Configuração, não código
Instruções, modelo e tools definidos no portal (portal-first) ou via SDK e REST no seu pipeline (code-first, com versionamento e code review). O Foundry roda por você: sem container, sem compute, sem patch.
Todos os serviços e funcionalidades da plataforma, com base na documentação oficial: modelos e deployment types, Model Router, Agent Service, Tools e MCP, Foundry IQ, e o Control Plane em profundidade, tracing, evaluators, monitoramento contínuo, guardrails, identidade com Defender, Sentinel e Purview, multi-cloud e rede, com blocos de como fazer, cenários de uso e o hands-on oficial de 3 horas.
Uma plataforma para modelos, agentes, conhecimento e governança. O que é o Microsoft Foundry, os números e a hierarquia de recursos que organiza tudo.
Azure OpenAI, Azure AI Studio, Azure Machine Learning, Azure AI Search e Cognitive Services, cada um com portal, SDK, billing e RBAC próprios. Todo projeto de IA recosturava o mesmo encanamento antes de escrever uma linha de código de produto.
Renomeado de Azure AI Foundry no Ignite 2025, o Foundry unifica modelos, agentes, ferramentas e conhecimento sob um único namespace de recursos, com RBAC, rede, tracing, evaluations e governança embutidos na própria plataforma, sem exigir o par hub + projeto do modelo clássico.
O nome é o conceito: matéria-prima entra, produto acabado sai. Modelos são a matéria-prima. Agentes governados são o produto.
OpenAI, Anthropic, xAI, DeepSeek, Meta, Mistral, NVIDIA e famílias open-source, mais as suas variantes fine-tuned, atrás de um único fluxo de seleção, avaliação e deploy. O Claude chegou à disponibilidade geral no Foundry em junho de 2026.
O catálogo e as duas origens, os sete deployment types, o Model Router com simulação ao vivo, e fine-tuning com a mesma governança.
Modelos vendidos diretamente pelo Azure (Azure Direct Models: OpenAI, Claude, Grok, DeepSeek), com SLA do Azure, billing na assinatura e data zones, mais modelos de parceiros e da comunidade. Filtre por capacidade, preço, região e compliance.
Com instant access (preview), você chama modelos suportados pelo nome e infere na hora, sem criar deployment. Benchmarks e leaderboards no portal ajudam a comparar qualidade, custo e latência antes de decidir.
Hugging Face, NVIDIA NIM, modelos de indústria e custom rodam em GPU dedicada (A100, H100, H200, MI300), cobrados por hora de acelerador, com private networking. O caminho para modelos que não são vendidos por token.
Dados em repouso permanecem na geografia designada em todos os tipos. A inferência é que muda de escopo: global, data zone (US/EU Data Boundary) ou regional.
Três gestos. No portal: Model catalog, Deploy, escolha o deployment type. Em IaC: o mesmo SKU name (GlobalStandard, DataZoneStandard, GlobalBatch...) via CLI ou Bicep, versionado no repositório. E o teste imediato pela Responses API, sem esperar nada provisionar além do deployment.
Um modelo de ML construído para isso, treinado em centenas de milhares de exemplos, lê a requisição inteira, system message, tools e histórico, e roteia em três passos: entender o prompt, escolher o modelo, responder. A versão 2025-11-18 é atualizada in-place: modelos novos entram sem trocar o endpoint.
Prompt simples e de baixo risco: o roteador escolhe um modelo pequeno e rápido, reservando os modelos de fronteira para quando o prompt exige.
Simulação didática com modelos da versão 2025-11-18. Em produção, a decisão considera o contexto completo e o subset configurado; o campo "model" da resposta sempre revela a escolha.
SFT para ensinar formato e domínio com exemplos supervisionados, DPO para alinhar por preferência direta, RFT para raciocínio com recompensa por rubrica, e distillation para comprimir um modelo professor em um aluno barato de servir.
Dataset, job de fine-tuning e avaliação lado a lado com os mesmos evaluators do restante da plataforma. O deployment type Developer (24 horas de vida, sem SLA, sem residência) existe para testar o fine-tune barato antes do deploy real.
O modelo custom entra no catálogo do seu recurso com guardrails, tracing, quota e RBAC idênticos aos de um modelo de catálogo. Customização não cria uma via paralela sem controle.
O catálogo completo de modelos, deployments globais e por data zone, GPU gerenciada e a plataforma de agentes inteira, operada e escalada pelo Azure.
Modelos multimodais em GPUs NVIDIA locais com zero conectividade, Kubernetes multi-node no Azure Local, runtime vLLM, e a mesma Responses API com function calling e camada agêntica com knowledge bases e MCP local. Mesmo código, runtime diferente.
Feito para governo, defesa, saúde, financeiro e telecom, cenários com requisitos rígidos de soberania de dados, redes classificadas e sites desconectados.
Global Standard pela quota máxima, com priority processing (preview) no caminho sensível a latência. Sem reservar capacidade, sem balancear recursos na mão.
