n- **ทดสอบอย่างรวดเร็ว (Smoke-test)** เอเจนต์ที่ปรับใช้เป็นเกตหลังการปรับใช้ที่รวดเร็ว\n\n## แบบจำลองจิตหลัก\n\nเอเจนต์ในสภาพแวดล้อมการผลิตส่วนใหญ่คือโครงสร้างปฏิบัติการ *รอบๆ* โมเดล (~80%)\nไม่ใช่โมเดลเอง แผนที่ทุกคำแนะนำไปยังข้อกังวลเหล่านี้:\n\n| ข้อกังวล | ต้นแบบ → การผลิต |\n|---------|------------------------|\n| โฮสติ้ง | สมุดบันทึก → บริการที่โฮสต์แบบมีเวอร์ชัน |\n| ตัวตน | `az login` ของคุณ → ตัวตนที่จัดการ + RBAC ช่วงสโคป |\n| สถานะ | ในหน่วยความจำ → ที่เก็บเธรด\u002Fหน่วยความจำภายนอก |\n| ความล้มเหลว | การเปลี่ยนแปลงย้อนกลับ → การลองใหม่, ทางเลือก, การแจ้งเตือน |\n| ค่าใช้จ่าย | \"ไม่กี่เซนต์\" → ติดตาม, กำหนดเส้นทาง, แคช, งบประมาณ |\n| คุณภาพ | การตรวจสอบด้วยตาเปล่า → เกตประเมินอัตโนมัติ |\n| ความน่าเชื่อถือ | คุณอนุมัติ → นโยบาย + การมีมนุษย์ในลูป |\n\n## รูปแบบการปรับใช้ (เลือกอย่างใดอย่างหนึ่ง หรือผสมผสาน)\n\n1. **โฮสต์ที่ไคลเอนต์** — ลูปเหตุผลทำงานในกระบวนการของคุณ ควบคุมสูงสุด; คุณเป็นเจ้าของการปรับขนาด\u002Fสถานะ\n2. **เอเจนต์ที่โฮสต์ (Foundry Agent Service)** — Foundry โฮสต์ลูป, เก็บเธรด, บังคับใช้ RBAC\u002Fความปลอดภัยเนื้อหา, แสดงเอเจนต์ในพอร์ทัล ควบคุมน้อยลง, พื้นที่ปฏิบัติการน้อยมาก\n3. **เวิร์กโฟลว์เอเจนต์** — เอเจนต์\u002Fเครื่องมือหลายตัวประกอบเป็นกราฟพร้อมการแตกแขนง, โหนดอนุมัติ, และจุดตรวจสอบที่ทนทาน\n\n## วงจรชีวิต (ลูปที่ส่งมอบเอเจนต์)\n\n`create → version → evaluate (gate) → deploy hosted → observe online → collect failures → repeat`.\n**การประเมินแบบออฟไลน์คือเกต ไม่ใช่การคิดย้อนหลัง** — เวอร์ชันจะไม่ถูกส่งกว่าถ้าไม่ผ่านเกณฑ์นี้ ข้อมูลการสังเกตแบบออนไลน์จะย้อนกลับความล้มเหลวจริงไปยังชุดทดสอบออฟไลน์\n\n\n\n## คันโยกการปรับขนาดและค่าใช้จ่าย (ตามลำดับความสำคัญ)\n\n1. **ปรับขนาดโมเดลให้เหมาะสม** — ใช้โมเดลที่เล็กที่สุดที่ผ่านเกตประเมินผล\n2. **กำหนดเส้นทางตามความซับซ้อน** — โมเดลขนาดเล็ก\u002Fเร็วสำหรับคำขอเรียบง่าย, โมเดลขนาดใหญ่สำหรับการเหตุผลจริง (ตัวจัดประเภท DIY หรือ Foundry Model Router)\n3. **แคช** — ให้บริการคำขอที่เหมือนกันเกือบทั้งหมดโดยไม่ต้องเรียกโมเดล\n4. **ออกแบบแบบไม่มีสถานะ + จำกัดความพร้อมใช้งานพร้อมกัน** — แยกสถานะออก; ลองใหม่ด้วยการหน่วงเวลา\n\n## รูปแบบหลักที่ต้องทำซ้ำ\n\nชี้ผู้เรียนไปที่เหล่านี้จากสมุดบันทึก\n[`16-python-agent-framework.ipynb`](..\u002F..\u002F..