Notatka
Dostęp do tej strony wymaga autoryzacji. Może spróbować zalogować się lub zmienić katalogi.
Dostęp do tej strony wymaga autoryzacji. Możesz spróbować zmienić katalogi.
W tym artykule pokazano, jak używać modeli wielomodalnych Azure OpenAI w celu generowania odpowiedzi na wiadomości użytkowników i przekazywania obrazów w aplikacji do czatu. Ten przykład aplikacji czatu zawiera także całą infrastrukturę i konfigurację wymaganą do przygotowania zasobów Azure OpenAI i wdrażania aplikacji do Azure Container Apps przy użyciu Azure Developer CLI.
Postępując zgodnie z instrukcjami w tym artykule, wykonasz następujące czynności:
- Wdróż aplikację czatu w kontenerze Azure, która używa tożsamości zarządzanej do uwierzytelniania.
- Wgraj obrazy do użycia w strumieniu czatu.
- Rozmowa z wielomodalnym dużym modelem języka (LLM) Azure OpenAI z wykorzystaniem interfejsu API Responses biblioteki OpenAI.
Po ukończeniu tego artykułu możesz rozpocząć modyfikowanie nowego projektu przy użyciu kodu niestandardowego.
Uwaga
W tym artykule użyto co najmniej jednego szablonu aplikacji sztucznej inteligencji jako podstawy przykładów i wskazówek w artykule. Szablony aplikacji sztucznej inteligencji zapewniają dobrze utrzymywane, łatwe w wdrażaniu implementacje referencyjne, które pomagają zapewnić wysokiej jakości punkt wyjścia dla aplikacji sztucznej inteligencji.
Omówienie architektury
Prosta architektura aplikacji do czatu jest pokazana na poniższym diagramie:
Aplikacja do czatu działa jako aplikacja kontenera Azure. Aplikacja używa tożsamości zarządzanej za pośrednictwem Microsoft Entra ID do uwierzytelniania z Azure OpenAI w środowisku produkcyjnym, zamiast klucza interfejsu API. Podczas rozwoju aplikacji obsługiwane są różne metody uwierzytelniania, w tym poświadczenia CLI dewelopera Azure i klucze API.
Architektura aplikacji opiera się na następujących usługach i składnikach:
- Azure OpenAI reprezentuje dostawcę sztucznej inteligencji, do którego wysyłamy zapytania użytkownika.
- Azure Container Apps to środowisko kontenera, w którym jest hostowana aplikacja.
- Zarządzana tożsamość pomaga nam zapewnić najlepsze w swojej klasie zabezpieczenia i eliminuje wymóg posiadania jako deweloper bezpiecznego zarządzania sekretem.
- Pliki Bicep na potrzeby wdrażania zasobów Azure, w tym Azure OpenAI, Azure Container Apps, Azure Container Registry, Azure Log Analytics i kontrola dostępu oparta na rolach (RBAC).
- Aplikacja Python Quart używająca pakietu
openaido generowania odpowiedzi na komunikaty użytkowników z przekazanymi plikami obrazów. - Podstawowy fronton HTML/JavaScript, który przesyła strumieniowo odpowiedzi z zaplecza przy użyciu JSON Lines przez ReadableStream.
Koszt
Aby utrzymać ceny jak najniższe w tym przykładzie, większość zasobów korzysta z podstawowego lub konsumpcyjnego poziomu cenowego. Zmień poziom abonamentu w zależności od planowanego wykorzystania. Aby zatrzymać naliczanie opłat, usuń zasoby po zakończeniu pracy z artykułem.
Dowiedz się więcej o koszcie w repozytorium przykładowym.
Wymagania wstępne
Środowisko kontenera deweloperskiego jest dostępne ze wszystkimi zależnościami wymaganymi do ukończenia tego artykułu. Kontener deweloperów można uruchomić w usłudze GitHub Codespaces (w przeglądarce) lub lokalnie przy użyciu Visual Studio Code.
Aby użyć tego artykułu, należy spełnić następujące wymagania wstępne:
Subskrypcja Azure — Utwórz ją bezpłatnie
uprawnienia konta Azure — Konto Azure musi mieć uprawnienia
Microsoft.Authorization/roleAssignments/write, takie jak Administrator dostępu użytkownika lub Owner.konto GitHub
Otwieranie środowiska projektowego
Skorzystaj z poniższych instrukcji, aby wdrożyć wstępnie skonfigurowane środowisko programistyczne zawierające wszystkie wymagane zależności, aby ukończyć ten artykuł.
