本文介绍了Azure AI生态中的核心服务Azure Machine Learning（Azure ML）工作区的使用。文章首先展示了Azure ML的默认目录结构，包含工作区、功能存储区、中心和注册表等核心组件，以及共享资产和管理员功能。通过实操演示，详细说明了从创建工作区、运行示例笔记本到创建计算资源的完整流程。最后，文章梳理了实际运用中的6个关键步骤：数据准备、模型训练、模型评估、模型部署、

本文属于。本文属于。接上文。

本篇我们基于第四篇的实战代码，完成了Azure Agent的进阶优化，实现了「批量处理文件」「Excel格式保存结果」「实时进度提示」三大核心功能，复用了前四篇的Azure配置、核心工具和架构逻辑，代码可直接运行、容错性强，完美解决了职场中批量文件处理效率低、结果统计不便的痛点，让Agent从“单次处理”升级为“高效办公助手”。

接上文，下面我们开始实操过程，首先会创建一个azure openai服务，然后部署一个模型，并创建一个demo。

上一篇已经进行了Azure OpenAI的尝试，跑通 Azure OpenAI GPT-4o Mini 基础调用Demo，打通「本地环境→Azure云端→模型部署」全链路。本篇进行一些进阶升级，使模型的能力体现出来。环境验证：本地Python环境正常；鉴权验证：Azure OpenAI的Endpoint（服务地址）、API Key（访问凭证）有效，能成功访问Azure云端服务；部署验证：Azure

本章聚焦 提示工程进阶技巧 —— 这是从“会用模型”到“用好模型”的关键一步，也是面试中“AI实操”的高频考点。

本文聚焦职场高频的文本处理痛点（会议纪要总结、需求文档信息提取、批量数据整理等），基于 Azure OpenAI 打造一款纯单文件 Python 智能文本处理工具。工具延续前序实操掌握的 OpenAI 基础调用、提示工程、费用监控核心能力，从最简单的 TXT 格式入手，逐步扩展支持 Word、Excel、PDF 四大职场主流格式，全程单文件运行、无复杂依赖，既能快速上手，又能直接落地日常工作场景，

本文是上一篇“多格式文本处理工具”的进阶升级，聚焦职场「场景化交互+实用功能落地」，基于Azure OpenAI打造一款交互式工作助手。工具仍保持纯单Python文件运行，在保留多格式文本处理核心能力的基础上，新增三大实用升级：上下文记忆功能（支持多轮追问）、自定义提示词模板（适配个性化职场场景）、处理结果导出（直接保存为文档复用），逐步从“批量工具”向“个人AI助手”过渡。交互更友好：命令行交互

本文是前两篇工具的终极升级，核心突破「命令行操作门槛」，基于Python的tkinter库（无需额外安装，Python自带），打造一款可视化桌面版AI工作助手。工具仍保持纯单Python文件运行，整合前两篇的所有核心功能——多格式文件处理（TXT/Word/Excel/PDF）、自定义提示词模板、多轮记忆交互、结果导出，同时新增GUI界面专属特性（拖拽上传文件、实时日志显示、配置保存），彻底摆脱命

接下来打算用几篇文章来演示一个知识库Agent平台的搭建。把它当成一个“项目”来做。