\u002F16-deploying-scalable-agents\u002Fcode_samples\u002F16-python-agent-framework.ipynb):\n\n- **ตัวจัดการคำขอ**: แคช → กำหนดเส้นทางตามความซับซ้อน → ติดตามช่วง → รัน → แคช\n- **เกตประเมินผล**: ให้คะแนนชุดทดสอบออฟไลน์; คืนค่า `pass_rate >= threshold` และปรับใช้เฉพาะเมื่อเป็นจริง\n- **การอนุมัติจากมนุษย์**: `@tool(approval_mode=\"always_require\")` สำหรับการกระทำเช่นการคืนเงินจำนวนมาก\n- **การติดตาม**: ห่อแต่ละคำขอด้วย `tracer.start_as_current_span(...)` และตั้งแอตทริบิวต์เช่น `routed.model`, `customer.id`\n\n## การทดสอบเบื้องต้นกับเอเยนต์ที่ถูกติดตั้ง\n\nหลังติดตั้ง ให้ตรวจสอบว่า endpoint ตอบสนองจริง (การ deploy สีเขียวยังอาจเป็น\nเงียบอยู่) ใช้การทำงาน [AI Smoke Test](https:\u002F\u002Fgithub.com\u002Fmarketplace\u002Factions\u002Fai-smoke-test)\nผ่าน [`.github\u002Fworkflows\u002Fsmoke-test.yml`](..\u002F..\u002F..\u002F..\u002F..\u002F.github\u002Fworkflows\u002Fsmoke-test.yml)\nกับแคตาล็อกใน [`tests\u002F`](..\u002F..\u002F..\u002Ftests\u002FREADME.md) ตัว runner จะส่ง POST แต่ละ\nprompt ไปที่ `POST {project_endpoint}\u002Fagents\u002F{agent_name}\u002Fendpoint\u002Fprotocols\u002Fopenai\u002Fresponses`\nและตรวจสอบข้อความตอบกลับ ตัวตนต้องมีบทบาท **Azure AI User** ในขอบเขต\nโครงการ Foundry; โทเค็นต้องมี audience เป็น `https:\u002F\u002Fai.azure.com\u002F`\n\nวางชั้นของเกท: **smoke test** (เข้าถึง\u002Fตอบสนองได้, ทุกการ deploy) → **offline\nevaluation** (กำหนดว่าพร้อมส่งหรือไม่, ก่อนเลื่อนระดับ) → **online evaluation** (ทำงาน\nอย่างไรในสถานการณ์จริง, ต่อเนื่อง)\n\n## การควบคุมสำหรับองค์กร\n\n- **RBAC**: ให้แต่ละเอเยนต์ที่โฮสต์มี managed identity กับสิทธิ์น้อยที่สุด\n- **MCP ในสภาพแวดล้อมการผลิต**: ถือว่าเซิร์ฟเวอร์ MCP ทุกเครื่องเป็นเขตแดนที่ไม่น่าเชื่อถือ — ติดเวอร์ชัน, กำหนดขอบเขตตัวตน, ตรวจสอบผลลัพธ์, จำกัดอัตรา, ห้ามเปิดเผยความลับ\n\n## แนวทางสำหรับผู้ช่วย\n\n- ควรใช้รูปแบบ `FoundryChatClient(...)` + `provider.as_agent(...)` ที่เป็นมาตรฐานที่ใช้ในหลักสูตร\n- อย่าสัญญาผลลัพธ์สดจาก Azure ที่คุณยังไม่ยืนยัน; แนะนำใช้ workflow smoke-test เพื่อยืนยันการติดตั้ง\n- รักษาการประเมินผลและคำแนะนำค่าใช้จ่ายให้สัมพันธ์กัน: การประเมินกำหนดคุณภาพขั้นต่ำ, การจัดเส้นทาง\u002Fแคชช่วยรักษาต้นทุนให้อยู่ใกล้ค่านั้น\n\n---\n\n\u003C!