Que sont les compétences hébergées Azure Functions ?

Les compétences hébergées par Azure Functions vous permettent d’ajouter le raisonnement IA à vos applications de fonctions. Dans un .agent.md fichier, vous fournissez des instructions en langage naturel, une configuration de déclencheur et des options de configurations d’outils. Lorsqu’un événement se déclenche, l’exécution appelle un modèle, exécute tous les outils demandés par le modèle, puis renvoie un résultat. Vous déployez l’application comme n’importe quelle autre application fonctionnelle.

Pour commencer, choisissez l’expérience qui correspond à votre objectif :

Pour consulter la documentation du runtime la plus récente et la plus complète, voir Azure Functions Agents Runtime.

Important

Azure Functions Hosted Skills est actuellement en aperçu. Les fonctionnalités, les noms de configuration et les connecteurs pris en charge peuvent changer avant la disponibilité générale.

Une compétence hébergée est une unité unique de travail alimentée par l’IA définie dans un .agent.md fichier. Chaque compétence hébergée est associée à une fonction Azure. Une compétence en elle seule fait référence à des conseils Markdown réutilisables stockés dans un SKILL.md fichier que les compétences hébergées peuvent charger à la demande.

Quand utiliser les compétences hébergées

Utilisez des compétences hébergées par Azure Functions lorsqu’un événement métier nécessite un raisonnement IA avant d’agir. Par exemple:

  • Trier les emails entrants. Un déclencheur de connecteur se déclenche lorsqu’une plainte arrive dans une boîte aux lettres partagée. La compétence hébergée lit le message, classe la sévérité et le dirige vers la bonne file de support.
  • Enrichir de nouveaux prospects CRM. Un déclencheur de connecteur se déclenche lorsqu’un lead est ajouté à Salesforce ou Dynamics 365. La compétence hébergée recherche sur le web le contexte du prospect et envoie un résumé au vendeur assigné.
  • Validez les modifications des données. Un blob ou un déclencheur de base de données se déclenche lorsqu’un enregistrement de revenus est mis à jour. La compétence hébergée vérifie si les revenus sont passés en dessous d’un seuil, génère une explication et lance un flux de travail de révision.
  • Servez un outil MCP spécifique à un domaine. Un agent externe ou un harnais d’agent appelle une compétence hébergée via HTTP ou MCP. La compétence hébergée applique la logique IA aux données stockées ou dans une base de données et renvoie une réponse structurée, agissant comme un outil intelligent spécifique à un domaine que d’autres clients IA peuvent utiliser.

Les compétences hébergées sont un bon choix lorsque vous avez besoin de déclencheurs événementiels, de raisonnement IA avec des outils, et des fonctionnalités opérationnelles d’Azure Functions (identité gérée, surveillance, mise à l’échelle à zéro et intégration réseau virtuel).

Pour des exemples combinant événements, raisonnement IA et systèmes métier, voir Scénarios d'utilisation des compétences hébergées Azure Functions.

Pourquoi utiliser Functions pour vos applications d’IA ?

Les charges de travail en IA de production nécessitent plus qu’un simple prompt et un modèle. Ils ont besoin de moyens fiables pour démarrer le travail, appeler des systèmes externes, conserver l’historique des conversations, exécuter du code non approuvé en toute sécurité, s’authentifier sans secrets, émettre des données de télémétrie et mettre à l’échelle à la demande.

Functions fournit un modèle de calcul piloté par les événements pour ces préoccupations opérationnelles. Les compétences hébergées par Azure Functions appliquent ce même modèle à votre code IA. Les avantages sont les suivants :

