Foundry Tools 協助開發者與組織打造基於 AI 的先進且可上環境的應用程式，並透過現成、預建且可自訂的 API 與模型，與負責任的 AI 實踐相符。
本文介紹 Tools 提供的目標語言處理功能，包括自然語言處理、文字分析、語言理解、翻譯及文件資料擷取。 它包含以下服務：
Foundry Tools 中的 Azure 語言 是一項雲端服務，提供自然語言處理功能以理解和分析文本，包括命名實體識別（NER）、情感分析、語言偵測、摘要及問答。
Foundry Tools 中的 Azure 翻譯工具 是一項機器翻譯服務。 它提供 即時文字翻譯、批次及單檔 文件翻譯，以及可依需求融入專業術語或產業專用語言的 客製化翻譯 。 Azure 翻譯工具 支援多種語言。
Foundry Tools 中的 Azure 文件智慧 是一項直接將影像轉換成電子表單的服務。 你可以指定預期欄位，並在提供的圖片中搜尋這些欄位，無需人工介入即可擷取。 Azure 文件智慧承載了許多預建模型。 你也可以用它來建立自己的自訂模型。
Foundry Tools 中的 Azure 內容理解 是一項利用生成式 AI，透過自然語言描述從文件中提取符合結構定義的欄位的服務。 當你的文件類型沒有預設的 Azure 文件智慧模型、需要信心分數和自動化工作流程的基礎，或需要支援檢索增強生成（RAG）的 Markdown 輸出時，請使用 Azure Content Understanding。
Foundry Models 是一項提供 AI 模型的服務，你可以直接透過 API 來處理語言任務，如內容產生、摘要和翻譯。
Azure 語言服務
Azure Language 提供專門工具，透過標準化協定將代理程式與語言處理服務連結起來。
| 這些任務使用 Azure 語言 | 這些任務不要用 Azure 語言 |
|---|---|
| 透過網頁版的 Microsoft Foundry、REST API 及用戶端函式庫，打造智慧應用程式。 | 透過聊天搜尋文件。 建議改用 Azure AI 搜尋 。 |
| 使用結構化或非結構化文件來完成本文所描述的各種語言相關任務。 | 檢查文件內容安全。 改為使用 Foundry Control Plane 的內容安全。 |
| 翻譯文件。 翻譯時，請使用 Azure 翻譯工具。 |
可用的 Azure 語言工具
Azure 語言模型上下文協定（MCP）伺服器透過 MCP 直接將代理程式連接到 Azure 語言服務。 此整合讓開發者能打造具備可靠自然語言處理能力的對話式應用程式，同時確保企業級合規性、資料保護及 AI 工作流程中的處理準確性。 Azure 語言提供遠端與本地 MCP 伺服器選項：
- 遠端伺服器： 可以從工具目錄中取得，用於雲端部署。
- 本地伺服器： 適合偏好在自己環境中架設伺服器的開發者。
可用的 Azure 語言代理
下表列出了 Azure 語言中可用於對話式 AI 情境的代理程式。
| 代理程式 | 描述 |
|---|---|
| 意圖路由代理 | 透過理解使用者意圖並在對話式 AI 應用中提供準確回應，管理對話流程。 結合可預測的決策流程與受控的回應產生，確保互動一致且可靠。 |
| 精確問答代理 | 提供可靠且逐字回應重要的商業問題。 自動化常見問題，同時維持人工監督與品質控管，確保準確性與合規性。 |
Azure 語言的可用功能
下表列出了 Azure 語言中可用的功能。
| Feature | 描述 |
|---|---|
| 淨資產 | 識別文本中的不同條目，並將其分類為預先定義的類型，如人物、事件、地點和日期。 |
| 個人資料與健康資料偵測 | 識別與個人相關的文字與對話（包括聊天或逐字稿）中的實體。 偵測並遮蔽敏感資訊，如電話號碼、電子郵件地址及身分證明。 |
| 語言偵測 | 評估文本並偵測多種語言與方言。 |
| 情感分析與意見挖掘 | 透過分析文字中正面或負面情緒的跡象，並將其與內容的特定面向連結，幫助你理解公眾對品牌或主題的看法。 |
