[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"skill:01M699BF4DAZS5P2WA6AT01VE6":3,"skill-same:01M699BF4DAZS5P2WA6AT01VE6":72},{"skillNo":4,"name":5,"nameZh":6,"description":6,"descriptionZh":6,"repositoryFullName":7,"ownerLogin":8,"ownerAvatarUrl":9,"ownerAccountNo":10,"ownerDisplayName":11,"repositoryNo":12,"starsCount":13,"licenseSpdxId":14,"licenseFileUrl":6,"sourceHtmlUrl":15,"categories":16,"keywords":17,"publishedAt":19,"linkOnly":20,"markdownContent":21,"markdownBody":22,"frontMatter":23,"refName":24,"commitSha":25,"skillDirectory":26,"forksCount":27,"repositoryHtmlUrl":28,"repositoryHomepageUrl":29,"ownerHtmlUrl":30,"ownerBlogUrl":31,"ownerDescription":32,"updatedAt":33,"install":34,"resources":47},"01M699BF4DAZS5P2WA6AT01VE6","deploying-scalable-agents",null,"microsoft\u002Fai-agents-for-beginners","microsoft","https:\u002F\u002Favatars.githubusercontent.com\u002Fu\u002F6154722?v=4","01M698VYDXZ6JW5WH3CRV650R8","Microsoft","01M6998ZK2275KMJE6Y5SEA2X2",79423,"MIT","https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Fai-agents-for-beginners\u002Fblob\u002Fmain\u002Ftranslations\u002Fda\u002F.agents\u002Fskills\u002Fdeploying-scalable-agents\u002FSKILL.md",[],[18],"deploying scalable agents","2026-11-10 10:12:30",false,"---\nname: deploying-scalable-agents\nlicense: MIT\n---\n# Udrulning af skalerbare agenter med Microsoft Foundry\n\n> Følgesvendskompetence til [Lektion 16 – Udrulning af skalerbare agenter](..\u002F..\u002F..\u002F16-deploying-scalable-agents\u002FREADME.md).\n> Brug den til at hjælpe en lærende med at flytte en agent fra prototype til en skalerbar, observerbar\n> produktionsudrulning. Underbyg hver anbefaling med lektionens indhold og\n> den kørende notesbog; opfind ikke Foundry-API'er.\n\n## Triggere\n\nAktivér denne færdighed, når en lærende ønsker at:\n- Udrulle en agent til Microsoft Foundry som en **hostet agent** og gøre den versionsstyret\u002Fobserverbar.\n- Vælge mellem **klient-hostet, hostet agent og agent-workflow** udrulningsmønstre.\n- Tilføje **modelruting**, **respons-caching** eller **begrænset samtidighed** for at styre latenstid og omkostninger.\n- Tilføje en **evalueringsport** så en dårlig agentversion ikke kan udgives.\n- Tilføje et **menneske-i-loop-godkendelsestrin** for højrisikohandlinger.\n- Instrumentere en agent med **OpenTelemetry** tracing til produktionsobserverbarhed.\n- **Røgt-test** en udrullet agent som en hurtig port efter udrulning.\n\n## Kerne-mindre model\n\nEn produktionsagent er mest det operationelle skelet *omkring* modellen (~80%),\nikke selve modellen. Kortlæg hver anbefaling til en af disse bekymringer:\n\n| Bekymring | Prototype → Produktion |\n|---------|------------------------|\n| Hosting | notesbog → versionsstyret hostet tjeneste |\n| Identitet | din `az login` → administreret identitet + scoped RBAC |\n| Status | in-memory → eksternt tråd-\u002Fhukommelseslager |\n| Fejl | traceback → genforsøg, backoffs, alarmer |\n| Omkostning | \"et par cent\" → sporet, rutet, cached, budgetteret |\n| Kvalitet | øjekast → automatiseret evalueringsport |\n| Tillid | du godkender → politik + menneske-i-loop |\n\n## Udrulningsmønstre (vælg et, eller kombinér)\n\n1. **Klient-hostet** — ræsonneringssløjfen kører i din proces. Maks kontrol; du ejer skalering\u002Fstatus.\n2. **Hostet agent (Foundry Agent Service)** — Foundry hoster sløjfen, gemmer tråde, håndhæver RBAC\u002Findholdssikkerhed, viser agenten i portalen. Mindre kontrol, langt mindre operationsflade.