azure-ai-projects-ts

Официальный навык Microsoft azure-ai-projects-ts посвящён разработке AI-приложений на Azure AI Projects SDK для JavaScript с пакетом @azure/ai-projects. Он показывает работу с AIProjectClient, проектным endpoint и Azure Identity, а также с агентами, подключениями, deployment-моделями, dataset, search index и evaluation. В примере для окружения используются AZURE_AI_PROJECT_ENDPOINT и MODEL_DEPLOYMENT_NAME; для аутентификации описаны DefaultAzureCredential и ManagedIdentityCredential. Для локальной разработки предлагается DefaultAzureCredential, а для production — явная настройка AZURE_TOKEN_CREDENTIALS или конкретный credential-класс. Клиент создаётся через endpoint проекта и credential, после чего его operation groups дают отдельные поверхности: client.agents управляет AI-агентами, client.connections перечисляет ресурсы Azure, client.deployments показывает развернутые модели, client.datasets загружает и хранит наборы данных, client.indexes управляет индексами поиска, client.evaluators работает с evaluation metrics, а client.memoryStores — с памятью агента. Метод getOpenAIClient() возвращает OpenAI-совместимый клиент проекта. В исходных примерах он используется для responses и conversations: можно создать conversation, отправить response с model, а затем удалить conversation после завершения сценария. Агенты создаются версиями через createVersion с kind prompt, model и instructions. Для agent tools показаны code interpreter с auto container, file search с vector store, web search preview, Azure AI Search с project connection и index, function tool со строгой JSON-схемой параметров и MCP tool с server label, URL и режимом require_approval. Запуск агента строится через conversation и responses.create с agent reference, а после работы пример удаляет версию агента и conversation. Поверхность connections позволяет перечислять подключения, получать подключение по имени, запрашивать вариант с credentials и находить default connection по типу. Для deployments можно перечислить model deployments, отфильтровать их по modelPublisher и запросить конкретный deployment. Для datasets показаны uploadFile с версией и путём к JSONL, uploadFolder для каталога, get, listVersions и delete. Для indexes приведён тип AzureAISearchIndex с name, type, version, indexName и connectionName, а операции включают createOrUpdate, list и delete. Такую структуру удобно использовать в проектах, где агенту нужны ресурсы Foundry, выбор deployment, загрузка данных и поиск по индексу, но SDK не скрывает проектные зависимости: endpoint, credential, подключение и имена ресурсов должны существовать в Azure AI Project. В best practices исходника отдельно советуют использовать getOpenAIClient для responses, conversations, files и vector stores, версионировать агентов через createVersion для воспроизводимых определений, очищать созданные agents и conversations, получать credentials через project connections вместо hardcode и фильтровать deployments по modelPublisher. Навык полезен как минимальный TypeScript-ориентированный маршрут от установки и credentials до agent tools, datasets и indexes. Его ограничения тоже нужно учитывать: примеры показывают API-вызовы и жизненный цикл ресурсов, но не создают Azure-проект, не выбирают реальные модели за пользователя, не проверяют права доступа, сетевую конфигурацию или стоимость. Перед production-запуском нужно подтвердить endpoint, credential chain, разрешения на connections, deployment и datasets, а также решить, какие временные агенты, conversations, files и indexes должны быть удалены. Факты карточки ограничены API-поверхностью и примерами из официального SKILL.md; дополнительные возможности или совместимость нельзя выводить только из названия пакета. Практический сценарий — собрать типизированный клиент, создать версию агента с подтверждёнными tools, получить доступ к OpenAI responses через проект, использовать connection и deployment, загрузить dataset, создать search index, выполнить evaluation и затем явно закрыть временные ресурсы.