GitHub Codespaces uruchamia kontener deweloperów zarządzany przez GitHub za pomocą Visual Studio Code dla sieci Web jako interfejsu użytkownika. W przypadku najprostszego środowiska programistycznego użyj GitHub Codespaces, aby mieć wstępnie zainstalowane odpowiednie narzędzia deweloperskie i zależności, aby ukończyć ten artykuł.
Ważne
Wszystkie konta GitHub mogą korzystać z usługi Codespaces przez maksymalnie 60 godzin bezpłatnych każdego miesiąca z dwoma podstawowymi wystąpieniami. Aby uzyskać więcej informacji, zobacz miesięczne wliczone w abonament godziny przechowywania i rdzeni GitHub Codespaces.
Wykonaj poniższe kroki, aby utworzyć nową GitHub Codespace w gałęzi main repozytorium Azure-Samples/openai-chat-vision-quickstart GitHub.
Kliknij prawym przyciskiem myszy poniższy przycisk i wybierz polecenie Otwórz link w nowym oknie. Ta akcja umożliwia zapoznanie się ze środowiskiem deweloperów i dokumentacją.
Na stronie Tworzenie przestrzeni kodu sprawdź, a następnie wybierz Utwórz nową przestrzeń kodu
Poczekaj na uruchomienie środowiska kodu. Ten proces uruchamiania może potrwać kilka minut.
Zaloguj się do Azure za pomocą Azure Developer CLI w terminalu w dolnej części ekranu.
azd auth loginSkopiuj kod z terminalu, a następnie wklej go w przeglądarce. Postępuj zgodnie z instrukcjami, aby uwierzytelnić się przy użyciu konta Azure.
Pozostałe zadania w tym artykule mają miejsce w kontekście tego kontenera deweloperskiego.
Wdrożenie i uruchomienie
Przykładowe repozytorium zawiera wszystkie pliki kodu i konfiguracji do wdrożenia aplikacji czatu na Azure. W poniższych krokach przedstawiono proces wdrażania przykładowej aplikacji czatu w Azure.
Wdrażanie aplikacji do czatu w Azure
Ważne
Aby utrzymać niskie koszty, w tym przykładzie używane są warstwy cenowe podstawowe lub zużycia dla większości zasobów. Dostosuj warstwę zgodnie z potrzebami i usuń zasoby po zakończeniu, aby uniknąć naliczania opłat.
Uruchom następujące polecenie interfejsu wiersza polecenia Azure dla deweloperów w celu aprowizacji zasobów Azure i wdrożenia kodu źródłowego:
azd upUżyj poniższej tabeli, aby odpowiedzieć na żądania:
Monit informujący Odpowiedź Nazwa środowiska Zachowaj to krótkie i pisane małymi literami. Dodaj swoją nazwę lub alias. Na przykład chat-vision. Jest ona używana jako część nazwy grupy zasobów.Subskrypcja Wybierz subskrypcję, w ramach której chcesz utworzyć zasoby. Lokalizacja (na potrzeby hostingu) Wybierz lokalizację w pobliżu z listy. Lokalizacja modelu Azure OpenAI Wybierz lokalizację w pobliżu z listy. Jeśli ta sama lokalizacja jest dostępna jako pierwsza lokalizacja, wybierz tę lokalizację. Poczekaj na wdrożenie aplikacji. Wdrożenie zwykle trwa od 5 do 10 minut.
Używanie aplikacji do czatu w celu zadawania pytań do modelu dużego języka
W terminalu zostanie wyświetlony adres URL po pomyślnym wdrożeniu aplikacji.
Wybierz ten adres URL oznaczony
Deploying service webetykietą, aby otworzyć aplikację czatu w przeglądarce.W przeglądarce przekaż obraz, klikając pozycję Wybierz plik i wybierając obraz.
Zadaj pytanie dotyczące przesłanego obrazu, takie jak "O czym jest ten obraz?".
Odpowiedź pochodzi z Azure OpenAI i zostanie wyświetlony wynik.
Eksplorowanie przykładowego kodu
W tym przykładzie użyto wielomodalnego modelu Azure OpenAI do generowania odpowiedzi na komunikaty użytkowników i przekazanych obrazów.
Base64 Kodowanie przekazanego obrazu w frontonie
Przekazany obraz musi być zakodowany w formacie Base64, aby mógł być używany bezpośrednio jako identyfikator URI danych w ramach komunikatu.
