Azure AI Foundry 使用介绍：功能、价格与上手指南
Azure AI Foundry 是微软推出的统一 AI 开发平台，集成模型目录、提示流、评估与部署能力。本文介绍其核心功能、价格构成与五步上手流程，并给出适用场景与成本优化建议。
Azure AI Foundry 是微软面向企业级 AI 应用开发的一站式平台。它将模型选择、提示工程、评估、部署与监控整合在同一个工作区中，降低从原型到生产的门槛。本文从功能、价格和上手步骤三个角度，帮助你快速判断它是否适合你的团队。
一、Azure AI Foundry 是什么？
Azure AI Foundry（前身为 Azure AI Studio）是 Azure AI 服务之上的统一开发层。你可以把它理解为一个“AI 项目工厂”：接入模型、编排提示流、测试效果、发布 API，全部在一个门户中完成。它支持 OpenAI、Llama、Mistral、Cohere 等主流模型，也支持自定义微调模型。
二、核心功能详解
1. 统一模型目录
平台内置模型目录，可按任务、提供商或授权方式筛选。选择模型后可直接创建部署，无需手动配置推理端点。
2. 提示流（Prompt Flow）
提示流是可视化编排工具，用节点连接 LLM、Python 代码、条件判断和外部 API。适合构建 RAG（检索增强生成）和多步骤 Agent。
3. 评估与安全
内置评估指标（相关性、流畅度、 groundedness）和风险检测（仇恨、暴力、自残）。支持批量测试和人工评审，帮助在上线前发现问题。
4. 部署与监控
一键部署为托管在线端点，支持自动缩放。监控面板展示延迟、错误率和 token 消耗，便于成本归因。
5. 项目管理与协作
每个项目隔离资源，支持基于角色的访问控制（RBAC）。团队可共享提示流、数据集和评估结果。
三、价格模式：钱花在哪里？
Azure AI Foundry 本身不单独收费，费用来自底层资源消耗。主要计费项如下：
| 计费项 | 说明 | 计费方式 |
|---|---|---|
| 模型推理 | 按输入/输出 token 计费 | 不同模型单价不同 |
| 模型微调 | 训练时长 + 托管 | 按小时或 token |
| 计算实例 | 开发环境虚拟机 | 按秒计费 |
| 存储 | 数据集和提示流存储 | 按 GB/月 |
| 搜索服务 | RAG 所需向量检索 | 按层级/查询量 |
省钱建议：先用小模型验证流程，再切换大模型；设置 token 上限；利用 Azure 预留实例降低长期计算成本。具体单价请以 Azure 定价页为准，建议使用定价计算器估算。
四、五步上手指南
步骤 1：创建 Azure AI Foundry 资源
登录 Azure 门户，搜索“Azure AI Foundry”，创建 Hub 和 Project。选择区域时优先靠近用户，并确认目标模型在该区域可用。
步骤 2：部署第一个模型
进入模型目录，选择如 GPT-4o mini 或 Llama 3.1，点击“部署”。设置 token 每分钟限额和内容过滤器级别。
步骤 3：在 Playground 测试
使用内置 Playground 调整系统提示词、温度和最大 token 数。对比不同参数下的输出，保存最优配置。
步骤 4：构建提示流
新建提示流，添加“LLM 节点”和“Python 节点”。若做 RAG，加入“向量检索”节点并连接 Azure AI Search 索引。运行后查看每个节点的输入输出。
步骤 5：评估并部署
创建评估运行，选择指标和测试数据集。通过后点击“部署”，获得 REST 端点，在应用代码中调用。
五、适用场景与注意事项
适合：企业知识库问答、客服助手、文档摘要、多模型对比实验。 不适合：需要完全离线、极低延迟或非 Azure 生态的团队。
注意：内容过滤器可能误拦正常内容，需提前测试；跨区域调用会增加延迟；token 成本随使用量线性增长，务必设置预算告警。
结论
Azure AI Foundry 的价值在于把分散的 AI 开发环节收拢到一个平台，用可视化方式降低编排和评估难度。它按底层资源计费，没有额外平台费，适合已经在使用 Azure 的团队快速落地生成式 AI 应用。建议从一个小型 RAG 项目开始，熟悉提示流和评估后，再扩展到生产环境。