\n3. **Agent-workflow** — flere agenter\u002Fværktøjer sammensat til en graf med forgreninger, godkendelsesnoder og holdbare checkpoints.\n\n## Livscyklus (sløjfen der leverer en agent)\n\n`opret → versioner → evaluer (port) → udrul hostet → observer online → indsamle fejl → gentag`.\n**Offline evaluering er en port, ikke en eftertanke** — en version udgives ikke\nmedmindre den klarer tærsklen. Online observerbarhed fodrer rigtige fejl tilbage\ntil den offline testsæt.\n\n## Skalerings- og omkostningshåndtag (i prioriteret rækkefølge)\n\n1. **Vælg modelstørrelse korrekt** — brug den mindste model der passerer evalueringsporten.\n2. **Ruter efter kompleksitet** — lille\u002Fhurtig model til simple forespørgsler, stor model til ægte ræsonnering (DIY klassifikator eller Foundry Model Router).\n3. **Cache** — betjen næsten-duplikat-forespørgsler uden modelopkald.\n4. **Stateless design + begrænset samtidighed** — eksternaliser status; genforsøg med udskydelse.\n\n## Nøglemønstre der skal genskabes\n\nPeg den lærende hen imod disse fra notesbogen\n[`16-python-agent-framework.ipynb`](..\u002F..\u002F..\u002F16-deploying-scalable-agents\u002Fcode_samples\u002F16-python-agent-framework.ipynb):\n\n- **Forespørgselsbehandler**: cache → rute efter kompleksitet → trace span → kør → cache.\n- **Evalueringsport**: score et offline testsæt; returnér `pass_rate >= threshold` og udrul kun hvis sandt.\n- **Menneskelig godkendelse**: `@tool(approval_mode=\"always_require\")` til handlinger som store refunderinger.\n- **Tracing**: indpak hver forespørgsel i `tracer.start_as_current_span(...)` og sæt attributter som `routed.model`, `customer.id`.\n\n## Røg-test af en udrullet agent\n\nEfter udrulning, bekræft at endpoint rent faktisk svarer (en grøn udrulning kan stadig være\nstille). Brug [AI Smoke Test](https:\u002F\u002Fgithub.com\u002Fmarketplace\u002Factions\u002Fai-smoke-test)\nhandlen via [`.github\u002Fworkflows\u002Fsmoke-test.yml`](..\u002F..\u002F..\u002F..\u002F..\u002F.github\u002Fworkflows\u002Fsmoke-test.yml)\nmed kataloget i [`tests\u002F`](..\u002F..\u002F..\u002Ftests\u002FREADME.md). Køreren POST'er hver\nprompt til `POST {project_endpoint}\u002Fagents\u002F{agent_name}\u002Fendpoint\u002Fprotocols\u002Fopenai\u002Fresponses`\nog tjekker svarets tekst. Identiteten har brug for rollen **Azure AI User** på\nFoundry projektomfang; token-auditoriet skal være `https:\u002F\u002Fai.azure.com\u002F`.\n\nLæg portene lagvis: **røgtest** (tilgængelig\u002Fsvarende, ved hver udrulning) → **offline\nevaluering** (god nok til udrulning, før forfremmelse) → **online evaluering** (hvordan\ngår det \"derude\", kontinuerligt).\n\n## Enterprise-kontroller\n\n- **RBAC**: giv hver hostet agent en administreret identitet med mindst privilegium.\n- **MCP i produktion**: behandl hver MCP-server som en ikke-pålidelig grænse — fastlås version, afgræns identitet, valider output, rate-limiting, udsæt aldrig hemmeligheder.\n\n## Vogtere for assistenten\n\n- Foretræk det kanoniske `FoundryChatClient(...)` + `provider.as_agent(...)` mønster brugt gennem kurset.\n- Lov ikke levende-Azure resultater, du ikke har verificeret; anbefal røgt-test workflowen for at bekræfte en udrulning.\n- Hold evaluering og omkostningsråd bundet sammen: evaluering sætter kvalitetsgulvet, routing\u002Fcaching holder omkostningerne tæt ved det gulv.