-- CO-OP TRANSLATOR DISCLAIMER START -->\n**ปฏิเสธความรับผิดชอบ**:\nเอกสารนี้ได้รับการแปลโดยใช้บริการแปลภาษา AI [Co-op Translator](https:\u002F\u002Fgithub.com\u002FAzure\u002Fco-op-translator) ขณะที่เราพยายามให้ความถูกต้อง โปรดทราบว่าการแปลโดยอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่ถูกต้อง เอกสารต้นฉบับในภาษาต้นทางควรถูกพิจารณาเป็นแหล่งข้อมูลที่เชื่อถือได้ สำหรับข้อมูลที่สำคัญ แนะนำให้ใช้การแปลโดยมนุษย์มืออาชีพ เราไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความที่ผิดพลาดที่เกิดขึ้นจากการใช้การแปลนี้\n\u003C!-- CO-OP TRANSLATOR DISCLAIMER END -->","# การปรับใช้เอเจนต์ที่ปรับขนาดได้ด้วย Microsoft Foundry\n\n> ทักษะเสริมสำหรับ [บทที่ 16 – การปรับใช้เอเจนต์ที่ปรับขนาดได้](..\u002F..\u002F..\u002F16-deploying-scalable-agents\u002FREADME.md)\n> ใช้เพื่อช่วยผู้เรียนในการย้ายเอเจนต์จากต้นแบบไปสู่การปรับใช้ในสเกลการผลิตที่สังเกตได้\n> อิงทุกคำแนะนำจากเนื้อหาบทเรียนและสมุดบันทึกที่ใช้งานได้; อย่าสร้าง API ของ Foundry ขึ้นเอง\n\n\n## ทริกเกอร์\n\nเปิดใช้ทักษะนี้เมื่อผู้เรียนต้องการ:\n- ปรับใช้เอเจนต์ไปยัง Microsoft Foundry ในฐานะ **เอเจนต์ที่โฮสต์** และทำให้เป็นเวอร์ชัน\u002Fสังเกตได้\n- เลือกระหว่างรูปแบบการปรับใช้ **โฮสต์ที่ไคลเอนต์, เอเจนต์ที่โฮสต์, และเวิร์กโฟลว์เอเจนต์**\n- เพิ่ม **การกำหนดเส้นทางโมเดล**, **การแคชชิ่งการตอบกลับ**, หรือ **การจำกัดความพร้อมใช้งานพร้อมกัน** เพื่อควบคุมความหน่วงและค่าใช้จ่าย\n- เพิ่ม **เกตประเมินผล** เพื่อป้องกันไม่ให้เวอร์ชันเอเจนต์ที่ไม่ดีถูกปรับใช้\n- เพิ่มขั้นตอน **การอนุมัติจากมนุษย์ในลูป** สำหรับการดำเนินการที่มีความเสี่ยงสูง\n- ติดตั้งเครื่องมือเอเจนต์ด้วย **OpenTelemetry** สำหรับการสังเกตการณ์ในสภาพแวดล้อมการผลิต\n- **ทดสอบอย่างรวดเร็ว (Smoke-test)** เอเจนต์ที่ปรับใช้เป็นเกตหลังการปรับใช้ที่รวดเร็ว\n\n## แบบจำลองจิตหลัก\n\nเอเจนต์ในสภาพแวดล้อมการผลิตส่วนใหญ่คือโครงสร้างปฏิบัติการ *รอบๆ* โมเดล (~80%)\nไม่ใช่โมเดลเอง แผนที่ทุกคำแนะนำไปยังข้อกังวลเหล่านี้:\n\n| ข้อกังวล | ต้นแบบ → การผลิต |\n|---------|------------------------|\n| โฮสติ้ง | สมุดบันทึก → บริการที่โฮสต์แบบมีเวอร์ชัน |\n| ตัวตน | `az login` ของคุณ → ตัวตนที่จัดการ + RBAC ช่วงสโคป |\n| สถานะ | ในหน่วยความจำ → ที่เก็บเธรด\u002Fหน่วยความจำภายนอก |\n| ความล้มเหลว | การเปลี่ยนแปลงย้อนกลับ → การลองใหม่, ทางเลือก, การแจ้งเตือน |\n| ค่าใช้จ่าย | \"ไม่กี่เซนต์\" → ติดตาม, กำหนดเส้นทาง, แคช, งบประมาณ |\n| คุณภาพ | การตรวจสอบด้วยตาเปล่า → เกตประเมินอัตโนมัติ |\n| ความน่าเชื่อถือ | คุณอนุมัติ → นโยบาย + การมีมนุษย์ในลูป |\n\n## รูปแบบการปรับใช้ (เลือกอย่างใดอย่างหนึ่ง หรือผสมผสาน)\n\n1. **โฮสต์ที่ไคลเอนต์** — ลูปเหตุผลทำงานในกระบวนการของคุณ ควบคุมสูงสุด; คุณเป็นเจ้าของการปรับขนาด\u002Fสถานะ\n2. **เอเจนต์ที่โฮสต์ (Foundry Agent Service)** — Foundry โฮสต์ลูป, เก็บเธรด, บังคับใช้ RBAC\u002Fความปลอดภัยเนื้อหา, แสดงเอเจนต์ในพอร์ทัล ควบคุมน้อยลง, พื้นที่ปฏิบัติการน้อยมาก\n3. **เวิร์กโฟลว์เอเจนต์** — เอเจนต์\u002Fเครื่องมือหลายตัวประกอบเป็นกราฟพร้อมการแตกแขนง, โหนดอนุมัติ, และจุดตรวจสอบที่ทนทาน\n\n## วงจรชีวิต (ลูปที่ส่งมอบเอเจนต์)\n\n`create → version → evaluate (gate) → deploy hosted → observe online → collect failures → repeat`.\n**การประเมินแบบออฟไลน์คือเกต ไม่ใช่การคิดย้อนหลัง** — เวอร์ชันจะไม่ถูกส่งกว่าถ้าไม่ผ่านเกณฑ์นี้ ข้อมูลการสังเกตแบบออนไลน์จะย้อนกลับความล้มเหลวจริงไปยังชุดทดสอบออฟไลน์\n\n\n\n## คันโยกการปรับขนาดและค่าใช้จ่าย (ตามลำดับความสำคัญ)\n\n1. **ปรับขนาดโมเดลให้เหมาะสม** — ใช้โมเดลที่เล็กที่สุดที่ผ่านเกตประเมินผล\n2. **กำหนดเส้นทางตามความซับซ้อน** — โมเดลขนาดเล็ก\u002Fเร็วสำหรับคำขอเรียบง่าย, โมเดลขนาดใหญ่สำหรับการเหตุผลจริง (ตัวจัดประเภท DIY หรือ Foundry Model Router)\n3. **แคช** — ให้บริการคำขอที่เหมือนกันเกือบทั้งหมดโดยไม่ต้องเรียกโมเดล\n4. **ออกแบบแบบไม่มีสถานะ + จำกัดความพร้อมใช้งานพร้อมกัน** — แยกสถานะออก; ลองใหม่ด้วยการหน่วงเวลา\n\n## รูปแบบหลักที่ต้องทำซ้ำ\n\nชี้ผู้เรียนไปที่เหล่านี้จากสมุดบันทึก\n[`16-python-agent-framework.ipynb`](..\u002F..\u002F..\u002F16-deploying-scalable-agents\u002Fcode_samples\u002F16-python-agent-framework.ipynb):\n\n- **ตัวจัดการคำขอ**: แคช → กำหนดเส้นทางตามความซับซ้อน → ติดตามช่วง → รัน → แคช\n- **เกตประเมินผล**: ให้คะแนนชุดทดสอบออฟไลน์; คืนค่า `pass_rate >= threshold` และปรับใช้เฉพาะเมื่อเป็นจริง\n- **การอนุมัติจากมนุษย์**: `@tool(approval_mode=\"always_require\")` สำหรับการกระทำเช่นการคืนเงินจำนวนมาก\n- **การติดตาม**: ห่อแต่ละคำขอด้วย `tracer.start_as_current_span(...)` และตั้งแอตทริบิวต์เช่น `routed.model`, `customer.id`\n\n## การทดสอบเบื้องต้นกับเอเยนต์ที่ถูกติดตั้ง\n\nหลังติดตั้ง ให้ตรวจสอบว่า endpoint ตอบสนองจริง (การ deploy สีเขียวยังอาจเป็น\nเงียบอยู่) ใช้การทำงาน [AI Smoke Test](https:\u002F\u002Fgithub.com\u002Fmarketplace\u002Factions\u002Fai-smoke-test)\nผ่าน [`.github\u002Fworkflows\u002Fsmoke-test.yml`](..\u002F..\u002F..\u002F..\u002F..\u002F.github\u002Fworkflows\u002Fsmoke-test.yml)\nกับแคตาล็อกใน [`tests\u002F`](..\u002F..\u002F..