Microsoft Foundry Skill

このスキルは開発者が Microsoft Foundry リソースで作業するのを支援し、モデルの発見とデプロイ、AI エージェントの完全な開発ライフサイクル、評価ワークフロー、トラブルシューティングをカバーします。

事前実行要件

必須: ANY ワークフローを実行する前に、まず Azure MCP foundry ツールを呼び出して、利用可能な Foundry MCP ツールと関連パラメータを確認する必要があります。 この初期 foundry 呼び出しを発見/ヘルプステップとして扱ってください。このスキルでは、Azure MCP foundry が Foundry 関連 MCP 操作の必須エントリポイントです。

サブスキル

必須: ANY ワークフロー固有のステップを実行する前に、対応するサブスキルドキュメントを読む必要があります。 サブスキルドキュメントを読まずにワークフロー固有の MCP ツールを呼び出さないでください。MCP ツールパラメータをすでに知っている場合でも、このルールが適用されます — スキルドキュメントには従う必要のある必須ワークフローステップ、事前チェック、検証ロジックが含まれています。このルールはタスクに一致するサブスキルがすでに読み込まれている場合でも、異なるワークフローをトリガーする新しいユーザーメッセージごとに適用されます。

このスキルには特定のワークフロー向けの専門的なサブスキルが含まれています。タスクに一致する場合は、メインスキルの代わりにこれらを使用してください:

サブスキル	使用時期	参照
deploy	コンテナ化、ビルド、ACR へのプッシュ、エージェントデプロイメントの作成/更新/クローン	deploy
invoke	エージェントへのメッセージ送信、シングルターンまたはマルチターン会話	invoke
observe	エージェント品質の評価、バッチ評価の実行、障害分析、プロンプト最適化、エージェント命令の改善、バージョン比較、CI/CD モニタリング設定、継続的本番評価の有効化	observe
trace	トレース照会、レイテンシ/障害分析、App Insights customEvents を介した評価結果の特定の応答への相関付け	trace
troubleshoot	ホストされたエージェントログの表示、テレメトリ照会、障害診断	troubleshoot
create	新しいホストされたエージェントアプリケーションを作成。Microsoft Agent Framework、LangGraph、または Python か C# のカスタムフレームワークをサポート、responses または invocations プロトコル間で。	create
faos-optimize	既存の Python エージェントコードを FAOS (Foundry Agent Optimization Service) 最適化対応バージョンに変換。評価器対象命令/モデル/温度ノブを配線してから、デプロイ前にレビュー用に停止。	faos-optimize
eval-datasets	本番トレースを評価データセットに収穫、データセットバージョンとスプリット管理、時間経過による評価メトリクス追跡、回帰検出、トレースからデプロイメントへの完全な系統維持。使用対象: トレースからのデータセット作成、データセットバージョン管理、評価トレンド、回帰検出、データセット比較、評価系統。	eval-datasets
project/create	エージェントとモデルをホストするための新しい Azure AI Foundry プロジェクト作成。Foundry へのオンボーディング時または新しいインフラストラクチャ設定時に使用。	project/create/create-foundry-project.md
resource/create	Azure CLI を使用した Azure AI Services マルチサービスリソース (Foundry リソース) 作成。AI Services リソースを細かく制御してデプロイする場合に使用。	resource/create/create-foundry-resource.md
private-network	Foundry ネットワーク分離についての質問に答える および VNet 分離を使用した Foundry デプロイ (BYO VNet、マネージド VNet、ハイブリッド)。アーキテクチャコンセプト、テンプレート選択、デプロイメント、デプロイ後検証をカバー。	resource/private-network/private-network.md
models/deploy-model	インテリジェントルーティングを使用した統合モデルデプロイメント。クイックプリセットデプロイメント、完全カスタマイズデプロイメント (バージョン/SKU/キャパシティ/RAI)、リージョン間のキャパシティ発見を処理。サブスキルへのルーティング: preset (クイックデプロイ)、customize (フル制御)、capacity (可用性検索)。	models/deploy-model/SKILL.md
quota	Microsoft Foundry リソースのクォータとキャパシティの管理。クォータ使用状況の確認、不十分なクォータが原因のデプロイメント障害のトラブルシューティング、クォータ増加のリクエスト、キャパシティ計画時に使用。	quota/quota.md
rbac	Microsoft Foundry リソースの RBAC パーミッション、ロール割り当て、マネージド ID、サービスプリンシパルの管理。アクセス制御、パーミッションの監査、CI/CD 設定に使用。	rbac/rbac.md

💡 ヒント: 完全なオンボーディングフロー: project/create (パブリック) または private-network (VNet 分離) → models/deploy-model → エージェントワークフロー (create → deploy → invoke)。

💡 モデルデプロイメント: すべてのデプロイメントシナリオで models/deploy-model を使用してください — クイックプリセットデプロイメント、カスタマイズデプロイメント (フル制御)、リージョン間のキャパシティ発見の間でインテリジェントにルーティングします。