\n\n---\n\n\u003C!-- CO-OP TRANSLATOR DISCLAIMER START -->\n**Ansvarsfraskrivelse**:\nDette dokument er blevet oversat ved hjælp af AI-oversættelsestjenesten [Co-op Translator](https:\u002F\u002Fgithub.com\u002FAzure\u002Fco-op-translator). Selvom vi bestræber os på nøjagtighed, skal du være opmærksom på, at automatiserede oversættelser kan indeholde fejl eller unøjagtigheder. Det originale dokument på dets oprindelige sprog bør betragtes som den autoritative kilde. For kritisk information anbefales professionel menneskelig oversættelse. Vi påtager os intet ansvar for misforståelser eller fejltolkninger, der opstår som følge af brugen af denne oversættelse.\n\u003C!-- CO-OP TRANSLATOR DISCLAIMER END -->","# Udrulning af skalerbare agenter med Microsoft Foundry\n\n> Følgesvendskompetence til [Lektion 16 – Udrulning af skalerbare agenter](..\u002F..\u002F..\u002F16-deploying-scalable-agents\u002FREADME.md).\n> Brug den til at hjælpe en lærende med at flytte en agent fra prototype til en skalerbar, observerbar\n> produktionsudrulning. Underbyg hver anbefaling med lektionens indhold og\n> den kørende notesbog; opfind ikke Foundry-API'er.\n\n## Triggere\n\nAktivér denne færdighed, når en lærende ønsker at:\n- Udrulle en agent til Microsoft Foundry som en **hostet agent** og gøre den versionsstyret\u002Fobserverbar.\n- Vælge mellem **klient-hostet, hostet agent og agent-workflow** udrulningsmønstre.\n- Tilføje **modelruting**, **respons-caching** eller **begrænset samtidighed** for at styre latenstid og omkostninger.\n- Tilføje en **evalueringsport** så en dårlig agentversion ikke kan udgives.\n- Tilføje et **menneske-i-loop-godkendelsestrin** for højrisikohandlinger.\n- Instrumentere en agent med **OpenTelemetry** tracing til produktionsobserverbarhed.\n- **Røgt-test** en udrullet agent som en hurtig port efter udrulning.\n\n## Kerne-mindre model\n\nEn produktionsagent er mest det operationelle skelet *omkring* modellen (~80%),\nikke selve modellen. Kortlæg hver anbefaling til en af disse bekymringer:\n\n| Bekymring | Prototype → Produktion |\n|---------|------------------------|\n| Hosting | notesbog → versionsstyret hostet tjeneste |\n| Identitet | din `az login` → administreret identitet + scoped RBAC |\n| Status | in-memory → eksternt tråd-\u002Fhukommelseslager |\n| Fejl | traceback → genforsøg, backoffs, alarmer |\n| Omkostning | \"et par cent\" → sporet, rutet, cached, budgetteret |\n| Kvalitet | øjekast → automatiseret evalueringsport |\n| Tillid | du godkender → politik + menneske-i-loop |\n\n## Udrulningsmønstre (vælg et, eller kombinér)\n\n1. **Klient-hostet** — ræsonneringssløjfen kører i din proces. Maks kontrol; du ejer skalering\u002Fstatus.\n2. **Hostet agent (Foundry Agent Service)** — Foundry hoster sløjfen, gemmer tråde, håndhæver RBAC\u002Findholdssikkerhed, viser agenten i portalen. Mindre kontrol, langt mindre operationsflade.\n3. **Agent-workflow** — flere agenter\u002Fværktøjer sammensat til en graf med forgreninger, godkendelsesnoder og holdbare checkpoints.\n\n## Livscyklus (sløjfen der leverer en agent)\n\n`opret → versioner → evaluer (port) → udrul hostet → observer online → indsamle fejl → gentag`.\n**Offline evaluering er en port, ikke en eftertanke** — en version udgives ikke\nmedmindre den klarer tærsklen. Online observerbarhed fodrer rigtige fejl tilbage\ntil den offline testsæt.