Anpassung eines Basisimages für eine Rechensitzung

Warnung

Der Eingabeaufforderungsfluss in Microsoft Foundry und Azure Machine Learning wird am 20. April 2027 eingestellt. Prompt flow wird für neue Entwicklungen nicht mehr empfohlen. Migrieren Sie vorhandene Eingabeaufforderungsflussanwendungen und Bereitstellungen vor dem 20. April 2027 zu Microsoft Agent Framework.

Prompt flow-Containerimages werden nicht mehr aktualisiert, einschließlich Sicherheits- und Paketupdates. Dies gilt für Aufforderungsflusslaufzeitbilder, einschließlich promptflow-runtime, promptflow-runtime-stable, und promptflow-python.

Nach dem 20. April 2027 werden Prompt flow, einschließlich der webbasierten Authoring-Erfahrung in Microsoft Foundry und Azure Machine Learning, der VS Code-Erweiterungen und der zugehörigen Prompt flow-Containerimages, nicht mehr unterstützt und nicht mehr verfügbar sein.

Wenn Ihre Anwendung von Prompt flow-Bereitstellungen oder Runtime-Images abhängt, planen Sie, diese Workloads vor dem Einstellungsdatum auf unterstützte Alternativen wie Microsoft Agent Framework zu verlagern. Eine Anleitung zur Migration finden Sie im Prompt flow-Migrationsleitfaden und in den Migrationscodebeispielen.

Bevor Sie beginnen, stellen Sie sicher, dass Sie mit Docker und Azure Machine Learning Umgebungen vertraut sind.

Schritt 1: Vorbereiten des Docker-Kontexts

Ordner erstellen image_build

Erstellen Sie in Ihrer lokalen Umgebung einen Ordner, der die folgenden Dateien enthält. Die Ordnerstruktur sollte wie folgt aussehen:

|--image_build
|  |--requirements.txt
|  |--Dockerfile
|  |--environment.yaml

Definieren Sie die erforderlichen Pakete in requirements.txt

Optional: Hinzufügen von Paketen in privatem PyPI-Repository.

Verwenden Sie den folgenden Befehl, um Ihre Pakete lokal herunterzuladen: pip wheel <package_name> --index-url=<private pypi> --wheel-dir <local path to save packages>

Öffnen Sie die requirements.txt Datei, und fügen Sie Ihre zusätzlichen Pakete und deren spezifische Versionen hinzu. Zum Beispiel:

###### Requirements with Version Specifiers ######
numpy == 2.2.0              # Version Matching. Must be version 2.2.0
requests >= 2.31.0          # Minimum version 2.31.0
coverage != 3.5             # Version Exclusion. Anything except version 3.5
pydantic ~= 2.0             # Compatible release. Same as >= 2.0, == 2.*
<path_to_local_package>     # reference to local pip wheel package

Weitere Informationen zum Strukturieren der requirements.txt Datei finden Sie im Anforderungsdateiformat in der Pip-Dokumentation.

Definieren Sie Dockerfile

Erstellen Sie einen Dockerfile und fügen Sie den folgenden Inhalt hinzu, und speichern Sie dann die Datei:

FROM <Base_image>
COPY ./* ./
RUN pip install -r requirements.txt

Hinweis

Erstellen Sie dieses Docker-Image aus dem Basisimage mcr.microsoft.com/azureml/promptflow/promptflow-runtime:<newest_version>für den Eingabeaufforderungsfluss. Verwenden Sie nach Möglichkeit die neueste Version des Basisimages.

Schritt 2: Erstellen einer benutzerdefinierten Azure Machine Learning Umgebung

Definieren Sie die Umgebung in environment.yaml

Verwenden Sie auf Ihrem lokalen Computer die CLI (v2), um eine angepasste Umgebung basierend auf Ihrem Docker-Image zu erstellen.

Hinweis

az login # if not already authenticated

az account set --subscription <subscription ID>
az configure --defaults workspace=<Azure Machine Learning workspace name> group=<resource group>

Öffnen Sie die environment.yaml Datei, und fügen Sie den folgenden Inhalt hinzu. Ersetzen Sie den <environment_name> Platzhalter durch den gewünschten Umgebungsnamen.

$schema: https://azuremlschemas.azureedge.net/latest/environment.schema.json
name: <environment_name>
build:
  path: .

Erstellen einer Umgebung

cd image_build
az ml environment create -f environment.yaml --subscription <sub-id> -g <resource-group> -w <workspace>

Hinweis

Das Erstellen des Umgebungsbilds kann mehrere Minuten dauern.

Wechseln Sie zu Ihrer Arbeitsbereichs-UI-Seite, wechseln Sie dann zur Umgebungsseite , und suchen Sie die von Ihnen erstellte benutzerdefinierte Umgebung.

Sie können das Bild auch auf der Seite mit den Umgebungsdetails finden und es als Basisbild für die Berechnungssitzung des Prompt-Flows verwenden. Dieses Image wird auch verwendet, um eine Umgebung für das Flow-Deployment über die Benutzeroberfläche (UI) zu erstellen. Weitere Informationen finden Sie unter Angeben des Basisimages in der Computesitzung.

Weitere Informationen zur Umgebungs-CLI finden Sie unter Verwalten von Umgebungen.

Nächste Schritte

  • Last updated on