W przykładzie poniższy fragment kodu frontonu w scripttagu src/quartapp/templates/index.html pliku obsługuje te funkcje. Funkcja strzałkowa toBase64 używa metody readAsDataURLFileReader, aby asynchronicznie odczytać przesłany plik obrazu jako ciąg zakodowany w formacie base64.
const toBase64 = file => new Promise((resolve, reject) => {
const reader = new FileReader();
reader.readAsDataURL(file);
reader.onload = () => resolve(reader.result);
reader.onerror = reject;
});
Funkcja toBase64 jest wywoływana przez nasłuchiwacza podczas zdarzenia submit formularza.
Nasłuchiwacz submit zdarzeń obsługuje pełny przepływ interakcji z czatem. Gdy użytkownik prześle komunikat, wystąpi następujący przepływ:
- Pobiera przekazany plik obrazu (jeśli istnieje) i koduje jako Base64
- Tworzy i wyświetla komunikat użytkownika na czacie, w tym przekazany obraz
- Przygotowuje kontener komunikatów asystenta z wskaźnikiem "Wpisywanie..."
- Dodaje komunikat użytkownika do tablicy historii komunikatów w formacie interfejsu API odpowiedzi
-
fetchWysyła żądanie POST do punktu końcowego/chat/streamz historią i kontekstem komunikatu (w tym zakodowanym obrazem i nazwą pliku Base64) - Przetwarza strumieniową odpowiedź JSON-lines w celu przyrostowego wyświetlania każdej zmiany tekstu
- Obsługuje błędy podczas przesyłania strumieniowego
- Dodaje przycisk wyjścia dźwiękowego po otrzymaniu pełnej odpowiedzi, aby użytkownicy mogli odsłuchać odpowiedź.
- Czyści pole wejściowe i zwraca fokus dla następnego komunikatu
form.addEventListener("submit", async function(e) {
e.preventDefault();
// Hide the no-messages-heading when a message is added
document.getElementById("no-messages-heading").style.display = "none";
const file = document.getElementById("file").files[0];
const fileData = file ? await toBase64(file) : null;
const message = messageInput.value;
const userTemplateClone = userTemplate.content.cloneNode(true);
userTemplateClone.querySelector(".message-content").innerText = message;
if (file) {
const img = document.createElement("img");
img.src = fileData;
userTemplateClone.querySelector(".message-file").appendChild(img);
}
targetContainer.appendChild(userTemplateClone);
const assistantTemplateClone = assistantTemplate.content.cloneNode(true);
let messageDiv = assistantTemplateClone.querySelector(".message-content");
targetContainer.appendChild(assistantTemplateClone);
messages.push({
"role": "user",
"content": [{"type": "input_text", "text": message}]
});
try {
messageDiv.scrollIntoView();
const response = await fetch("/chat/stream", {
method: "POST",
headers: {"Content-Type": "application/json"},
body: JSON.stringify({
messages: messages,
context: {
file: fileData,
file_name: file ? file.name : null
}
})
});
if (!response.ok || !response.body) {
throw new Error(`Request failed (${response.status})`);
}
let answer = "";
for await (const chunk of readNDJSONStream(response.body)) {
if (chunk.type === "error" || chunk.type === "response.failed") {
messageDiv.innerHTML = "Error: " + (chunk.error || "Unknown error");
break;
}
if (chunk.type === "response.output_text.delta") {
// Clear out the DIV if its the first answer chunk we've received
if (answer == "") {
messageDiv.innerHTML = "";
}
answer += chunk.delta;
messageDiv.innerHTML = converter.makeHtml(answer);
messageDiv.scrollIntoView();
}
}
messages.push({
"role": "assistant",
"content": [{"type": "output_text", "text": answer}]
});
messageInput.value = "";
const speechOutput = document.createElement("speech-output-button");
speechOutput.setAttribute("text", answer);
messageDiv.appendChild(speechOutput);
messageInput.focus();
} catch (error) {
messageDiv.innerHTML = "Error: " + error;
}
});
Obsługa obrazu za pomocą zaplecza
W pliku src\quartapp\chat.py kod zaplecza do obsługi obrazów zaczyna się po skonfigurowaniu uwierzytelniania bezkluczowego.
Uwaga
Aby zapoznać się z wprowadzeniem do uwierzytelniania bez kluczy za pomocą Microsoft Entra ID, zobacz Rozpocznij pracę z Azure OpenAI i interfejsem API odpowiedzi.