\n\n## Skalerings- og omkostningshåndtag (i prioriteret rækkefølge)\n\n1. **Vælg modelstørrelse korrekt** — brug den mindste model der passerer evalueringsporten.\n2. **Ruter efter kompleksitet** — lille\u002Fhurtig model til simple forespørgsler, stor model til ægte ræsonnering (DIY klassifikator eller Foundry Model Router).\n3. **Cache** — betjen næsten-duplikat-forespørgsler uden modelopkald.\n4. **Stateless design + begrænset samtidighed** — eksternaliser status; genforsøg med udskydelse.\n\n## Nøglemønstre der skal genskabes\n\nPeg den lærende hen imod disse fra notesbogen\n[`16-python-agent-framework.ipynb`](..\u002F..\u002F..\u002F16-deploying-scalable-agents\u002Fcode_samples\u002F16-python-agent-framework.ipynb):\n\n- **Forespørgselsbehandler**: cache → rute efter kompleksitet → trace span → kør → cache.\n- **Evalueringsport**: score et offline testsæt; returnér `pass_rate >= threshold` og udrul kun hvis sandt.\n- **Menneskelig godkendelse**: `@tool(approval_mode=\"always_require\")` til handlinger som store refunderinger.\n- **Tracing**: indpak hver forespørgsel i `tracer.start_as_current_span(...)` og sæt attributter som `routed.model`, `customer.id`.\n\n## Røg-test af en udrullet agent\n\nEfter udrulning, bekræft at endpoint rent faktisk svarer (en grøn udrulning kan stadig være\nstille). Brug [AI Smoke Test](https:\u002F\u002Fgithub.com\u002Fmarketplace\u002Factions\u002Fai-smoke-test)\nhandlen via [`.github\u002Fworkflows\u002Fsmoke-test.yml`](..\u002F..\u002F..\u002F..\u002F..\u002F.github\u002Fworkflows\u002Fsmoke-test.yml)\nmed kataloget i [`tests\u002F`](..\u002F..\u002F..\u002Ftests\u002FREADME.md). Køreren POST'er hver\nprompt til `POST {project_endpoint}\u002Fagents\u002F{agent_name}\u002Fendpoint\u002Fprotocols\u002Fopenai\u002Fresponses`\nog tjekker svarets tekst. Identiteten har brug for rollen **Azure AI User** på\nFoundry projektomfang; token-auditoriet skal være `https:\u002F\u002Fai.azure.com\u002F`.\n\nLæg portene lagvis: **røgtest** (tilgængelig\u002Fsvarende, ved hver udrulning) → **offline\nevaluering** (god nok til udrulning, før forfremmelse) → **online evaluering** (hvordan\ngår det \"derude\", kontinuerligt).\n\n## Enterprise-kontroller\n\n- **RBAC**: giv hver hostet agent en administreret identitet med mindst privilegium.\n- **MCP i produktion**: behandl hver MCP-server som en ikke-pålidelig grænse — fastlås version, afgræns identitet, valider output, rate-limiting, udsæt aldrig hemmeligheder.\n\n## Vogtere for assistenten\n\n- Foretræk det kanoniske `FoundryChatClient(...)` + `provider.as_agent(...)` mønster brugt gennem kurset.\n- Lov ikke levende-Azure resultater, du ikke har verificeret; anbefal røgt-test workflowen for at bekræfte en udrulning.\n- Hold evaluering og omkostningsråd bundet sammen: evaluering sætter kvalitetsgulvet, routing\u002Fcaching holder omkostningerne tæt ved det gulv.\n\n---\n\n\u003C!-- CO-OP TRANSLATOR DISCLAIMER START -->\n**Ansvarsfraskrivelse**:\nDette dokument er blevet oversat ved hjælp af AI-oversættelsestjenesten [Co-op Translator](https:\u002F\u002Fgithub.com\u002FAzure\u002Fco-op-translator). Selvom vi bestræber os på nøjagtighed, skal du være opmærksom på, at automatiserede oversættelser kan indeholde fejl eller unøjagtigheder. Det originale dokument på dets oprindelige sprog bør betragtes som den autoritative kilde. For kritisk information anbefales professionel menneskelig oversættelse. Vi påtager os intet ansvar for misforståelser eller fejltolkninger, der opstår som følge af brugen af denne oversættelse.