| 摘要 | 為文字和對話濃縮資訊。 支援擷取式摘要（選擇關鍵句子）、抽象摘要（產生簡潔新句子）、對話摘要（帶時間戳記會議摘要）及客服中心摘要。 |
| 關鍵片語擷取 | 評估非結構化文本中的主要概念並以清單形式回傳。 |
| 實體連結 | 使存在於非結構化文字中的實體標識明確化，例如詞語或片語，並提供指向維基百科的連結。 連結實體將於 2028 年 9 月 1 日退休。 我們建議您將現有工作負載遷移至 NER。 |
| 健康文本分析 | 從非結構化文本如醫師筆記、出院摘要、臨床文件及電子健康紀錄中擷取並標註相關醫療資訊。 在設計工作負載時，請評估此雲託管功能的處理位置和數據駐留，以確保它符合您的合規性預期。 部分工作負載可能面臨限制，限制其將醫療資料傳送至雲端平台的能力。 您可以將此 API 用作 Docker 容器，以託管在雲中或本地您自己的計算中。 此流程有助於解決與平台即服務（PaaS）使用相關的合規問題。 欲了解更多資訊，請參閱 健康容器使用文字分析。 |
| 自訂文字分類 | 構建自定義 AI 模型，將非結構化文本文檔分類為您定義的自定義類。 |
| 自訂 NER | 建立自訂 AI 模型，利用你提供的非結構文字，提取自訂實體類別，例如單字或片語的標籤。 |
| 對話語言理解 (CLU) | 建立客製化自然語言處理模型，預測使用者從每個輸入中的意圖並從中提取重要資訊。 |
| 協作流程 | 連結 CLU 與 問答 應用程式。 |
| 問答 | 根據使用者輸入，找出最合適的答案。 常用於建構對話式客戶端應用程式，如社群媒體應用、聊天機器人及支援語音的桌面應用程式。 |
選擇一個 Azure Language 功能
下表列出了 Azure 語言可能的使用情境。 如果某個功能可以自訂，你可以用 Microsoft 工具訓練 AI 模型，讓它符合你的特定資料。 否則，該功能是預配置的，這意味著其 AI 模型保持不變。 您提供您的資料並在您的應用程式中使用此功能的輸出。
| 使用案例 | 可自訂 |
|---|---|
| 預測使用者輸入的意圖，並從中提取資訊。 | 是的 |
| 識別並遮蔽敏感資訊，如個人資料。 | No |
| 找出該文本所用的語言。 | No |
| 從臨床或醫療文檔中提取醫療資訊，而無需構建模型。 | No |
| 利用基於您的資料訓練的模型，從臨床或醫療文件中提取醫療資訊。 | 是的 |
| 無需建立自訂模型即可提取資訊類別。 | No |
| 使用特定於您的數據的模型提取信息類別。 | 是的 |
| 提取主要主題和重要字詞。 | No |
| 匯總文檔。 | No |
| 透過情感分析對文字進行分類。 | 是的 |
| 透過自訂類別對文字進行分類。 | 是的 |
| 在推斷時將項目分類到提供的類別中。 | No |
| 將實體與知識庫文章連結。 | No |
| 理解通用的問題與答案。 | 是的 |
| 建立一個能夠對使用者輸入做出回應的對話式應用程式。 | No |
| 連接來自 CLU 和問答系統的應用程式。 | 是的 |
Azure 翻譯器
Azure 翻譯工具 是一項基於雲端的神經機器翻譯（NMT）服務。 Azure 翻譯工具 驅動許多 Microsoft 產品與服務，全球企業用於語言翻譯及其他語言相關任務。
| 使用 Azure 翻譯工具 完成這些任務 | 這些任務不要用 Azure 翻譯工具 來處理 |
|---|---|
| 精確地進行翻譯。 Azure 翻譯工具 比一般基礎語言模型更有效且更具成本效益，因為它具備針對性的翻譯模型。 | 參與聊天 |
| 分析內容的情感。 情感分析則使用 Azure Language。 | |
| 審核內容。 內容審核請使用內容安全。 |
功能與開發選項
下表列出 Azure 翻譯工具 可提供的功能。
| Feature | 描述 |
|---|---|
| 文字翻譯（預覽） | 使用 2025-10-01 預覽版本，選擇標準 NMT 或語言模型部署（GPT-4o-mini 或 GPT-4o）來翻譯文字。 你需要 Foundry 資源才能使用語言模型部署。 |
