Comprensione del contenuto di Azure

ContentUnderstandingContextProvideranalizza gli allegati di file con Azure Content Understanding e inserisce i risultati strutturati nel contesto dell'agente. Supporta documenti, immagini, audio e video, tra cui OCR, tabelle, campi strutturati, trascrizione, diarizzazione e riepiloghi di segmenti.

Questa integrazione usa il modello di pre-elaborazione: trasforma il contenuto in ingresso prima della chiamata al modello e può mantenere lo stato elaborato per turni successivi.

Per i documenti di grandi dimensioni, il provider può caricare il markdown estratto in un vector store per la ricerca nei file invece di inserire l'intero risultato nel contesto del modello.

Prerequisites

  • Una sottoscrizione di Azure.
  • Azure Content Understanding in una regione supportata.
  • Le distribuzioni dei modelli richieste per il servizio.
  • Accesso delle identità di Azure alla risorsa.

Installare il pacchetto

pip install agent-framework-azure-contentunderstanding --pre

Analizzare un documento

Collegare ContentUnderstandingContextProvider all'agente e inviare un allegato binario supportato. Il provider rimuove l'input binario dopo l'analisi e fornisce il contenuto estratto al modello.

async def main() -> None:
    credential = AzureCliCredential()

    # Set up Azure Content Understanding context provider
    cu = ContentUnderstandingContextProvider(
        endpoint=os.environ["AZURE_CONTENTUNDERSTANDING_ENDPOINT"],
        credential=credential,
        analyzer_id="prebuilt-documentSearch",  # RAG-optimized document analyzer
        max_wait=None,  # wait until CU analysis finishes (no background deferral)
    )

    # Set up the LLM client
    client = FoundryChatClient(
        project_endpoint=os.environ["FOUNDRY_PROJECT_ENDPOINT"],
        model=os.environ["FOUNDRY_MODEL"],
        credential=credential,
    )

    # Create agent with CU context provider.
    # The provider extracts document content via CU and injects it into the
    # LLM context so the agent can answer questions about the document.
    async with credential, cu:
        agent = Agent(
            client=client,
            name="DocumentQA",
            instructions=(
                "You are a helpful document analyst. Use the analyzed document "
                "content and extracted fields to answer questions precisely."
            ),
            context_providers=[cu],
        )

        # --- Turn 1: Upload PDF and ask a question ---
        # 4. Upload PDF and ask questions
        # The CU provider extracts markdown + fields from the PDF and injects
        # the full content into context so the agent can answer precisely.
        print("--- Upload PDF and ask questions ---")

        pdf_bytes = SAMPLE_PDF_PATH.read_bytes()

        response = await agent.run(
            Message(
                role="user",
                contents=[
                    Content.from_text(
                        "What is this document about? Who is the vendor, and what is the total amount due?"
                    ),
                    Content.from_data(
                        pdf_bytes,
                        "application/pdf",
                        # Always provide filename — used as the document key
                        additional_properties={"filename": SAMPLE_PDF_PATH.name},
                    ),
                ],
            )
        )
        usage = response.usage_details or {}
        print(f"Agent: {response}")
        print(f"  [Input tokens: {usage.get('input_token_count', 'N/A')}]\n")

Opzioni di elaborazione

  • Lasciare analyzer_id non impostato per consentire la selezione di un analizzatore di ricerca per documenti, audio o video in base al tipo di contenuto multimediale.
  • Impostare max_wait=None quando l'esecuzione deve attendere il completamento dell'analisi.
  • Usare FileSearchConfig per il recupero efficiente dei token su documenti estratti di grandi dimensioni.
  • Riutilizzare un oggetto AgentSession per mantenere lo stato del documento analizzato tra turni.

Passaggi successivi

Mistral

Approfondimento:

  • Last updated on