💡 プロンプト最適化: 「プロンプトを最適化してください」または「エージェント命令を改善してください」などのリクエストについては、observe を読み込み、その評価駆動ワークフロー経由で prompt_optimize MCP ツールを使用してください。

インフラストラクチャライフサイクル

ユーザーの意図を正しいインフラストラクチャワークフローにマッチングしてください。

ユーザーの意図	ワークフロー
「Foundry を作成」/「Foundry をセットアップ」(曖昧)	AskUserQuestion を使用: (a) AI Services リソースのみ、(b) パブリックアクセス付きのプロジェクト、または (c) ネットワーク分離付きのプロジェクト? ルーティング: (a) → resource/create、(b) → project/create、(c) → private-network
VNet 分離で Foundry をセットアップ	private-network
Foundry プロジェクト (パブリック) を作成	project/create
ベアな Foundry リソースを作成	resource/create

エージェント開発ライフサイクル

ユーザーの意図を正しいエージェントワークフローにマッチングしてください。実行前に各サブスキルを順番に読んでください。

ユーザーの意図	ワークフロー (順番に読む)
ゼロからの新しいエージェント作成	create → deploy → invoke
既存の Python エージェントを FAOS 最適化可能に変更	faos-optimize → レビュー → デプロイ → 呼び出し
エージェント (コード既存) をデプロイ	デプロイ → 呼び出し
コード変更後のエージェント更新/再デプロイ	デプロイ → 呼び出し
エージェントの呼び出し/テスト/チャット	呼び出し
エージェント プロンプト またはインストラクションを最適化/改善	observe (ステップ 4: 最適化)
エージェントの評価と最適化 (フルループ)	observe
継続的評価モニタリングを有効化	observe (ステップ 6: CI/CD とモニタリング)
エージェント問題のトラブルシューティング	呼び出し → トラブルシュート
壊れたエージェント修復 (トラブルシュート + 再デプロイ)	呼び出し → トラブルシュート → 修正適用 → デプロイ → 呼び出し

エージェント: .foundry ワークスペース標準

すべてのエージェントソースフォルダは Foundry 固有の状態を .foundry/ 下に保つ必要があります:

<agent-root>/
  .foundry/
    agent-metadata.yaml
    agent-metadata.prod.yaml
    datasets/
    evaluators/
    results/

• agent-metadata.yaml は推奨されるローカル/dev メタデータファイル。agent-metadata.prod.yaml などのオプションのサイドカーファイルは、単一の prod または CI 対象環境を保持でき、複数の環境を 1 つのファイルで混在させることなく使用できます。
• datasets/ と evaluators/ はローカルキャッシュフォルダ。現在の場合は再利用し、リフレッシュまたは上書き前に確認してください。
• Agent Metadata Contract で正規スキーマとワークフロー規則を参照。

エージェント: セットアップリファレンス

• Standard Agent Setup - 顧客管理データ、検索、AI Services リソースを使用した標準機能ホスト設定。

エージェント: プロジェクトコンテキスト解決

エージェント スキルは、すでに持っていない設定値が必要な場合 のみ このステップを実行する必要があります。値 (たとえば、エージェント root、環境、プロジェクトエンドポイント、またはエージェント名) がユーザーのメッセージまたは同じセッション内の以前のスキルから既にわかっている場合は、その値の解決をスキップしてください。

ステップ 1: エージェント Root を発見

.foundry/ フォルダを含む agent-metadata.yaml または agent-metadata.<env>.yaml のワークスペースを検索。

• 1 つのマッチ → そのエージェント root を使用。
• 複数のマッチ → ユーザーがターゲットエージェントフォルダを選択することを要求。
• マッチなし → create/deploy ワークフロー用は、セットアップ中に新しい .foundry/ フォルダをシード; その他のすべてのワークフロー用は停止し、初期化するエージェント ソースフォルダをユーザーに尋ねる。

エージェント root を選択した後、そのフォルダ内のみにすべてのローカル .foundry キャッシュ検査、ソース検査、評価器提案、データセット提案、プロンプト最適化コンテキストを保つ。ユーザーが明示的に root を切り替えない限り、兄弟エージェント フォルダをスキャンしないでください。

ステップ 2: メタデータファイルを選択し、環境を解決

選択したエージェント root 内で、この順序でメタデータファイルを選択:

1. ユーザーまたはワークフローが明示的に提供したメタデータファイル名またはパス
2. 明示的な環境がすでにわかっており、.foundry/agent-metadata.<env>.yaml が存在する場合、そのファイルを使用
3. .foundry/agent-metadata.yaml
4. 複数のメタデータファイルが残り、上記のルールで選択できない場合、ユーザーに選択を促す

選択したメタデータファイルを読み取り、この順序で環境を解決:

1. ユーザーが明示的に指定した環境
2. 選択したメタデータファイルが正確に 1 つの環境を定義している場合、それを使用
3. 環境は既にセッション内で選択済み
4. メタデータからの defaultEnvironment