  • Chaque compétence hébergée est un fichier .agent.md . La configuration déclarative et les instructions en langage naturel coexistent. Chaque fichier correspond à une fonction Azure.
  • Les événements démarrent les compétences hébergées. Les déclencheurs de fonctions déclenchent des compétences hébergées à partir des plannings, requêtes HTTP, messages de file d’attente, modifications de blobs, événements Event Grid, messages Service Bus et autres événements pris en charge.
  • Les fonctionnalités sont configurées en premier, avec du code quand vous en avez besoin. Vous pouvez configurer des compétences hébergées pour utiliser des serveurs MCP distants, des serveurs MCP hébergés dans des espaces de noms de connecteurs, des compétences réutilisables et une exécution de code en sandbox. Écris tes propres outils basés sur Python pour la logique spécifique à chaque application.
  • L’hébergement Azure Functions est intégré. Les compétences hébergées d’Azure Functions prennent en charge les forfaits Flex Consumption, Premium et Dedicated (App Service). Flex Consumption offre une mise à l’échelle jusqu’à zéro, une facturation à la seconde et une mise à l’échelle automatique. Tous les plans prennent en charge l’identité gérée, l’intégration réseau virtuel et les analyses d’application.
  • La plomberie opérationnelle est prise en charge pour vous. L’environnement d’exécution gère la découverte des fonctionnalités hébergées, l’enregistrement des déclencheurs, l’assemblage des outils, l’historique des sessions et les points de terminaison intégrés en option.

Fonctionne avec d’autres plateformes d’IA Microsoft

Les compétences hébergées par Azure Functions sont complémentaires aux autres offres d’IA Microsoft et peuvent être utilisées en parallèle. Leur point idéal est de développer des capacités intelligentes hébergées dans le cloud et pilotées par des événements sur Azure Functions via un modèle de programmation accessible. Les compétences hébergées peuvent exposer des capacités via HTTP ou MCP pour être utilisées par d’autres applications, agents et harnais d’agents.

Choisissez la capacité Azure qui correspond le mieux à votre situation :

Scénario Option
Exposer des fonctions déterministes comme outils pour un autre client IA extension MCP pour Azure Functions
Orchestration de longue durée, en plusieurs étapes, avec des approbations humaines intégrées Fonctions durables
Créer et gérer des agents IA sans hébergement personnalisé Microsoft Foundry ou Copilot Studio

Définition du Project

Une application de compétences hébergée sur Azure Functions est un projet standard d’application de fonctions Python v2, déployé avec des fichiers de projets de compétences hébergés. Les fichiers de projet suivants sont toujours requis pour les applications de fonctions Python :

File Purpose
function_app.py Importe create_function_app() et retourne l’application Azure Functions configurée.
host.json Configure l’hôte Azure Functions.
requirements.txt Inclut le package d’exécution Skills hébergé et toutes les dépendances Python spécifiques à l’application.

Pour plus d’informations, consultez le guide de référence développeur Azure Functions pour les applications Python.

Important

Les compétences hébergées Azure Functions ne prennent en charge que les fonctions de streaming HTTP. Toute autre fonction HTTP dans la même application de compétences hébergée doit également utiliser le streaming. La combinaison des fonctions HTTP en streaming et non en streaming dans la même application n’est pas prise en charge. Pour plus d’informations, voir HTTP streams en Python.

Fichiers de projets de compétences hébergés

L’exécution découvre ces fichiers et dossiers, qui sont déployés avec le projet d’application :

Fichier ou dossier Purpose
*.agent.md Définit les compétences hébergées. L’en-tête YAML permet de configurer la compétence hébergée, et le corps du document Markdown constitue les instructions. Votre projet doit contenir au moins un .agent.md fichier.
agents.config.yaml (Optionnel) Définit les paramètres d’exécution par défaut à l’échelle de l’application, tels que le modèle, le délai d’expiration et les paramètres du bac à sable.
mcp.json Définit les serveurs HTTP MCP distants que les compétences hébergées peuvent utiliser comme outils, y compris des outils de connecteur pour des actions telles que l’envoi d’emails ou la collaboration avec Teams.
tools/ (Optionnel) Contient tous les outils Python personnalisés que vous créez pour fournir des fonctionnalités non déjà fournies par les serveurs MCP, les connexions, les compétences ou les exécutions en sandbox.
skills/ (Facultatif) Contient des éléments de prompt réutilisables SKILL.md que les compétences hébergées peuvent charger selon les besoins.

Chaque fichier .agent.md comprend un en-tête YAML suivi d’instructions Markdown. Cet exemple définit une compétence hébergée déclenchée par un minuteur qui s’exécute quotidiennement à 15h (UTC) :

---
name: Daily Tech News Email
description: Fetches top tech news and emails a summary daily.

trigger:
  type: timer_trigger
  args:
    schedule: "0 0 15 * * *"
---

You are a news assistant. When triggered, do the following:

1. Gather today's top technology news from reputable sources.
1. Summarize the stories in a concise HTML email body.
1. Email the summary to $TO_EMAIL with the subject "Daily Tech News Summary".