\u002Ftests\u002FREADME.md) ตัว runner จะส่ง POST แต่ละ\nprompt ไปที่ `POST {project_endpoint}\u002Fagents\u002F{agent_name}\u002Fendpoint\u002Fprotocols\u002Fopenai\u002Fresponses`\nและตรวจสอบข้อความตอบกลับ ตัวตนต้องมีบทบาท **Azure AI User** ในขอบเขต\nโครงการ Foundry; โทเค็นต้องมี audience เป็น `https:\u002F\u002Fai.azure.com\u002F`\n\nวางชั้นของเกท: **smoke test** (เข้าถึง\u002Fตอบสนองได้, ทุกการ deploy) → **offline\nevaluation** (กำหนดว่าพร้อมส่งหรือไม่, ก่อนเลื่อนระดับ) → **online evaluation** (ทำงาน\nอย่างไรในสถานการณ์จริง, ต่อเนื่อง)\n\n## การควบคุมสำหรับองค์กร\n\n- **RBAC**: ให้แต่ละเอเยนต์ที่โฮสต์มี managed identity กับสิทธิ์น้อยที่สุด\n- **MCP ในสภาพแวดล้อมการผลิต**: ถือว่าเซิร์ฟเวอร์ MCP ทุกเครื่องเป็นเขตแดนที่ไม่น่าเชื่อถือ — ติดเวอร์ชัน, กำหนดขอบเขตตัวตน, ตรวจสอบผลลัพธ์, จำกัดอัตรา, ห้ามเปิดเผยความลับ\n\n## แนวทางสำหรับผู้ช่วย\n\n- ควรใช้รูปแบบ `FoundryChatClient(...)` + `provider.as_agent(...)` ที่เป็นมาตรฐานที่ใช้ในหลักสูตร\n- อย่าสัญญาผลลัพธ์สดจาก Azure ที่คุณยังไม่ยืนยัน; แนะนำใช้ workflow smoke-test เพื่อยืนยันการติดตั้ง\n- รักษาการประเมินผลและคำแนะนำค่าใช้จ่ายให้สัมพันธ์กัน: การประเมินกำหนดคุณภาพขั้นต่ำ, การจัดเส้นทาง\u002Fแคชช่วยรักษาต้นทุนให้อยู่ใกล้ค่านั้น\n\n---\n\n\u003C!-- CO-OP TRANSLATOR DISCLAIMER START -->\n**ปฏิเสธความรับผิดชอบ**:\nเอกสารนี้ได้รับการแปลโดยใช้บริการแปลภาษา AI [Co-op Translator](https:\u002F\u002Fgithub.com\u002FAzure\u002Fco-op-translator) ขณะที่เราพยายามให้ความถูกต้อง โปรดทราบว่าการแปลโดยอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่ถูกต้อง เอกสารต้นฉบับในภาษาต้นทางควรถูกพิจารณาเป็นแหล่งข้อมูลที่เชื่อถือได้ สำหรับข้อมูลที่สำคัญ แนะนำให้ใช้การแปลโดยมนุษย์มืออาชีพ เราไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความที่ผิดพลาดที่เกิดขึ้นจากการใช้การแปลนี้\n\u003C!-- CO-OP TRANSLATOR DISCLAIMER END -->",{"name":5,"license":14},"main","f09e94ffe170f8af6d3db7c42987bbe4db227723","translations\u002Fth\u002F.agents\u002Fskills\u002Fdeploying-scalable-agents",25989,"https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Fai-agents-for-beginners","https:\u002F\u002Faka.ms\u002Fai-agents-beginners","https:\u002F\u002Fgithub.com\u002Fmicrosoft","https:\u002F\u002Fopensource.microsoft.com","Open source projects and samples from Microsoft","2026-11-07 12:51:12",{"source":7,"skillName":5,"commands":35,"prompt":45,"zipAvailable":46},[36,39,42],{"tool":37,"command":38},"npx","npx skills add