| 文字翻譯 v3（通用版） | 即時翻譯支援的來源與目標語言之間的文字。 建立動態字典，並學習如何使用 Azure 翻譯工具 API 來防止翻譯。 |
| 非同步文件轉換 | 在保留原始文件結構與格式的同時，翻譯批次及複雜檔案。 批量翻譯過程需要一個 Azure Blob 儲存帳戶，該帳戶具有用於源文檔和已翻譯文檔的容器。 |
| 同步文件翻譯 | 可單獨翻譯單一文件檔案，或搭配詞彙表檔案，同時保留原始文件的結構與格式。 文件轉換過程不需要 Blob 儲存帳戶。 最終回應包含已翻譯的文件，並會直接傳回給呼叫用戶端。 |
| 自訂翻譯工具 | 建立客製化模型，以翻譯特定領域及產業的語言、術語與風格。 為客製化翻譯製作詞典 。 |
小提示
透過無程式碼介面，使用 Foundry 進行文字與同步文件翻譯任務。
使用案例
下表列出了 Azure 翻譯工具 可能的使用情境。
| 使用案例 | 文件說明 |
|---|---|
| 翻譯行業特定文字。 | 自訂翻譯工具 |
| 翻譯非特定行業的通用文字。 | 文字翻譯 |
Azure 文件智慧服務
使用 Azure 文件智慧 自動化應用程式與工作流程的文件處理，強化數據驅動策略，並豐富文件搜尋功能。
| 這些任務請使用 Azure 文件智慧 | 這些任務不要使用 Azure 文件智慧 |
|---|---|
| 從已知有預設模型的文件類型中擷取特定欄位，例如發票、收據、W-2表或身分證文件。 | 從沒有預設模型且需要靈活、結構定義擷取的自訂文件類型中擷取欄位。 建議改用 Azure Content Understanding 。 |
| 當你需要確定性、低變異性擷取時，處理大量結構化或半結構化文件。 | 建立需要 Markdown 格式輸出、包含內嵌圖形、區段階層及區塊準備結構的 RAG 管線。 建議改用 Azure Content Understanding 。 |
| 使用標記資料集來訓練適合您的業務特定文件類型的客製化神經模型或範本模型。 | 要求每個擷取欄位的信心分數與依據，以推動人工參與的審查工作流程。 建議改用 Azure Content Understanding 。 |
| 在各種文件集合中識別關鍵結構，如頁眉、頁尾和章節分隔，以便進一步程式化地與文件互動。 |
文件分析模型
文件分析模型從表單和文件中擷取文字，並回傳結構化且商業準備的內容。
| 型號 | 描述 |
|---|---|
| 讀取 | 從文件中擷取印刷及手寫文字。 用於文件數位化、合規與稽核工作，以及處理手寫筆記。 |
| 佈局 | 擷取文字、表格和文件結構。 用於文件索引與結構檢索，以及財務與醫療報告分析。 |
文件化預建模型
預建模型能為你的應用程式和流程提供智慧文件處理，無需自行訓練和建立模型。
| 型號 | 描述 |
|---|---|
| 發票 | 從發票中提取客戶與供應商資料。 用於應付帳款處理及自動化稅務記錄與報告。 |
| 收據 | 從收據中提取銷售交易細節。 用於費用管理、消費者行為數據分析及商品退貨處理。 |
| 身分識別 | 從護照、身分證和駕照中提取關鍵資訊。 用於客戶身份確認（KYC）合規、醫療帳戶管理及身份確認點。 |
| 健康保險卡 | 從美國健康保險卡中提取關鍵資訊，如保險公司、會員及團體號碼。 用於保障與資格驗證及價值分析。 |
| 合約 | 從各種格式的合約中擷取協議及當事人細節，包括掃描文件和數位 PDF。 |
| 信用卡 | 從信用卡和金融卡中擷取關鍵欄位，例如卡號、發卡銀行和有效期限。 |
| 銀行對帳單 | 從銀行對帳單中提取帳戶資訊和交易細節。 用於報稅處理、會計管理及貸款文件處理。 |
| 銀行支票 | 從檢查中提取相關資訊。 用於信用管理及自動化貸款機構管理。 |
| 薪資單 | 提取薪資單明細。 用於員工薪資細節驗證及詐欺偵測。 |
| 結婚證書 | 從美國結婚證書中提取經認證的婚姻資訊。 |
| 美國房貸文件 | 從1003、1004、1005及1008表格以及結算揭露中提取貸款申請細節。 用於房利美與房地美的文件需求。 |
| 美國稅務文件 | 從W-2、1098、1099及1040報稅表變更中擷取資訊。 用於自動化稅務文件管理及房貸申請處理。 |