\n\u003C!-- CO-OP TRANSLATOR DISCLAIMER END -->",{"name":5,"license":14},"main","f09e94ffe170f8af6d3db7c42987bbe4db227723","translations\u002Fda\u002F.agents\u002Fskills\u002Fdeploying-scalable-agents",26019,"https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Fai-agents-for-beginners","https:\u002F\u002Faka.ms\u002Fai-agents-beginners","https:\u002F\u002Fgithub.com\u002Fmicrosoft","https:\u002F\u002Fopensource.microsoft.com","Open source projects and samples from Microsoft","2026-11-07 12:51:12",{"source":7,"skillName":5,"commands":35,"prompt":45,"zipAvailable":46},[36,39,42],{"tool":37,"command":38},"npx","npx skills add microsoft\u002Fai-agents-for-beginners --skill deploying-scalable-agents",{"tool":40,"command":41},"bunx","bunx skills add microsoft\u002Fai-agents-for-beginners --skill deploying-scalable-agents",{"tool":43,"command":44},"pnpm","pnpm dlx skills add microsoft\u002Fai-agents-for-beginners --skill deploying-scalable-agents","安装技能，技能地址：https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Fai-agents-for-beginners\u002Fblob\u002Fmain\u002Ftranslations\u002Fda\u002F.agents\u002Fskills\u002Fdeploying-scalable-agents\u002FSKILL.md",true,[48,54,58,64,68],{"path":49,"resourceType":50,"resourceTypeDesc":51,"sizeBytes":52,"sourceHtmlUrl":53},"archive.js","SCRIPT","脚本",1805,"https:\u002F\u002Fgithub.com\u002FMukhammadIbrokhimov\u002FAi-Assistant\u002Fblob\u002Fmain\u002Fworkspace-mirror\u002Fskills\u002Farchive\u002Farchive.js",{"path":55,"resourceType":50,"resourceTypeDesc":51,"sizeBytes":56,"sourceHtmlUrl":57},"bin\u002Farchive.js",764,"https:\u002F\u002Fgithub.com\u002FMukhammadIbrokhimov\u002FAi-Assistant\u002Fblob\u002Fmain\u002Fworkspace-mirror\u002Fskills\u002Farchive\u002Fbin\u002Farchive.js",{"path":59,"resourceType":60,"resourceTypeDesc":61,"sizeBytes":62,"sourceHtmlUrl":63},"package-lock.json","REFERENCE","参考文档",45903,"https:\u002F\u002Fgithub.com\u002FMukhammadIbrokhimov\u002FAi-Assistant\u002Fblob\u002Fmain\u002Fworkspace-mirror\u002Fskills\u002Farchive\u002Fpackage-lock.json",{"path":65,"resourceType":60,"resourceTypeDesc":61,"sizeBytes":66,"sourceHtmlUrl":67},"package.json",265,"https:\u002F\u002Fgithub.com\u002FMukhammadIbrokhimov\u002FAi-Assistant\u002Fblob\u002Fmain\u002Fworkspace-mirror\u002Fskills\u002Farchive\u002Fpackage.json",{"path":69,"resourceType":50,"resourceTypeDesc":51,"sizeBytes":70,"sourceHtmlUrl":71},"tests\u002Farchive.test.js",6969,"https:\u002F\u002Fgithub.com\u002FMukhammadIbrokhimov\u002FAi-Assistant\u002Fblob\u002Fmain\u002Fworkspace-mirror\u002Fskills\u002Farchive\u002Ftests\u002Farchive.test.js",[73,91,102,110,118,123],{"skillNo":74,"name":75,"nameZh":6,"description":6,"descriptionZh":6,"repositoryFullName":7,"ownerLogin":8,"ownerAvatarUrl":9,"ownerAccountNo":10,"ownerDisplayName":11,"repositoryNo":12,"starsCount":13,"licenseSpdxId":14,"licenseFileUrl":6,"sourceHtmlUrl":76,"categories":77,"keywords":88,"publishedAt":19},"01M69A206TRZ8KK0CW0HYJF5V5","testing-course-samples","https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Fai-agents-for-beginners\u002Fblob\u002Fmain\u002Ftranslations\u002Fzh-TW\u002F.agents\u002Fskills\u002Ftesting-course-samples\u002FSKILL.md",[78,83],{"categoryNo":79,"categoryName":80,"taxonomyType":81,"taxonomyTypeDesc":82},"01JBSEEDCAT000000000000008","测试与质量","SCENARIO","使用场景",{"categoryNo":84,"categoryName":85,"taxonomyType":86,"taxonomyTypeDesc":87},"01JBSEEDCAT000000000000039","教师与教育","PROFESSION","适用职业",[89,90],"testing","testing