本文属于【Azure 架构师学习笔记】系列。
本文属于【Azure AI】系列。
接上文 【Azure 架构师学习笔记 】- Azure AI(10)-Azure OpenAI（1）-模型部署及初阶demo

前言

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。

基础Demo运行成功，本质是完成了3个功能：

• 1. 环境验证：本地Python环境正常；
• 2. 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；
• 3. 部署验证：Azure AI Foundry中部署的GPT-4o Mini模型正常，能接收请求并返回有效响应。

本次进阶的核心，就是在这个基础上，解决“能用、好用、能应对面试”的问题——比如优化回答质量、实现连续对话、排查报错。

进阶实操1：提示工程优化（让模型回答更贴合需求）

基础Demo中，我们只是简单发送提问，模型回答的质量、格式全靠“默认设置”；进阶后，通过简单的提示词优化，就能让模型输出符合我们预期的内容（比如面试答题、格式标准化），这也是面试中“AI实操”的常见核心考点。

1. 提示工程3个核心原则

• 原则1：明确角色 → 给模型定义身份（比如“中厂云架构师面试官”“技术文档助手”）；

• 原则2：明确指令 → 告诉模型“做什么、怎么做”（比如“控制在50字内”“用JSON格式输出”）；

• 原则3：示例引导 → 若模型理解偏差，给1个简单示例，快速对齐需求。

测试代码：

from openai import AzureOpenAI

# 还是你基础Demo的初始化代码（无需修改）
client = AzureOpenAI(
    azure_endpoint="xxxxxx",  # 你的 Endpoint
    api_key="XXXXXXX",# 你的 Key
    api_version="xxxxx" #从Endpoint中获取
)

# 进阶：优化提示词，让模型模拟面试答题（面试场景适配）
response1 = client.chat.completions.create(
    model="gpt-4o-mini-deploy",  # 不变，还是你基础Demo中正确的部署名
    messages=[
        {"role": "system", "content": "你是中厂云架构师面试官，针对Azure OpenAI部署相关问题，给出简洁标准答案（控制在80字内），语言专业且贴合面试场景。"},
        {"role": "user", "content": "请解释Azure OpenAI中Endpoint、API Key、部署名的作用，各用一句话说明。"}
    ]
)

# 进阶：限定输出格式（项目实战场景适配）
response2 = client.chat.completions.create(
    model="gpt-4o-mini-deploy",
    messages=[
        {"role": "system", "content": "回答必须是JSON格式，包含「模型名称」「核心优势」「适用场景」三个字段，字段值简洁准确，不冗余。"},
        {"role": "user", "content": "总结Azure OpenAI GPT-4o Mini的核心信息。"}
    ]
)

# 输出结果，对比差异
print("面试场景回答：")
print(response1.choices[0].message.content.strip())
print("\n标准化格式回答：")
print(response2.choices[0].message.content.strip())

2. 运行结果示例
   
3. 关键点提炼
   通过“角色定义+指令明确”的提示工程，让模型输出贴合场景的内容，避免回答偏离需求

进阶实操2：实现多轮对话（从单次调用到连续交互）

基础Demo是“单次提问→单次回答”，实际使用中（比如AI问答工具、面试模拟）需要连续交互（比如追问、补充提问），这也是进阶的核心需求，同时能体现你对模型调用逻辑的理解。

1. 多轮对话核心逻辑
   核心：将“历史对话消息”保存在messages列表中，每次调用时，将新的提问和历史消息一起发送给模型，模型就能识别上下文，实现连续交互。

测试代码：

from openai import AzureOpenAI

# 基础初始化（不变）
client = AzureOpenAI(
    azure_endpoint="",  # 你的 Endpoint
    api_key="",# 你的 Key
    api_version=""  # 从endpoint处获取
)
DEPLOYMENT_NAME = "gpt-4o-mini-deploy"  # 替换成你的部署名

# 封装多轮对话函数
def multi_turn_chat(max_history=5):  #设定最大只能保存5条
    # 初始化messages，包含系统提示（固定角色）
    messages = [{"role": "system", "content": "你是专业的Azure OpenAI助手，回答简洁专业，贴合个人学习和面试场景。"}]
    print("多轮对话已启动，输入'exit'退出对话\n")
    
    while True:
        # 接收用户输入
        user_input = input("你：")
        if user_input.lower() == "exit":
            print("对话结束！")
            break
        
        # 将用户输入加入messages（历史上下文）
        messages.append({"role": "user", "content": user_input})
        
        # 限制历史消息长度（避免上下文过长，消耗过多额度）
        if len(messages) > max_history + 1:  # +1是因为保留系统提示
            messages = [messages[0]] + messages[-max_history:]  # 只保留最新5条对话
        
        # 调用模型，发送全部上下文
        response = client.chat.completions.create(
            model=DEPLOYMENT_NAME,
            messages=messages
        )
        
        # 提取模型回复，加入上下文
        assistant_reply = response.choices[0].message.content.strip()
        messages.append({"role": "assistant", "content": assistant_reply})
        
        # 输出回复
        print(f"GPT-4o Mini：{assistant_reply}\n")

# 启动多轮对话
if __name__ == "__main__":
    multi_turn_chat()

2. 运行效果示例
   

• 注意事项：上下文过长 → 额度消耗翻倍，通过max_history限制历史消息数量（建议5-8条）；

常见异常及处理方法

小结

到此为止，我们对Azure OpenAI进行了更深入的了解。 下一篇尝试一下费用方面的管理。