microsoft\u002Fai-agents-for-beginners --skill deploying-scalable-agents",{"tool":40,"command":41},"bunx","bunx skills add microsoft\u002Fai-agents-for-beginners --skill deploying-scalable-agents",{"tool":43,"command":44},"pnpm","pnpm dlx skills add microsoft\u002Fai-agents-for-beginners --skill deploying-scalable-agents","安装技能，技能地址：https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Fai-agents-for-beginners\u002Fblob\u002Fmain\u002Ftranslations\u002Fth\u002F.agents\u002Fskills\u002Fdeploying-scalable-agents\u002FSKILL.md",true,[],[49,67,78,86,94,99],{"skillNo":50,"name":51,"nameZh":6,"description":6,"descriptionZh":6,"repositoryFullName":7,"ownerLogin":8,"ownerAvatarUrl":9,"ownerAccountNo":10,"ownerDisplayName":11,"repositoryNo":12,"starsCount":13,"licenseSpdxId":14,"licenseFileUrl":6,"sourceHtmlUrl":52,"categories":53,"keywords":64,"publishedAt":19},"01M69A206TRZ8KK0CW0HYJF5V5","testing-course-samples","https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Fai-agents-for-beginners\u002Fblob\u002Fmain\u002Ftranslations\u002Fzh-TW\u002F.agents\u002Fskills\u002Ftesting-course-samples\u002FSKILL.md",[54,59],{"categoryNo":55,"categoryName":56,"taxonomyType":57,"taxonomyTypeDesc":58},"01JBSEEDCAT000000000000008","测试与质量","SCENARIO","使用场景",{"categoryNo":60,"categoryName":61,"taxonomyType":62,"taxonomyTypeDesc":63},"01JBSEEDCAT000000000000039","教师与教育","PROFESSION","适用职业",[65,66],"testing","testing course samples",{"skillNo":68,"name":69,"nameZh":6,"description":6,"descriptionZh":6,"repositoryFullName":7,"ownerLogin":8,"ownerAvatarUrl":9,"ownerAccountNo":10,"ownerDisplayName":11,"repositoryNo":12,"starsCount":13,"licenseSpdxId":14,"licenseFileUrl":6,"sourceHtmlUrl":70,"categories":71,"keywords":75,"publishedAt":19},"01M69A1XRB2SFHYRMEH0K08EKZ","microsoft-docs","https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Fai-agents-for-beginners\u002Fblob\u002Fmain\u002Ftranslations\u002Fzh-TW\u002F.agents\u002Fskills\u002Fmicrosoft-docs\u002FSKILL.md",[72],{"categoryNo":73,"categoryName":74,"taxonomyType":57,"taxonomyTypeDesc":58},"01JBSEEDCAT000000000000023","Skill与智能体开发",[76,8,77],"docs","microsoft