Konfiguracja uwierzytelniania
Funkcja configure_openai() konfiguruje klienta OpenAI przed rozpoczęciem obsługi żądań przez aplikację. Używa dekoratora @bp.before_app_serving z Quart do konfigurowania uwierzytelniania na podstawie zmiennych środowiskowych. Ten elastyczny system umożliwia deweloperom pracę w różnych kontekstach bez konieczności zmieniania kodu.
Objaśnienie trybów uwierzytelniania
-
Programowanie lokalne (
OPENAI_HOST=local): łączy się z lokalną usługą interfejsu API zgodną z protokołem OpenAI (np. Ollama lub LocalAI) bez uwierzytelniania. Użyj tego trybu do testowania bez kosztów Internetu lub interfejsu API. -
Azure OpenAI z kluczem API (
AZURE_OPENAI_KEY_FOR_CHATVISIONzmienną środowiskową): Używa klucza API do uwierzytelniania. Unikaj tego trybu w środowisku produkcyjnym, ponieważ klucze interfejsu API wymagają ręcznego obrotu i stanowią zagrożenie bezpieczeństwa, jeśli zostaną ujawnione. Użyj go do testowania lokalnego wewnątrz kontenera Docker bez poświadczeń Azure CLI. -
Produkcja z wykorzystywaniem tożsamości zarządzanej (
RUNNING_IN_PRODUCTION=true): Korzysta z tożsamości zarządzanej kontenerowej aplikacji do uwierzytelniania w Azure OpenAI. Ta metoda jest zalecana w środowisku produkcyjnym, ponieważ eliminuje konieczność zarządzania tajnymi danymi. Azure Container Apps automatycznie zapewniają tożsamość zarządzaną i przyznają uprawnienia podczas wdrażania przez Bicep. - Development z Azure CLI (tryb domyślny): używa do uwierzytelniania w Azure OpenAI przy użyciu lokalnie zalogowanych poświadczeń Azure CLI. Ten tryb upraszcza programowanie lokalne bez zarządzania kluczami interfejsu API.
Kluczowe szczegóły implementacji
- Funkcja
get_bearer_token_provider()odświeża poświadczenia Azure i używa ich jako tokenów użytkownika. - Ścieżka punktu końcowego Azure OpenAI kończy się
/openai/v1/, ogólnie dostępnym punktem końcowym zgodnym z interfejsem OpenAI dla modeli Microsoft Foundry. - Funkcja jest asynchroniczna, ponieważ Quart jest asynchroniczną strukturą aplikacji internetowej. Framework Quart umożliwia asynchroniczne obsługiwanie żądań, dzięki czemu, gdy aplikacja oczekuje na opóźnione odpowiedzi API LLM, serwer może nadal obsługiwać inne żądania.
Oto kompletny kod konfiguracji uwierzytelniania z pliku chat.py:
@bp.before_app_serving
async def configure_openai():
bp.model_name = os.getenv("OPENAI_MODEL", "gpt-4o")
openai_host = os.getenv("OPENAI_HOST", "azure")
if openai_host == "local":
bp.openai_client = AsyncOpenAI(api_key="no-key-required", base_url=os.getenv("LOCAL_OPENAI_ENDPOINT"))
current_app.logger.info("Using local OpenAI-compatible API service with no key")
elif os.getenv("AZURE_OPENAI_KEY_FOR_CHATVISION"):
bp.openai_client = AsyncOpenAI(
base_url=os.environ["AZURE_OPENAI_ENDPOINT"].rstrip("/") + "/openai/v1",
api_key=os.getenv("AZURE_OPENAI_KEY_FOR_CHATVISION"),
)
current_app.logger.info("Using Azure OpenAI with key")
elif os.getenv("RUNNING_IN_PRODUCTION"):
client_id = os.environ["AZURE_CLIENT_ID"]
azure_credential = ManagedIdentityCredential(client_id=client_id)
token_provider = get_bearer_token_provider(azure_credential, "https://cognitiveservices.azure.com/.default")
bp.openai_client = AsyncOpenAI(
base_url=os.environ["AZURE_OPENAI_ENDPOINT"].rstrip("/") + "/openai/v1",
api_key=token_provider,
)
current_app.logger.info("Using Azure OpenAI with managed identity credential for client ID %s", client_id)
else:
tenant_id = os.environ["AZURE_TENANT_ID"]
azure_credential = AzureDeveloperCliCredential(tenant_id=tenant_id)
token_provider = get_bearer_token_provider(azure_credential, "https://cognitiveservices.azure.com/.default")
bp.openai_client = AsyncOpenAI(
base_url=os.environ["AZURE_OPENAI_ENDPOINT"].rstrip("/") + "/openai/v1",
api_key=token_provider,
)
current_app.logger.info("Using Azure OpenAI with az CLI credential for tenant ID: %s", tenant_id)
Funkcja obsługi czatów
Funkcja chat_handler() przetwarza żądania czatu wysyłane do punktu końcowego /chat/stream . Odbiera żądanie POST z ładunkiem JSON.