Le sujet initial indique comment la compétence hébergée est invoquée. Le corps en Markdown est le bloc d’instructions que l’environnement d’exécution transmet au modèle pendant l’exécution. La substitution de variable d’environnement permet aux instructions et aux valeurs de configuration de référencer les paramètres d’application tels que $TO_EMAIL.

Chaque .agent.md fichier définit une compétence hébergée. Le nom du fichier est utilisé pour déterminer le nom de la fonction Azure et le segment de route pour les points de terminaison intégrés. Le champ name est un nom affiché dans les journaux, les étiquettes et la documentation.

Pour la liste complète des champs de .agent.md fichiers, des options de configuration des applications et des règles de substitution de variables, consultez la référence des compétences hébergées sur Azure Functions.

Créer et tester avec le canevas de compétences hébergées

Dans le cadre de la version préliminaire des compétences hébergées, Azure Functions propose un canevas de compétences hébergées facultatif dans GitHub Copilot. Le canevas est une surface interactive où vous et GitHub Copilot pouvez créer une application de démarrage, choisir des contrôles d'événement de retardateur, HTTP ou de file d'attente, modifier les instructions de compétences, sélectionner un modèle compatible, lancer l’hôte Functions local, invoquer le déclencheur et inspecter l’activité et le résultat.

Depuis le canvas, vous pouvez ouvrir le projet généré dans Visual Studio Code ou utiliser l’action intégrée Déployer sur Azure. L’action de déploiement utilise la CLI Azure Developer (azd).

Le canvas guide et visualise le flux de développement, mais il ne remplace pas l’environnement d’exécution des compétences hébergées ni le format du projet. Une application créée via le canvas reste une application standard de fonctions Python v2 qui utilise les fichiers de projet de compétences hébergés. Vous pouvez continuer à modifier, lancer et déployer l’application en dehors du canvas.

Le guide de démarrage rapide du canevas se concentre sur la création, l’exécution et l’inspection d’une compétence hébergée locale déclenchée par un retardateur. Pour le workflow guidé, consultez Développer et tester une compétence hébergée avec le canevas des compétences hébergées par Azure Functions.

Processus de démarrage d’applications

Lorsque l’hôte Functions charge l’application, la méthode create_function_app découvre les .agent.md fichiers, les serveurs MCP, les compétences et les outils personnalisés du projet. Il valide la configuration, assemble les outils pour chaque compétence hébergée, et enregistre les déclencheurs et points de terminaison requis.

Lorsqu’un déclencheur s’active, l’environnement d’exécution construit la compétence hébergée avec les instructions, le modèle, les outils et l’historique de session résolus, puis l’exécute.

Déclencher des compétences hébergées à partir d’événements

L’exécution prend en charge plusieurs déclencheurs dans votre application, mais un seul déclencheur par .agent.md fichier. Une définition de déclencheur a un type objet et un args objet. type identifie la liaison de déclencheur, et args contient les paramètres spécifiques au déclencheur qui définissent quel événement démarre la compétence hébergée.

Les modèles de déclencheur courants sont les suivants :

Modèle Example
HTTP Recevez une demande, des outils d’appel et retournez une réponse structurée.
Calendrier Lancez un rapport quotidien, une synthèse, un nettoyage ou un processus de rapprochement.
File d’attente ou message Traitez les éléments de travail qui nécessitent un raisonnement du modèle ou des appels à des outils.
Événement de stockage ou de base de données Réagir aux fichiers, enregistrements ou événements modifiés.
Déclencheur de connecteur Réagir aux événements issus de connecteurs gérés, tels que les messages Teams, les courriels Outlook ou les événements de calendrier supportés par le connecteur.

Pour les détails de configuration des déclencheurs, les types pris en charge et args les références, consultez la référence des compétences hébergées sur Azure Functions.