自訂模型
利用你標註的資料集訓練自訂模型，從表單和文件中擷取特定使用情境所需的不同資料。
| 型號 | 描述 |
|---|---|
| 自訂類神經 | 從混合類型文件中擷取資料，包括結構化文件如問卷調查、半結構文件如發票和採購單，以及非結構化文件如合約和信函。 |
| 自訂範本 | 從結構化與半結構化文件中提取標註值與欄位，這些文件具有定義的視覺範本或常見視覺版面。 |
| 自訂組成 | 結合一系列自訂模型來分析類似的表單類型，例如採購訂單。 |
| 自訂分類器 | 在呼叫擷取模型前，先確定指定的文件類型或類別。 用於包含申請表、薪資單及銀行對帳單的貸款申請包。 |
附加元件功能
Azure 文件智慧支援以下可選功能，可依文件擷取情境開啟或關閉：
- 高解析度擷取
- 公式擷取
- 字型屬性擷取
- 條碼屬性擷取
- 可搜尋 PDF
- 查詢欄位
- 鍵值對
欲了解更多模型情境資訊，請參閱 「選擇 Azure 文件智慧模型」。
Azure Content Understanding
Azure Content Understanding 利用生成式 AI，根據你用自然語言定義的結構，從文件中提取結構化欄位。 與 Azure Document Intelligence 依賴預先訓練或客製化訓練的機器學習模型並與特定文件版面緊密結合不同，Azure Content Understanding 使用生成模型來分析和理解文件內容，並生成符合結構的 JSON 或適合 RAG 的 Markdown 格式輸出。 它也提供每個欄位的置信度評分和基礎信息。 利用這些功能自動化工作流程，並針對性地進行人工審查。
| 為這些任務使用 Azure Content Understanding | 這些任務不要用 Azure Content Understanding。 |
|---|---|
| 使用自然語言撰寫的結構定義，從沒有 Azure 文件智慧預建模型的文件類型中擷取欄位。 | 從已有 Azure 文件智慧預建模型的標準文件類型中擷取欄位。 Azure 文件智慧 在這些情境下更具成本效益且具確定性。 |
| 建立需要 Markdown 輸出的 RAG 管線，並保留版面、標題、表格、圖表及向量索引的註解。 | 當你需要減少語言模型變異性與成本時，處理大量簡單且結構化的文件。 建議改用 Azure 文件智慧 。 |
| 推動需要每個欄位信心分數及根據的自動化工作流程，將低信心記錄送交人工審查。 | 做一些通用語言任務，比如摘要或情感分析。 建議用 Azure 語言 或 Models 。 |
| 在將文件類型導向混合文件管線中適當的分析器之前，先分類文件類型。 |
Azure 文件可使用內容理解功能
下表列出 Azure Content Understanding 中可用的文件功能。
| Feature | 描述 |
|---|---|
| 內容提取 | 將非結構化文件轉換為結構化、機器可讀的資料。 擷取印刷及手寫文字、選取標記、條碼、數學公式、影像元素、超連結及註解。 保留文件結構，包括段落、表格、階層段落及圖表元素。 |
| 欄位擷取 | 根據你定義的架構，從文件中擷取結構化的鍵值對。 可直接從來源擷取欄位、從預設類別中分類，或使用生成模型生成欄位。 當你選擇加入時，Analyze API 會回傳每個擷取的欄位值，並附上信心分數和來源基礎，讓你能自動化後續工作流程，例如將低信心欄位交由人工審核。 |
| 預建文件分析器 | 適用於常見企業情境的現成分析器，包括合約生命週期管理、貸款與房貸應用、財務報告、費用管理及知識庫情境。 |
| RAG 輸出 | 產生 Markdown 格式的輸出，保留文件結構以便於向量儲存和搜尋索引使用。 支援圖解描述、版面分析及註解偵測，讓檢索工作流程能存取標準分區會忽略的內容。 |
使用案例
下表列出了 Azure Content Understanding 在文件上的可能使用案例。
| 使用案例 | 描述 |
|---|---|
