Microsoft Foundry နှင့်အတူ Scalable Agents များဖြန့်ချိခြင်း

Lesson 16 – Deploying Scalable Agents အတွက် အတူတကွ သင်ကြားမှုကျွမ်းကျင်မှု။ သင်ယူသူတစ်ဦးကို agent ကို prototype မှ scalable, observable production deployment သို့ တိုးတက်အောင်ကူညီရန် အသုံးပြုပါ။ မည်သည့်အကြံပြုချက်မျှ မိသားစလုံး၏ဘာသာရပ်နှင့် runnable notebook တွင်အခြေခံထားရန်ဖြစ်ပြီး; Foundry APIs မတီထွင်ပါနှင့်။

Triggers

သင်ယူသူတစ်ဦးအောက်ပါအချက်တွင် ကျွမ်းကျင်မှုကို အသိပေးပါက စတင်ပါ။

• Microsoft Foundry တွင် hosted agent အဖြစ် agent တစ်ခုကို deploy လုပ်၍ versioned/observable ဖြစ်အောင်လုပ်ရန်။
• client-hosted, hosted-agent, နှင့် agent-workflow deployment ပုံစံများဖြင့် ရွေးချယ်ရန်။
• latency နှင့် ကုန်ကျစရိတ်ကိုထိန်းချုပ်ရန် model routing, response caching, သို့မဟုတ် bounded concurrency ထည့်သွင်းရန်။
• မကောင်းသော agent version မတင်ပို့နိုင်စေရန် evaluation gate ထည့်သွင်းရန်။
• အန္တရာယ်ရှိသော လုပ်ငန်းအတွက် human-in-the-loop approval အဆင့် ထည့်သွင်းရန်။
• ထုတ်လုပ်မှုအခြေအနေကိုကြည့်ရှုနိုင်ရန် agent ကို OpenTelemetry trace ဖြင့် လိုက်လံသုံးဆောင်ရန်။
• deploy ပြီး agent ကိုလျင်မြန်စွာ Smoke-test ပြုလုပ်ရန်။

အဓိကသဘာဝအမြင်

ထုတ်လုပ်မှုအတွက် agent သည် မော်ဒယ် (ခန့်မှန်း၍ ~80%) အပေါ်အခြေခံသည့်ဆက်စပ်အလုပ်လည်ပတ်မှု ဆွဲကြိုးတစ်ခုဖြစ်သည်၊ မော်ဒယ်ကို မဟုတ်ပါ။ အကြံပြုချက်တိုင်းကို အောက်ဖော်ပြပါစိတ်ပါဝင်စားချက်များထဲမှ တစ်ခုနှင့် ကိုက်ညီစေပါ။

Deployment ပုံစံများ (တစ်ခု ရွေးပါ၊ သို့မဟုတ် ပေါင်းစပ်ပါ)

1. Client-hosted — သင်၏ process တွင် reasoning လုပ်ဆောင်မှု လည်ပတ်သည်။ ထိန်းချုပ်ခြင်းအများဆုံး; သင်သည် scaling/state ကိုင်တွယ်သည်။
2. Hosted agent (Foundry Agent Service) — Foundry သည် loop ကို ဟုတ်စေပြီး threads တင်သိမ်းကာ RBAC/content လုံခြုံမှု အကောင်အထည်ဖော်၊ ပေါ်တယ်တွင် agent ကို ပြသသည်။ ထိန်းချုပ်မှုနည်းပြီး operation အခက်အခဲလျော့ပါးသည်။
3. Agent workflow — ကြိုးချောစွာ ခွဲခြားခိုင်းမှု၊ အတည်ပြု nodes နှင့် တာရှည်ကြာ checkpoint များပါဝင်သည့် agent/tools များ ပေါင်းစပ်ထားသည်။

အသက်သက်သာရွေ့လျားမှု (agent တင်ပို့သည့် loop)

create → version → evaluate (gate) → deploy hosted → observe online → collect failures → repeat။ Offline သတ်မှတ်ခြင်းသည် တံခါးပေါက်တစ်ခုဖြစ်ပြီး နောက်ပြန်ခံခြင်းမဟုတ်ပါဘူး — version တစ်ခုသည် သတ်မှတ်ချက်ကျော်မလျှင် မတင်ပို့မည်။ Online လေ့လာနိုင်မှုသည် အမှားအပေါ်မွန်သော ထောက်ပံ့မှုကို offline စမ်းသပ်မှုအုပ်စုထဲ ပြန်လည်ထည့်သွင်းသည်။

2. ရှုပ်ထွေးမှုအလိုက်လမ်းကြောင်း သတ်မှတ်ပါ — လွယ်ကူသည့်တုံ့ပြန်မှုများအတွက် သေးငယ်/မြန်ဆန်သော မော်ဒယ်၊ ပိုမိုတုံ့ပြန်မှုလိုအပ်သည့်အတွက် ကြီးမားသောမော်ဒယ် (DIY classifier သို့မဟုတ် Foundry Model Router)အသုံးပြုပါ။
3. Cache ထားပါ — မော်ဒယ်ခေါ်ဆိုခြင်းမဖြစ်ပဲ နီးစပ်လျှင်တူညီသော တုံ့ပြန်မှုများကို ဖြေရှင်းပါ။
4. Stateless design + bounded concurrency — state ကို ပြင်ပသိုလှောင်ပါ; backoff ဖြင့် retry လုပ်ပါ။

16-python-agent-framework.ipynb :