Outils d’IA pris en charge

Les compétences hébergées d’Azure Functions prennent en charge plusieurs types d’outils. Commencez avec des capacités configurées, et utilisez des outils Python personnalisés pour la logique spécifique à l'application qui ne correspond pas à ces options.

Serveurs MCP distants

Définissez des serveurs HTTP distants ou HTTP MCP streamables dans mcp.json. Le runtime découvre ces serveurs et met leurs outils à disposition de toutes les compétences hébergées. Utilisez des serveurs MCP distants lorsque les compétences hébergées doivent appeler des outils hébergés par un autre service ou composer des capacités au-delà des limites d’applications.

connecteurs Azure

Les connecteurs permettent aux compétences hébergées de travailler avec des services externes sans code client API personnalisé. Un espace de noms de connecteur héberge des connexions, des déclencheurs et des serveurs MCP pour des services tels que Microsoft 365 Outlook, Teams, Salesforce, SAP ou SQL. Utilisez des déclencheurs de connecteurs pour lancer des compétences hébergées à partir d’événements externes, et des outils MCP de connecteurs pour appeler des actions de service à partir d’instructions de compétences hébergées.

Compétences

Stockez les éléments d’invite réutilisables sous le skills/ dossier. Chaque dossier de compétences contient un SKILL.md fichier avec un nom, une description et des instructions de markdown. Le runtime découvre automatiquement les compétences et les met à disposition des compétences hébergées. Les compétences aident à garder les instructions de base petites tout en rendant disponibles des conseils spécifiques au domaine lorsque nécessaire.

Exécution en bac à sable

L’environnement d’exécution peut utiliser les sessions dynamiques d’Azure Container Apps pour fournir aux compétences hébergées un outil execute_python. Cet outil exécute Python dans un pool de sessions isolé, ce qui est utile pour l’exécution du code et l’analyse de données. Configurez le point de terminaison du pool de session dans agents.config.yaml.

Outils de Python personnalisés

Utilisez des outils Python personnalisés pour les capacités spécifiques à chaque application. Ajoutez des fichiers .py au dossier tools/ et annotez les fonctions avec @tool du package d’exécution. Le runtime découvre et enregistre automatiquement ces outils.

Pour des détails de configuration, des tables de champs et des exemples de code pour chaque type d’outil, voir la référence des compétences hébergées Azure Functions.

Flux de travail dynamiques

Les workflows dynamiques permettent aux tâches d’IA prises en charge de lancer des processus pérennes en plusieurs étapes, composés d’appels à des outils compatibles avec les workflows, de tâches de sous-agent et de phases d’attente. Ils étendent le schéma d’appel d’outils programmatiques avec Durable Functions afin qu’une tâche puisse éparpiller le travail, exécuter des spécialistes isolés, attendre des minuteurs durables, survivre aux redémarrages des travailleurs et empêcher les gros résultats intermédiaires de participer à la conversation jusqu’à ce qu’un résumé final soit prêt.

Dans la surface expérimentale v1 actuelle, activez les flux de travail dans un fichier exécutable .agent.md indépendamment. Les tâches du workflow peuvent appeler des fonctions Python que vous avez explicitement décorées avec @workflow_tool ou des tâches spécialisées que vous autorisez via workflows.subagents. Pour plus d’informations, voir Workflows dynamiques dans Azure Functions Hosted Skills.

Sessions et état

Les interactions sur plusieurs tours nécessitent l’historique des sessions. Dans Azure, l’environnement d’exécution stocke l’historique des sessions dans Stockage Blob via le compte AzureWebJobsStorage de l’application de fonction. Pour le développement local, l’environnement d’exécution bascule sur un historique de session fondé sur des fichiers. L’exécution en bac à sable tient également compte de la session et utilise des sessions isolées pour des exécutions non liées.

Observability

À partir de azure-functions-agents-runtime la version 0.1.0b6, l’exécution inclut un ensemble de fonctionnalités d’observabilité encore en développement actif et sujet à modifications.

Pour les dernières configurations, champs de télémétrie et conseils d’utilisation, utilisez la documentation du dépôt d’exécution :

Pour la surveillance de la configuration, des requêtes KQL, de l’utilisation du jeton, de la latence et des vérifications des connecteurs, consultez Surveiller et dépanner les compétences hébergées.