阻塞与死锁是除内存、CPU、IO外另一个影响性能的因素。对OLTP系统尤为严重一般以下问题是死锁的征兆：1、  并发用户少的时候，一切正常，但是随着用户数量增多，性能越来越慢。2、  客户端经常收到以下错误：Error 1222：Lock request time out period exceeded.（已超过锁请求超时时段）Error 1205：Your transacti

前言：本系列文章包括：1、 理解Hash、Merge、Nested Loop关联策略。2、 在执行计划中发现并解决表/索引扫描。3、 介绍并在执行计划中发现键查找并解决它们。 对于性能优化，需要集中处理以下的问题：1、 为你的环境创建性能基线。2、 监控现在的性能并发现瓶颈。3、 解决瓶颈以便得到更好的性能。 一个预估执行计划是描述查询将会如何执行的一个

Azure Storage Queues 是一个专门用来处理基于云环境队列的Azure 服务。每个队列都维护着一些消息（messages）。在消息队列中，需要有发送者（Sender）和接收者（Receiver），发送者把消息放进队列中，接收者把消息从前面的队列中读取并处理。消息队列常用于社交媒体的消息发送中， 由于它的实时性要求并不是非常高，可以把消息先放到队列中，然后放到多个管道中进行后续发布，

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，