eShop项目中Azure OpenAI本地开发连接字符串的最佳实践
2025-05-29 20:35:22作者:秋泉律Samson
在eShop项目中使用Azure OpenAI服务时,开发团队发现了一个关于本地开发环境配置的重要优化点。本文将详细介绍这一发现及其解决方案,帮助开发者更好地理解如何在本地开发环境中高效使用Azure OpenAI服务。
背景与问题发现
在Aspire框架的Preview 5版本中,Azure OpenAI服务的集成方式发生了变化。当开发者使用builder.AddAzureOpenAI方法时,如果目标资源不存在,系统会自动创建一个新的Azure OpenAI资源。这种行为虽然简化了初始设置,但在本地开发环境中可能带来以下问题:
- 每次启动应用都会尝试创建资源,影响开发效率
- 无法复用已部署的Azure OpenAI实例
- 开发环境与生产环境行为不一致
解决方案:条件性使用连接字符串
经过技术团队的讨论和实践,提出了一个优雅的解决方案:根据执行上下文动态选择连接方式。具体实现如下:
var ai = builder.ExecutionContext.IsPublishMode ?
builder.AddAzureOpenAI(ServiceNames.AzureOpenAI)
.AddDeployment(new(builder.Configuration["Azure:AI:ChatDeploymentName"] ?? "gpt-4", "gpt-4", "1106"))
.AddDeployment(new(builder.Configuration["Azure:AI:EmbeddingDeploymentName"] ?? "text-embedding-ada-002", "text-embedding-ada-002", "2")) :
builder.AddConnectionString(ServiceNames.AzureOpenAI);
这个方案的核心思想是:
- 在发布模式下(
IsPublishMode为true),使用完整的Azure OpenAI资源配置 - 在本地开发模式下,直接使用连接字符串
技术优势
这种条件性配置方式带来了多重好处:
- 开发效率提升:本地开发时避免了不必要的资源创建检查
- 环境一致性:可以复用已部署的实例,保持开发与生产环境一致
- 配置灵活性:通过连接字符串可以轻松切换不同的Azure OpenAI实例
- 性能优化:减少了本地启动时的外部依赖检查
实现细节与最佳实践
在实际应用中,建议开发者:
- 将Azure OpenAI的连接信息存储在用户机密中
- 为不同的部署环境(开发/测试/生产)配置独立的连接字符串
- 使用有意义的服务名称常量(如示例中的
ServiceNames.AzureOpenAI) - 为模型部署配置合理的默认值,如示例中的GPT-4和text-embedding-ada-002
总结
eShop项目中的这一实践展示了如何在复杂云服务集成中平衡开发便利性和环境一致性。通过条件性使用连接字符串,开发者既保持了Aspire框架的自动化优势,又获得了本地开发的高效体验。这种模式不仅适用于Azure OpenAI服务,也可以推广到其他类似的云服务集成场景中。
登录后查看全文
热门项目推荐
相关项目推荐
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
Spark-Prover-X1-7BSpark-Prover 是由科大讯飞团队开发的专用大型语言模型,专为 Lean4 中的自动定理证明而设计。该模型采用创新的三阶段训练策略,显著增强了形式化推理能力,在同等规模的开源模型中实现了最先进的性能。Python00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00
项目优选
收起
deepin linux kernel
C
24
7
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
321
2.74 K
仓颉编译器源码及 cjdb 调试工具。
C++
124
851
Ascend Extension for PyTorch
Python
157
178
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
640
249
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
244
86
暂无简介
Dart
608
136
React Native鸿蒙化仓库
JavaScript
239
311
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
470
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
364
3.03 K