選択したメタデータファイルがまだ複数の環境を含み、上記のルールで選択されていない場合、ユーザーに選択を促す。すべてのワークフローサマリーで選択されたエージェント root、メタデータファイル、環境を見えるようにしてください。

選択した環境が古い testSuites[] メタデータを公開しているが evaluationSuites[] ではない場合、このセッションでは testSuites[] をソースとして扱い、続行前にメモリ内の各エントリを evaluationSuites[] 形状に正規化してください。メタデータがさらに古く、レガシ testCases[] のみを公開している場合、同じ方法でそのリストを正規化してください。データセットと評価器フィールドを保持し、既存の tags を保つ、マッピングのみレガシ priority を tags.tier へ (tags.tier が欠落している場合): P0 -> smoke、P1 -> regression、P2 -> coverage。

ステップ 3: 共通設定を解決

選択した環境を選択したメタデータファイルの主要ソースとして使用:

メタデータフィールド	解決先	使用者
environments.<env>.projectEndpoint	プロジェクトエンドポイント	deploy、invoke、observe、trace、troubleshoot
environments.<env>.agentName	エージェント名	invoke、observe、trace、troubleshoot
environments.<env>.azureContainerRegistry	ACR レジストリ名/画像 URL プレフィックス	deploy
environments.<env>.evaluationSuites[]	データセット + 評価器 + タグバンドル	observe、eval-datasets

ステップ 4: ブートストラップ欠落メタデータ (Create/Deploy のみ)

create/deploy が新しい .foundry ワークスペースを初期化しており、メタデータフィールドがまだ欠落している場合、azure.yaml がプロジェクト root に存在するか確認。見つかった場合、azd env get-values を実行し、デフォルトでそれを使用して agent-metadata.yaml をシード、またはワークフローが明示的に分離された環境固有のファイルをターゲットにするときは agent-metadata.<env>.yaml をシード。

メタデータライト (デプロイ、自動セットアップ、データセット更新、またはトレース-データセット更新) で、選択したメタデータファイル内のみ evaluationSuites[] を保持。選択したファイルが推奨される単一環境ファイルの場合、その環境ブロックのみを書き直す。選択したファイルが古いマルチ環境ファイルの場合、選択した環境ブロックのみを書き直す。自動的に兄弟メタデータファイル間で環境をコピーまたはマージしないでください。選択した環境がまだ古い testSuites[] またはレガシ testCases[] を使用している場合、それを evaluationSuites[] に書き直し、書き直されたエントリから移行された priority フィールドを削除。

azd 変数	シード対象
AZURE_AI_PROJECT_ENDPOINT または AZURE_AIPROJECT_ENDPOINT	environments.<env>.projectEndpoint
AZURE_CONTAINER_REGISTRY_NAME または AZURE_CONTAINER_REGISTRY_ENDPOINT	environments.<env>.azureContainerRegistry
AZURE_SUBSCRIPTION_ID	トレース/トラブルシュート検索の Azure サブスクリプション

ステップ 5: 欠落値の収集

ユーザーのメッセージ、セッションコンテキスト、メタデータ、または azd ブートストラップから解決 されない値のみ に対して ask_user または askQuestions ツールを使用。スキルが必要とする可能性のある一般的な値:

• エージェント root — .foundry/agent-metadata*.yaml を含むターゲットフォルダ
• メタデータファイル — ローカル/dev 用の agent-metadata.yaml、または agent-metadata.prod.yaml などの明示的なサイドカー
• 環境 — メタデータからの dev、prod、または別の環境キー
• プロジェクトエンドポイント — AI Foundry プロジェクトエンドポイント URL
• エージェント名 — ターゲットエージェントの名前

💡 ヒント: ユーザーがすでにエージェントパス、環境、プロジェクトエンドポイント、またはエージェント名を提供している場合、直接それを抽出してください — 再度尋ねないでください。

エージェント: エージェントタイプ

すべてのエージェント スキルは 2 つのエージェントタイプをサポート:

タイプ	Kind	説明
Prompt	"prompt"	モデルデプロイメントに支えられた LLM ベースエージェント
Hosted	"hosted"	カスタムコードを実行するコンテナベースエージェント

必要に応じて agent_get MCP ツールを使用してエージェントのタイプを判定。

ツール使用規則

• ユーザーから情報を収集するときは常に ask_user または askQuestions ツールを使用
• 長時間実行または独立した副タスク (たとえば、環境変数スキャン、ステータスポーリング、Dockerfile 生成) をデリゲートするには task または runSubagent ツールを使用
• 利用可能な場合は直接 CLI コマンドより Azure MCP ツールを優先
• CLI コマンド構文を埋め込む代わりに公式 Microsoft ドキュメント URL を参照

追加リソース

• Foundry Hosted Agents
• Foundry Agent Runtime Components

SDK クイックリファレンス

• Python