Data Zone Standard EU para o tráfego geral e Data Zone Provisioned (PTU) no fluxo crítico: inferência presa ao EU Data Boundary, latência com alvo por modelo.
Global Batch com cerca de 50% de desconto por token. Milhões de documentos processados de madrugada, resultado assíncrono de manhã, custo pela metade.
Fine-tune SFT com o estilo de código interno, avaliado num deployment Developer de 24 horas, promovido a Global Standard e servido atrás do Model Router com subset aprovado.
Prompt agents, hosted agents por dentro, memória e Routines, orquestração multiagente, o toolbox de 1.400+ ferramentas e o MCP nos dois sentidos.
Configuração, não código
Instruções, modelo e tools definidos no portal (portal-first) ou via SDK e REST no seu pipeline (code-first, com versionamento e code review). O Foundry roda por você: sem container, sem compute, sem patch.
Seu código, o runtime do Foundry
Seu agente como container ou zip do código-fonte, em Agent Framework, LangGraph, OpenAI Agents SDK, Claude Agent SDK ou GitHub Copilot SDK. Sessões isoladas, estado, identidade e autoscaling. GA em julho de 2026. Detalhe no próximo slide.
A porta única da plataforma
Todo tipo de agente entra por ela: modelos do catálogo mais as platform tools (file search, code interpreter, memória, web search, MCP). Seu agente pode ficar onde já roda e chamar só esse endpoint.
Prompt agent: uma chamada de SDK com nome, modelo, instruções e tools, e ele já existe versionado. Hosted agent: azd ai agent init inicializa de um sample oficial e azd deploy sobe o container com identidade, endpoint e autoscaling. O nome é imutável: no código, refira sempre nome:versão.
Três escopos de memória extraídos e indexados automaticamente em um memory store com embeddings (exige um deployment como text-embedding-3-small). O agente lembra entre sessões sem você montar banco vetorial. Para soberania estrita, há a opção BYO memory store.
O agente roda em background, sem chat, acionado por agenda ou por eventos de sistema, triagem noturna de tickets, relatório de segunda-feira, reação a um webhook. Combinado com memória procedural, vira operação recorrente confiável.
Orquestração com estado
Processos multiagente com lógica sequencial, branching condicional e gestão de estado entre agentes. O grafo é seu, o runtime, o retry e a persistência são do Foundry.
Agentes chamando agentes
Um agente invoca outro como ferramenta. O protocolo aberto A2A, com auth explícita, atravessa times, tenants e vendors, e o Activity Protocol padroniza as mensagens. Composição sem protocolo caseiro.
Do projeto para onde o usuário está
Versão nomeada com endpoint estável, publicada no Microsoft Teams, no Microsoft 365 Copilot e no Entra Agent Registry, com as permissões e a identidade acompanhando.
Catálogos públicos e privados via Toolboxes: SharePoint, Fabric, GitHub, SQL, sistemas SaaS. O Tool Search deixa o agente descobrir a ferramenta certa em runtime, em vez de você fiar tudo de antemão.
Code Interpreter, busca web, file search, automação de navegador, memória, Work IQ e Fabric IQ, prontas para anexar a qualquer agente sem código de integração.
Credenciais service-managed para sistemas, OAuth passthrough para SaaS e On-Behalf-Of para agir com a permissão do usuário que perguntou, não com uma conta privilegiada genérica.
A tool Agent-to-Agent chama qualquer endpoint A2A com auth explícita, o jeito estruturado de compor sistemas multiagente entre times e vendors.
Nos dois sentidos. Como servidor: o Foundry MCP server hospedado expõe o seu projeto, agentes, modelos, knowledge, para o VS Code, o Visual Studio e qualquer host MCP. Como cliente: agentes consomem servidores MCP remotos como tools, com OAuth passthrough, e cada knowledge base expõe a tool knowledge_base_retrieve.
Configuração pura: instruções, Work IQ como tool e publicação no Teams. Responde política e contexto de trabalho sob a permissão de quem pergunta. Sem container, no ar em dias.
Código LangGraph existente vira hosted agent sem reescrita. Routine acionada pelo webhook do monitoramento, guardrail de tool call segurando ação destrutiva.
Especialistas de conciliação, lançamento e revisão compostos em Workflow sequencial com estado, task adherence escalando exceções para humano antes de postar.
Hosted agent com $HOME persistente por sessão: o técnico anexa laudos, o agente processa entre visitas, scale-to-zero segura o custo e o estado volta no resume.
Um agente é tão bom quanto o seu contexto. Knowledge bases, o motor de agentic retrieval, permissões de ponta a ponta e a família IQ.
Benchmarks da Microsoft: cerca de 36% mais qualidade de resposta que o RAG single-shot em perguntas complexas e multi-hop. Uma base atende vários agentes: acaba o pipeline de RAG por projeto.