Ładunek JSON obejmuje:
-
wiadomości: lista historii konwersacji. Każdy komunikat ma
role("użytkownika" lub "asystenta") icontent(tablicę części zawartości przy użyciu formatu wejściowego interfejsu API odpowiedzi). -
context: Dodatkowe dane do przetwarzania, w tym:
-
plik: dane obrazu zakodowane w formacie Base64 (na przykład
data:image/png;base64,...). - file_name: oryginalna nazwa pliku przekazanego obrazu (przydatna do rejestrowania lub identyfikowania typu obrazu).
-
plik: dane obrazu zakodowane w formacie Base64 (na przykład
Program obsługi wyodrębnia historię komunikatów i dane obrazu. Jeśli obraz nie zostanie przekazany, wartość obrazu to null, a kod obsługuje ten przypadek.
@bp.post("/chat/stream")
async def chat_handler():
request_json = await request.get_json()
request_messages = request_json["messages"]
# Get the base64 encoded image from the request context
# This will be None if no image was uploaded
image = request_json["context"]["file"]
Kompilowanie tablicy wejściowej dla żądań przetwarzania obrazów
Funkcja response_stream() przygotowuje tablicę wejściową, która jest wysyłana do API odpowiedzi Azure OpenAI. Dekorator @stream_with_context przechowuje kontekst żądania podczas przesyłania strumieniowego odpowiedzi.
Logika przygotowywania danych wejściowych
-
Rozpocznij od historii konwersacji: funkcja zaczyna się od
all_input, która zawiera wszystkie poprzednie wiadomości, z wyjątkiem najnowszej (request_messages[0:-1]). Komunikaty są już w formacie odpowiedzi API z warstwy front-end. -
Obsługa bieżącego komunikatu użytkownika na podstawie obecności obrazu:
-
Obraz: dołącz
input_imageczęść zawartości do istniejącej tablicy zawartości użytkownika. - Bez obrazu: Dołącz komunikat użytkownika as-is.
-
Obraz: dołącz
@stream_with_context
async def response_stream():
# This sends all messages, so API request may exceed token limits
all_input = list(request_messages[0:-1])
# Add the current user message, appending image if provided
if image:
user_content = request_messages[-1]["content"] + [{"type": "input_image", "image_url": image}]
all_input.append({"role": "user", "content": user_content})
else:
all_input.append(request_messages[-1])
Następnie bp.openai_client.responses.create wywołuje API odpowiedzi Azure OpenAI i przesyła strumieniowo odpowiedź. Parametr store=False instruuje interfejs API, aby nie przechowywał odpowiedzi na serwerze, dzięki czemu wywołanie jest bezstanowe.
openai_stream = await bp.openai_client.responses.create(
model=bp.model_name,
input=all_input,
stream=True,
temperature=0.3,
store=False,
)
Na koniec odpowiedź jest przesyłana strumieniowo do klienta. Interfejs API odpowiedzi emituje wiele typów zdarzeń, ale tylko response.output_text.delta zdarzenie jest wymagane do przesyłania strumieniowego wygenerowanego tekstu. Zdarzenia błędów są rejestrowane i przekazywane do frontonu.