| 合約生命週期管理 | 從各種合約類型中擷取關鍵欄位、條款與義務，無需訓練專屬版面模型。 |
| 貸款與抵押貸款申請處理 | 自動化處理來自不同格式與範本的補充支持文件，超越 Azure 文件智慧的預建模型所支援的範圍。 |
| 費用管理 | 利用結構定義的提取方法搭配信心分數，解析來自各類零售商及格式的收據與發票，標示需要人工審查的紀錄。 |
| RAG 文件匯入 | 將非結構化文件轉換為結構化且可搜尋的資料資產，並保留版面設計的 Markdown 輸出，供 RAG 搜尋管道及代理工作流程使用。 |
| 混合文件分類與路由 | 依類型分類入站文件，並將每種類型導向適當的分析器。 此方法允許接收多種文件類型的管線實現端到端自動化。 |
模型
Models 提供來自 Microsoft、OpenAI 及其他領先供應商的基礎模型目錄存取。 這些模型能執行通用語言任務，如內容生成、摘要、翻譯及對話互動。
| 利用模型來執行這些任務 | 當你需要這些能力時，請考慮專業服務 |
|---|---|
| 產生創意內容、草稿或文字變體。 | 像是大規模的自然語言處理任務，如 NER 或情感分析，這些任務一致且可重複。 Azure 語言 為這些特定任務提供優化且具成本效益的 API。 |
| 總結長篇文件或對話。 | 在保留格式的前提下，為大量文件進行翻譯。 Azure 翻譯工具 優化了翻譯品質與文件結構保存。 |
| 打造對話式 AI 體驗與聊天機器人。 | 從表單和發票中結構化擷取資料，且準確度高。 Azure 文件智慧 提供針對文件類型而專門訓練的預建模型。 |
| 根據提供的情境回答一般性問題。 | |
| 用彈性提示來做一些未計畫的語言任務。 |
可用的模型
模型包含來自多家供應商的以下 AI 模型。
| 模型家庭 | 描述 |
|---|---|
| GPT-4o 與 GPT-4o 迷你版 | OpenAI 多模態模型能同時處理文字與圖片，並提升英文文字與程式任務的準確度與反應速度。 |
| GPT-4.1 系列 | OpenAI 文字與影像處理模型，具備大型上下文視窗（最多可達一百萬個標記），用於處理大量文件。 |
| GPT-5 家族 | OpenAI 最新一代旗艦機型，具備先進推理能力、多模態能力及改進的指令跟隨能力。 這些模型適合需要高準確度的複雜多步驟語言任務。 |
| O系列（O3、O4-Mini） | OpenAI 推理模型專為需要科學、程式設計和數學等領域中需要更高專注力與能力的進階問題解決任務而設計。 |
| Phi-4 家族 | Microsoft 針對複雜推理優化的小型語言模型（SLM）。 Phi-4（14B 參數）在低延遲情境中表現優異，而 Phi-4 推理與 Phi-4 迷你推理則提供多步驟問題解決任務所需的專業推理能力，且所需資源較少。 支援超過 40 種語言。 |
| DeepSeek | 開放權重模型，包括用於推理任務的 DeepSeek-R1 及用於通用語言理解的 DeepSeek-V3 系列。 以在程式設計與數學推理基準測試中表現優異而聞名。 |
| 格羅克 | xAI 模型，包括 Grok-3、Grok-4，以及用於推理與編碼任務的專用變體。 提供快速推理與非推理兩種配置。 |
| 駱駝 | Meta 的開放模型，包括用於通用語言任務的 Llama-3.3-70B-Instruct 和 Llama-4-Maverick。 |
| Mistral | 歐洲的 AI 模型，包括 Mistral-Large-3 和 mistral-document-ai，用於文件處理場景。 |
| 內嵌模型 | 來自多個供應商的模型，能將文字轉換為數值向量形式，以促進文字相似性與語意搜尋。 |
欲了解完整可用機型清單及區域供應情況，請參見 Azure 直接銷售的機型。
開始
要開始使用模型來執行語言任務，請採取以下方法之一：
無程式碼方法： 利用 Foundry 入口網站的 聊天遊樂場 ，互動式部署模型與測試提示。
基於程式碼的方法： 使用 Foundry SDK 將模型整合進你的應用程式，使用 Python、C#、TypeScript 或 Java。