docs",{"skillNo":79,"name":80,"nameZh":6,"description":6,"descriptionZh":6,"repositoryFullName":7,"ownerLogin":8,"ownerAvatarUrl":9,"ownerAccountNo":10,"ownerDisplayName":11,"repositoryNo":12,"starsCount":13,"licenseSpdxId":14,"licenseFileUrl":6,"sourceHtmlUrl":81,"categories":82,"keywords":83,"publishedAt":19},"01M69A1VPZFJQ1HNGTZQ5P3WSC","local-ai-agents","https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Fai-agents-for-beginners\u002Fblob\u002Fmain\u002Ftranslations\u002Fzh-TW\u002F.agents\u002Fskills\u002Flocal-ai-agents\u002FSKILL.md",[],[84,85],"ai agents","local ai agents",{"skillNo":87,"name":88,"nameZh":6,"description":89,"descriptionZh":6,"repositoryFullName":7,"ownerLogin":8,"ownerAvatarUrl":9,"ownerAccountNo":10,"ownerDisplayName":11,"repositoryNo":12,"starsCount":13,"licenseSpdxId":14,"licenseFileUrl":6,"sourceHtmlUrl":90,"categories":91,"keywords":92,"publishedAt":19},"01M69A1S947N7MM6V9JF85S2E7","jupyter-notebook","當使用者要求建立、搭建或編輯 Jupyter 筆記本（`.ipynb`）用於實驗、探索或教學時使用；優先使用隨附範本並執行輔助腳本 `new_notebook.py` 來產生一個乾淨的起始筆記本。","https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Fai-agents-for-beginners\u002Fblob\u002Fmain\u002Ftranslations\u002Fzh-TW\u002F.agents\u002Fskills\u002Fjupyter-notebook\u002FSKILL.md",[],[93],"jupyter notebook",{"skillNo":95,"name":5,"nameZh":6,"description":6,"descriptionZh":6,"repositoryFullName":7,"ownerLogin":8,"ownerAvatarUrl":9,"ownerAccountNo":10,"ownerDisplayName":11,"repositoryNo":12,"starsCount":13,"licenseSpdxId":14,"licenseFileUrl":6,"sourceHtmlUrl":96,"categories":97,"keywords":98,"publishedAt":19},"01M69A1Q8EXPWKZSQK69V6WF22","https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Fai-agents-for-beginners\u002Fblob\u002Fmain\u002Ftranslations\u002Fzh-TW\u002F.agents\u002Fskills\u002Fdeploying-scalable-agents\u002FSKILL.md",[],[18],{"skillNo":100,"name":101,"nameZh":6,"description":6,"descriptionZh":6,"repositoryFullName":7,"ownerLogin":8,"ownerAvatarUrl":9,"ownerAccountNo":10,"ownerDisplayName":11,"repositoryNo":12,"starsCount":13,"licenseSpdxId":14,"licenseFileUrl":6,"sourceHtmlUrl":102,"categories":103,"keywords":104,"publishedAt":19},"01M69A1MHZTH3RH9N8VYSYG74X","azure-openai-to-responses","https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Fai-agents-for-beginners\u002Fblob\u002Fmain\u002Ftranslations\u002Fzh-TW\u002F.agents\u002Fskills\u002Fazure-openai-to-responses\u002FSKILL.md",[],[105],"azure openai to responses"]