course samples",{"skillNo":92,"name":93,"nameZh":6,"description":6,"descriptionZh":6,"repositoryFullName":7,"ownerLogin":8,"ownerAvatarUrl":9,"ownerAccountNo":10,"ownerDisplayName":11,"repositoryNo":12,"starsCount":13,"licenseSpdxId":14,"licenseFileUrl":6,"sourceHtmlUrl":94,"categories":95,"keywords":99,"publishedAt":19},"01M69A1XRB2SFHYRMEH0K08EKZ","microsoft-docs","https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Fai-agents-for-beginners\u002Fblob\u002Fmain\u002Ftranslations\u002Fzh-TW\u002F.agents\u002Fskills\u002Fmicrosoft-docs\u002FSKILL.md",[96],{"categoryNo":97,"categoryName":98,"taxonomyType":81,"taxonomyTypeDesc":82},"01JBSEEDCAT000000000000023","Skill与智能体开发",[100,8,101],"docs","microsoft docs",{"skillNo":103,"name":104,"nameZh":6,"description":6,"descriptionZh":6,"repositoryFullName":7,"ownerLogin":8,"ownerAvatarUrl":9,"ownerAccountNo":10,"ownerDisplayName":11,"repositoryNo":12,"starsCount":13,"licenseSpdxId":14,"licenseFileUrl":6,"sourceHtmlUrl":105,"categories":106,"keywords":107,"publishedAt":19},"01M69A1VPZFJQ1HNGTZQ5P3WSC","local-ai-agents","https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Fai-agents-for-beginners\u002Fblob\u002Fmain\u002Ftranslations\u002Fzh-TW\u002F.agents\u002Fskills\u002Flocal-ai-agents\u002FSKILL.md",[],[108,109],"ai agents","local ai agents",{"skillNo":111,"name":112,"nameZh":6,"description":113,"descriptionZh":6,"repositoryFullName":7,"ownerLogin":8,"ownerAvatarUrl":9,"ownerAccountNo":10,"ownerDisplayName":11,"repositoryNo":12,"starsCount":13,"licenseSpdxId":14,"licenseFileUrl":6,"sourceHtmlUrl":114,"categories":115,"keywords":116,"publishedAt":19},"01M69A1S947N7MM6V9JF85S2E7","jupyter-notebook","當使用者要求建立、搭建或編輯 Jupyter 筆記本（`.ipynb`）用於實驗、探索或教學時使用；優先使用隨附範本並執行輔助腳本 `new_notebook.py` 來產生一個乾淨的起始筆記本。","https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Fai-agents-for-beginners\u002Fblob\u002Fmain\u002Ftranslations\u002Fzh-TW\u002F.agents\u002Fskills\u002Fjupyter-notebook\u002FSKILL.md",[],[117],"jupyter notebook",{"skillNo":119,"name":5,"nameZh":6,"description":6,"descriptionZh":6,"repositoryFullName":7,"ownerLogin":8,"ownerAvatarUrl":9,"ownerAccountNo":10,"ownerDisplayName":11,"repositoryNo":12,"starsCount":13,"licenseSpdxId":14,"licenseFileUrl":6,"sourceHtmlUrl":120,"categories":121,"keywords":122,"publishedAt":19},"01M69A1Q8EXPWKZSQK69V6WF22","https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Fai-agents-for-beginners\u002Fblob\u002Fmain\u002Ftranslations\u002Fzh-TW\u002F.agents\u002Fskills\u002Fdeploying-scalable-agents\u002FSKILL.md",[],[18],{"skillNo":124,"name":125,"nameZh":6,"description":6,"descriptionZh":6,"repositoryFullName":7,"ownerLogin":8,"ownerAvatarUrl":9,"ownerAccountNo":10,"ownerDisplayName":11,"repositoryNo":12,"starsCount":13,"licenseSpdxId":14,"licenseFileUrl":6,"sourceHtmlUrl":126,"categories":127,"keywords":128,"publishedAt":19},"01M69A1MHZTH3RH9N8VYSYG74X","azure-openai-to-responses","https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Fai-agents-for-beginners\u002Fblob\u002Fmain\u002Ftranslations\u002Fzh-TW\u002F.agents\u002Fskills\u002Fazure-openai-to-responses\u002FSKILL.md",[],[129],"azure openai to responses"]