这个 Skill 能做什么，适合哪些场景？
这是 Microsoft Agent Skills 仓库中 Azure AI Foundry 的一个模型部署技能，专注于按区域容量选择部署位置。它会验证 Azure 身份与项目范围，检查当前区域，并在容量不足时查询其他区域。技能支持筛选或创建项目，使用 GlobalStandard SKU 部署模型并监控进度。它适合希望快速完成标准部署的用户，不适合需要自定义 SKU、版本、容量或 PTU 的场景。
验证 Azure CLI 登录状态和订阅；解析并验证 Azure AI Foundry 项目资源 ID；列出可用模型供选择；通过 Azure REST API 查询 GlobalStandard 容量；在当前区域无容量时查询其他区域并展示替代方案；筛选或创建目标区域中的项目；生成唯一部署名称，按可用容量计算部署容量并执行部署；监控部署进度。
- Azure AI Foundry 开发者希望在当前项目区域有容量时快速部署模型。
- 平台工程师需要在当前区域容量不足时比较多个 Azure 区域并选择替代位置。
- 团队希望通过 Azure CLI 将模型部署到现有或新建的 Foundry 项目。
- 需要标准 GlobalStandard 部署并接受自动区域选择的原型或快速搭建场景。
如何安装这个 Skill？
- 部署和创建资源属于外部且可能计费的变更；执行前应增加明确的最终确认、成本/配额提示，并记录可恢复方案。
- 两个 workflow reference 对 OpenAI 与非 OpenAI 模型、容量计算和 quota 相对路径存在冲突，应先统一并验证。
- 依赖的 generate_deployment_name、generate_deployment_url、jq、awk、openssl 未在所给目标材料中得到完整可用性证明。
- Anthropic 流程会读取租户 countryCode 和 displayName；应说明用途、权限范围和敏感信息处理方式。
- Shell / 命令行
- 网络访问
Azure CLI
安装整个技能集合：运行 npx skills add microsoft/skills，然后在向导中选择需要的技能。也可以克隆仓库后，将 .github/plugins/azure-skills/skills/microsoft-foundry/models/deploy-model/preset/ 复制到所选 Agent 的技能目录。README 未提供该单个技能的独立安装命令。
tmp="$(mktemp -d)"
git clone --depth 1 https://github.com/microsoft/skills.git "$tmp"
mkdir -p ~/.claude/skills
cp -R "$tmp/.github/plugins/azure-skills/skills/microsoft-foundry/models/deploy-model/preset" ~/.claude/skills/
rm -rf "$tmp"根据源仓库地址和 Skill 路径自动生成，只复制这个 Skill 的文件夹。如果上文有作者提供的安装方式，请优先按作者说明操作；想只在当前项目中使用，把 ~/.claude/skills 换成项目里的 .claude/skills。
如何使用这个 Skill？
安装后，把下面任意一句发给 Agent 即可触发：
- 快速部署
- 选择最佳区域
- 检查多区域容量
确保已安装并配置 Azure CLI，并准备具有 Cognitive Services 读取和创建权限的 Azure 订阅。提供 PROJECT_RESOURCE_ID，或按提示交互式提供项目资源 ID。然后使用能够匹配“快速部署”“选择最佳区域”“检查多区域容量”等意图的请求触发该技能。技能会让用户选择模型，并在必要时选择区域和项目。
这个 Skill 有哪些优点和局限？
- 自动优先检查当前项目区域，并在无容量时查询其他区域。
- 覆盖身份验证、项目验证、容量发现、项目选择、部署和进度监控。
- 支持在需要时创建目标区域的新项目。
- 安装集合采用 `npx skills add microsoft/skills`，并支持多 Agent 配置。
- 仅支持 GlobalStandard SKU；自定义 SKU、版本、容量和 PTU 部署应使用 customize 技能。
- 要求 Azure CLI、有效订阅、项目资源 ID，以及相应的 Cognitive Services 权限。
- 部署依赖实时 Azure 区域容量，容量不足或区域不支持模型时仍可能无法部署。
- 提供的材料没有该单个技能的专门测试结果；仓库整体仍处于积极开发阶段。
这个 Skill 与同类方案有什么区别？
与相关 Skills 并排比较；分数均按同一 FSRS 标准得出。
| Skill | FS 评分 | Star 数 | 最近更新 | License |
|---|---|---|---|---|
| Azure OpenAI 智能区域部署 本页 ✓ Microsoft · 官方 | 44 · 不推荐 | ★ 2.7k | 3 个月前 | MIT |
| Azure OpenAI 模型部署助手 ✓ Microsoft · 官方 | 52 · 谨慎使用 | ★ 2.7k | 3 个月前 | MIT |
| Azure OpenAI 定制部署向导 ✓ Microsoft · 官方 | 49 · 谨慎使用 | ★ 2.7k | 3 个月前 | MIT |
| Microsoft 365 代理评测器 ✓ Microsoft · 官方 | 54 · 谨慎使用 | ★ 2.7k | 3 个月前 | MIT |
| Azure AI 服务技能 ✓ Microsoft · 官方 | 49 · 谨慎使用 | ★ 2.7k | 3 个月前 | MIT |
与同一 Foundry 模型部署范围内的 customize 技能相比，preset 自动选择区域并使用 GlobalStandard，适合快速标准部署；customize 适合指定 SKU、版本、容量或 PTU。遇到配额不足时，相关说明建议转交 quota 技能处理配额请求和故障排查。
FollowSkills 如何评估这个 Skill？
文档要求 Azure 认证、项目资源 ID 和用户选择区域，并对 Anthropic 行业字段要求明确询问；但创建项目、部署模型及可能产生费用的外部变更缺少部署前最终确认、成本提示、最小权限细化和回滚流程，且高级用法仅提供删除命令，数据流与租户信息读取披露有限，因此扣分。
主流程、异常表和部署状态轮询较完整，失败时通常给出后续命令；但两个 workflow reference 对模型格式、容量计算和 quota 相对路径存在不一致，依赖 jq、awk、openssl 及未在所给材料中验证存在的 scripts，部分边界条件处理不足，因此限制在静态评估上限内并扣分。
触发条件和不适用场景在 front matter 中较清楚，覆盖当前区域、跨区域和创建项目场景；但输入参数、输出契约和区域选择策略仍依赖交互，缺少非 Azure 环境边界及中文说明，且 Azure CLI/管理 API 的网络可达性未说明，因此扣分。
具备 MIT 许可、作者、版本号、分阶段结构、先决条件、示例、错误处理和相关技能链接；但缺少 changelog、维护责任与更新路径，引用文件和脚本依赖的安装说明不完整，且文档之间存在维护一致性问题，因此扣分。
提供了可直接改用的 Azure CLI、REST 和轮询命令，覆盖部署、替代区域、项目创建和失败指导，核心任务价值明确；但示例结果与耗时不可由静态材料验证，脚本缺失证据、重复文档冲突及容量逻辑风险意味着仍需较多人工审查，因此未超过静态上限并扣分。
引用了具体命令、API 版本、错误路径和仓库级 CI/测试材料，具备一定审计性；但所给 CI 测试并未证明该目标技能的关键路径，示例中的成功结果和性能数据也没有第三方执行证据，因此仅给有限分数。
点击维度查看打分理由
证据充分度：低 — 主要依赖静态检查、作者材料或有限演示；适合发现线索，不适合做高风险决策。
查看完整评分方法 →