try:
async for event in openai_stream:
if event.type == "response.output_text.delta":
yield json.dumps({"type": event.type, "delta": event.delta}, ensure_ascii=False) + "\n"
elif event.type in ("response.failed", "error"):
current_app.logger.error("Responses API error: %s", event)
yield json.dumps({"type": event.type}, ensure_ascii=False) + "\n"
except Exception as e:
current_app.logger.exception("Error in response stream")
yield json.dumps({"error": str(e)}, ensure_ascii=False) + "\n"
return Response(response_stream())
Biblioteki i funkcje frontonu
Fronton używa nowoczesnych interfejsów API i bibliotek przeglądarki do tworzenia interaktywnego środowiska czatu. Deweloperzy mogą dostosowywać interfejs lub dodawać funkcje, rozumiejąc następujące składniki:
Wejście/wyjście mowy: niestandardowe składniki internetowe używają interfejsów API mowy przeglądarki:
<speech-input-button>: konwertuje mowę na tekst przy użyciu API Mowy InternetowejSpeechRecognition. Zapewnia przycisk mikrofonu, który nasłuchuje wejściowego sygnału głosowego i emituje zdarzeniespeech-input-resultz transkrybowanym tekstem.<speech-output-button>: odczytuje tekst na głos przy użyciu interfejsuSpeechSynthesisAPI. Pojawia się po każdej odpowiedzi asystenta z ikoną osoby mówiącej, co pozwala użytkownikom usłyszeć odpowiedź.
Dlaczego używać interfejsów API przeglądarki zamiast Azure Speech Services?
- Bez kosztów — działa w całości w przeglądarce
- Natychmiastowa odpowiedź — brak opóźnienia sieci
- Prywatność — dane głosowe pozostają na urządzeniu użytkownika
- Brak potrzeby dodatkowych zasobów Azure
Te składniki znajdują się w elementach
src/quartapp/static/speech-input.jsispeech-output.js.Podgląd obrazu: wyświetla przekazany obraz na czacie przed przesłaniem analizy w celu potwierdzenia. Podgląd jest aktualizowany automatycznie po wybraniu pliku.
fileInput.addEventListener("change", async function() { const file = fileInput.files[0]; if (file) { const fileData = await toBase64(file); imagePreview.src = fileData; imagePreview.style.display = "block"; } });Bootstrap 5 i Bootstrap Ikony: zapewnia dynamiczne składniki interfejsu użytkownika i ikony. Aplikacja używa motywu Cosmo z bootswatch do nowoczesnego wyglądu.
Renderowanie komunikatów oparte na szablonach: używa elementów HTML
<template>do układów komunikatów wielokrotnego użytku, zapewniając spójne style i strukturę.
Inne przykładowe zasoby do eksplorowania
Oprócz przykładowej aplikacji do czatu istnieją inne zasoby w repozytorium, które można eksplorować, aby dowiedzieć się więcej. Zapoznaj się z następującymi notesami w notebooks katalogu:
| Laptop | opis |
|---|---|
| chat_pdf_images.ipynb | W tym notesie pokazano, jak przekonwertować strony PDF na obrazy i wysłać je do modelu przetwarzania obrazów w celu wnioskowania. |
| chat_vision.ipynb | Ten notebook służy do ręcznego eksperymentowania z modelem wizji używanym w aplikacji. |
Zlokalizowana zawartość: hiszpańskie wersje notatników znajdują się w notebooks/Spanish/ katalogu, oferując takie same praktyczne możliwości nauki dla hiszpańskojęzycznych programistów. Zarówno angielski, jak i hiszpański notesy pokazują:
- Jak wywoływać modele przetwarzania obrazów bezpośrednio na potrzeby eksperymentowania
- Jak konwertować strony PDF na obrazy na potrzeby analizy
- Jak dostosować parametry i polecenia testowe
Czyszczenie zasobów
Czyszczenie zasobów Azure
Za zasoby Azure utworzone w tym artykule są naliczane opłaty za subskrypcję Azure. Jeśli nie spodziewasz się, że te zasoby będą potrzebne w przyszłości, usuń je, aby uniknąć naliczania dodatkowych opłat.
Aby usunąć zasoby Azure i usunąć kod źródłowy, uruchom następujące polecenie interfejsu wiersza polecenia dewelopera Azure:
azd down --purge
Wyczyść GitHub Codespaces
Usunięcie środowiska GitHub Codespaces gwarantuje, że możesz zmaksymalizować ilość bezpłatnych godzin na godziny, które otrzymasz dla twojego konta.
Ważne
Aby uzyskać więcej informacji na temat uprawnień konta GitHub, zobacz GitHub Codespaces miesięczne zawarte godziny zapasowe i rdzeniowe.
Zaloguj się do pulpitu nawigacyjnego GitHub Codespaces.
Znajdź aktualnie uruchomione usługi Codespaces pochodzące z repozytorium
Azure-Samples//openai-chat-vision-quickstartGitHub.Otwórz menu kontekstowe dla przestrzeni kodu i wybierz pozycję Usuń.
Uzyskaj pomoc
Zarejestruj problem w repozytorium Issues.