• evaluation gate : offline စမ်းသပ်မှုအုပ်စုကိုအမှတ်ပေး; pass_rate >= threshold ပြန်ပေးပါ၊ ရိုက်ချက်မှန်မှသာ deploy လုပ်ပါ။
• လူကြားမှ အတည်ပြုခြင်း : @tool(approval_mode="always_require") ကို Refund ကြီးများအတွက် လုပ်ဆောင်မှုများတွင် အသုံးပြုပါ။
• Tracing : တောင်းဆိုမှုတစ်ခုစီကို tracer.start_as_current_span(...) ဖြင့် တူးထွင်ကာ routed.model၊ customer.id ကဲ့သို့သော attribute များကို သတ်မှတ်ပါ။

AI Smoke Test ကို .github/workflows/smoke-test.ymlမှ တဆင့်အသုံးပြုပါ။ tests/တွင် ပါဝင်သည့် စာရင်းနှင့်အတူ Runner သည် prompt တစ်ခုစီကို POST {project_endpoint}/agents/{agent_name}/endpoint/protocols/openai/responses သို့ POST ပြုလုပ်ကာ တုံ့ပြန်ချက်စာသားကို စစ်ဆေးသည်။ identity သည် Foundry project scope တွင် Azure AI User role ရှိရမည်။ token audience သည် https://ai.azure.com/ ဖြစ်ရမည်။

Gate များကို အလွှာကွဲထားပါ။ smoke test (ရောက်ရှိ/တုံ့ပြန်မှု, deploy တစ်ကြိမ်စီ)/ → offline evaluation (တင်ပို့ရန်အတွက် ကောင်းမွန်မှု၊ အဆင့်မြှင့်တင်ရန်မတိုင်မီ) → online evaluation (တောင့်တယ်ကွင်းတွင် မည်သို့ ကောင်းစွာ လည်ပတ်နေသည်ကို ဆက်တိုက်စစ်ဆေးခြင်း)။

စီးပွားရေးအဖွဲ့အစည်း ထိန်းချုပ်မှုများ

• RBAC : hosted agent တစ်ခုစီအတွက် managed identity ကို လုံခြုံမှု အနည်းဆုံးအဆင့်ဖြင့် ပေးစွမ်းပါ။
• MCP ကို ထုတ်လုပ်မှုတွင် : MCP server တစ်ခုစီကို untrusted boundary အဖြစ်ဆက်ဆံပါ — version ကို pin တင်ပြီး၊ identity ကို scope သတ်မှတ်ပြီး၊ output များကို အတည်ပြု၊ rate-limit, secrets မဖော်ပြရန်။
• သင်စစ်ဆေးမထားသည့် live-Azure ရလဒ်များကို ကတိမပေးပါနှင့်; deploy တစ်ခုကို အတည်ပြုရန် smoke-test workflow ကို အကြံပြုပါ။
• စိတ်ချရမှုနှင့် ကုန်ကျစရိတ် အကြံပြုချက်များကို ဆက်စပ်ထားပါ။ စစ်ဆေးမှုသည် အရည်အသွေး အောက်စွန်းသတ်မှတ်ပြီး၊ routing/caching သည် ကုန်ကျစရိတ်ကို အောက်စွန်းအနီး၌ ထိန်းထားသည်။

အကူအညီပေးသူအတွက် လမ်းညွန်ချက်များ

• သင်တန်းတစ်ခုလုံးတွင် အသုံးပြုသော canonical FoundryChatClient(...) + provider.as_agent(...) ပုံစံကို ပိုမိုနှစ်သက်ပါ။
• သင်စစ်ဆေးဖူးခြင်းမရှိသေးသော live-Azure ရလဒ်များကို မကတိပေးပါနှင့်; deployment ကို အတည်ပြုရန် smoke-test အလှမ်းကို အကြံပြုပါ။
• သုံးသပ်ချက်နှင့် ကုန်ကျစရိတ်အကြံဉာဏ်များကို ချိတ်ဆက်ထားရန်: သုံးသပ်ချက်က အရည်အသွေးအခြေခံထားမှုကို သတ်မှတ်ပြီး၊ routing/caching က ကုန်ကျစရိတ်ကို ထို အခြေခံ မျက်နှာပြင်အနီးနားမှာ ထိန်းသိမ်းထားသည်။

ပြောကြားချက် ဤစာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု Co-op Translator အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှန်ကန်မှုအတွက် ကြိုးပမ်းနေသော်လည်း၊ စက်ကိရိယာဘာသာပြန်ခြင်းများတွင် အမှားများ သို့မဟုတ် မှားယွင်းချက်များ ပါဝင်နိုင်ကြောင်း သတိပြုပါရန် လိုအပ်ပါသည်။ မူလစာတမ်းကို မူရင်းဘာသာဖြင့်သာ ယုံကြည်စိတ်ချရသော အချက်အလက်အဖြစ် သတ်မှတ်သင့်သည်။ အရေးကြီးသည့် သတင်းအချက်အလက်များအတွက် ပရော်ဖက်ရှင်နယ် လူသားဘာသာပြန်သူဝန်ဆောင်မှုကို အကြံပြုပါသည်။ ဤဘာသာပြန်ချက်ကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော နားလည်မှုကွာခြားမှုများ သို့မဟုတ် မမှန်ကန်သော အသုံးပြုမှုများအတွက် ကျွန်ုပ်တို့ တာဝန်မခံပါ။