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。

成功配置并连接了 Azure OpenAI 服务。实现了文本向量生成与大模型对话功能。同时完成了 Milvus 向量数据库的连接验证。本文开始，我们正式进入 RAG 架构的核心环节 ——文档处理与向量入库。这一步是 AI 知识库能够理解并应用文档知识的关键，我们会将本地的文本文件，转化为向量数据并存储到 Milvus 中，让静态的文档变成 AI 可以快速检索、调用的知识资源。向量库就像给每段文字做

由于目前还广泛使用着SQLServer2000，很多公司又想使用新的SQLServer，从而直接【分离/附加】或者【备份/还原】数据库，在不同版本之间存放。往往就会遇到版本不兼容的问题。前几天遇到了从我本机2008R2上备份的一个数据库还原到2008上面时报错：从运行版本10.50.2500（2008R2是10.50）和10.00.1600（2008是10.00）中可以看出这个版本不兼容问题，大部

必须澄清，虽然文章是我总结整理的，但是很多知识的确不是我能研究分析得出来，通过听培训、看书、实践所总结得出，一方面为了给自己备用，以便以后出现问题能解决，另一方面也希望遇到相同问题的朋友能从中得到一些启示。所以文章里面的知识可能会在很多地方都出现。我们经常会遇到很多连接问题，同时程序员往往也认为连接数据库只需要简单地连接→openconnection→操作→close，但是一个简单的连接动作，