Personalizar uma imagem base para a sessão de computação

Aviso

O Prompt flow no Microsoft Foundry e no Azure Machine Learning será descontinuado em 20 de abril de 2027. O fluxo rápido já não é recomendado para novos desenvolvimentos. Migre as aplicações e implementações existentes do Prompt flow para o Microsoft Agent Framework antes de 20 de abril de 2027.

As imagens de contentores de Prompt flow deixaram de receber atualizações, incluindo atualizações de segurança e de pacotes. Isto aplica-se às imagens de tempo de execução do Prompt flow, incluindo promptflow-runtime, promptflow-runtime-stable e promptflow-python.

Após 20 de abril de 2027, o Prompt flow, incluindo a experiência de autoria na Web no Microsoft Foundry e no Azure Machine Learning, as extensões do VS Code e as imagens de contentor relacionadas do Prompt flow, deixará de estar disponível e de ser suportado.

Se a sua aplicação depender de implementações do Prompt flow ou de imagens de execução, planeie migrar essas cargas de trabalho para alternativas suportadas, como Microsoft Agent Framework, antes da data de descontinuação. Para orientações sobre migração, consulte o guia de migração do Prompt flow e os exemplos de código de migração.

Antes de começares, certifica-te de que estás familiarizado com os ambientes Docker e Azure Machine Learning ambientes.

Passo 1: Preparar o contexto do Docker

Criar image_build pasta

No seu ambiente local, crie uma pasta que contenha os seguintes ficheiros. A estrutura de pastas deve ser assim:

|--image_build
|  |--requirements.txt
|  |--Dockerfile
|  |--environment.yaml

Defina os seus pacotes necessários em requirements.txt

Opcional: Adicionar pacotes no repositório privado PyPI.

Use o seguinte comando para descarregar os seus pacotes localmente: pip wheel <package_name> --index-url=<private pypi> --wheel-dir <local path to save packages>

Abre o requirements.txt ficheiro e adiciona os teus pacotes extra e as suas versões específicas. Por exemplo:

###### Requirements with Version Specifiers ######
numpy == 2.2.0              # Version Matching. Must be version 2.2.0
requests >= 2.31.0          # Minimum version 2.31.0
coverage != 3.5             # Version Exclusion. Anything except version 3.5
pydantic ~= 2.0             # Compatible release. Same as >= 2.0, == 2.*
<path_to_local_package>     # reference to local pip wheel package

Para mais informações sobre a estruturação do requirements.txt ficheiro, consulte o formato do ficheiro Requisitos na documentação do pip.

Defina o Dockerfile

Cria um Dockerfile e adiciona o seguinte conteúdo, depois guarda o ficheiro:

FROM <Base_image>
COPY ./* ./
RUN pip install -r requirements.txt

Nota

Constrói a imagem Docker a partir da imagem base do fluxo de prompts mcr.microsoft.com/azureml/promptflow/promptflow-runtime:<newest_version>. Se possível, use a versão mais recente da imagem base.

Passo 2: Criar um ambiente personalizado de Azure Machine Learning

Defina o seu ambiente em environment.yaml

No seu computador local, use a CLI (v2) para criar um ambiente personalizado baseado na sua imagem Docker.

Nota

az login # if not already authenticated

az account set --subscription <subscription ID>
az configure --defaults workspace=<Azure Machine Learning workspace name> group=<resource group>

Abra o environment.yaml ficheiro e adicione o conteúdo seguinte. Substitua o <environment_name> provisório pelo nome do ambiente desejado.

$schema: https://azuremlschemas.azureedge.net/latest/environment.schema.json
name: <environment_name>
build:
  path: .

Criar um ambiente

cd image_build
az ml environment create -f environment.yaml --subscription <sub-id> -g <resource-group> -w <workspace>

Nota

Construir a imagem do ambiente pode demorar vários minutos.

Vai à página da interface do teu espaço de trabalho, depois à página do ambiente e localiza o ambiente personalizado que criaste.

Também pode encontrar a imagem na página de detalhes do ambiente e usá-la como imagem base para a sessão de computação do fluxo de prompts. Esta imagem também é usada para construir o ambiente para a implementação de fluxos a partir da interface. Para saber mais, veja como especificar a imagem base na sessão de computação.

Para saber mais sobre a CLI de ambientes, consulte Gerir ambientes.

Próximos passos

  • Last updated on