Reutilizáveis e multi-fonte
Recurso top-level que orquestra a recuperação sobre knowledge sources: SharePoint, OneLake e Fabric, Blob, Azure SQL, índices do Azure AI Search, web e fontes MCP remotas. Indexação e sincronização disparam automaticamente.
Esforço e saída configuráveis
Reasoning effort por request: minimal pula o query planning (rápido e barato), low reformula com LLM, medium habilita busca iterativa quando o resultado não atinge o padrão. Saída em extractive data, para o agente raciocinar, ou answer synthesis, resposta pronta com citações.
knowledge_base_retrieve
Cada knowledge base expõe um endpoint MCP com a tool knowledge_base_retrieve. No Agent Service, entra por project connection com managed identity; no Agent Framework ou em qualquer app, pelas APIs do Azure AI Search (2026-05-01-preview).
ACLs sincronizam das fontes para o índice. Labels de sensibilidade do Microsoft Purview retornam nos metadados da resposta. O enforcement por request usa o header x-ms-query-source-authorization: a consulta roda sob a identidade Entra de quem pergunta.
Conectividade privada de entrada e saída validável ponta a ponta, com tutorial oficial de deployment privado do Foundry IQ para agentes. Conhecimento sensível não exige abrir a base para a internet.
Um: registre a knowledge source apontando para a fonte (SharePoint, Blob, SQL, índice). Dois: crie a knowledge base escolhendo reasoning effort e output mode. Três: crie a project connection no Foundry com managed identity. Quatro: anexe a tool MCP ao agente. O agente passa a citar fonte governada.
E-mails, reuniões, chats e documentos do Microsoft 365 sob identidade delegada do Entra (OBO apenas, sem app-only): o agente só vê o que o usuário logado vê. Exige admin consent em WorkIQAgent.Ask e licença Microsoft 365 Copilot por usuário.
A camada semântica sobre o Microsoft Fabric: ontologias, modelos semânticos e data agents raciocinando sobre OneLake e Power BI, não só consultando tabelas.
A camada de knowledge bases e agentic retrieval, sobre o Azure AI Search, que unifica fontes corporativas atrás de um endpoint para qualquer agente.
Grounding de web dentro do Foundry IQ que respeita as preferências dos publishers, responde em menos de 165 ms e retém zero dados.
Base sobre SharePoint de produtos mais fonte web, effort medium (busca iterativa) e answer synthesis: resposta citada, pronta para o atendente colar.
Extractive data para o agente raciocinar sobre o texto bruto, enforcement por identidade com x-ms-query-source-authorization e labels do Purview voltando nos metadados.
Perguntas de negócio sobre o OneLake com a camada semântica do Fabric: o agente raciocina sobre conceitos (cliente, churn, margem), não sobre nomes de tabela.
O caminho private-only documentado, sem exposição à internet, com o tier serverless (preview) escalando a zero entre rajadas de agentes. Sensível e barato.
A parte mais densa do dia: tracing OpenTelemetry, o catálogo de evaluators, monitoramento contínuo, guardrails em quatro pontos de intervenção, o stack Entra, Defender, Sentinel e Purview, frota, multi-cloud e rede.
Políticas de guardrail enterprise-wide, aplicadas em quatro pontos de intervenção, com remediação em massa de configurações fora de compliance. Política executável, não PDF.
Tracing OTel de cada chamada, evaluators prontos e custom, avaliação contínua sobre tráfego real, cluster analysis de erros e recomendações inline de prompt, modelo e config.
Entra Agent ID no build, alertas do Defender e do Purview direto no dashboard do Control Plane, scans agendados do AI Red Teaming Agent e monitoramento de drift.
KPIs da frota: agentes ativos, conclusão de runs, postura de compliance, custo, comportamentos proibidos. Filtro por versão, tag, health score, custo e tokens, com quota no mesmo lugar.
OTel com as convenções semânticas GenAI. Instrumentação pronta para Agent Framework, LangChain, LangGraph e OpenAI Agents SDK. Em dev local, o Aspire Dashboard via Docker mostra traces sem nenhum recurso Azure.
Application Insights conectado por projeto (vários projetos podem compartilhar um). Cada chamada carrega Trace ID e, para agentes Foundry, Conversation ID, ligando o diagnóstico à conversa armazenada no serviço.
Trace view no portal (Operate, Assets, Traces), KQL no Log Analytics, ou qualquer ferramenta compatível com OTel. Agentes custom exibem spans de LLM e tools com a instrumentação extra documentada.
Receitas oficiais: RAG = Retrieval + Groundedness + Relevance + Content Safety. Agentes = Tool Call Accuracy + Task Adherence + Intent Resolution + Rubric + Content Safety. Todos rodam em dev, CI/CD e produção.
Uma EvaluationRule, criada no portal ou via SDK, define quais evaluators rodam sobre o tráfego, inclusive custom, com teto de execuções por hora (padrão 100). A identidade gerenciada do projeto precisa do papel Foundry User.
Em vez de avaliar tudo ou sortear, o sampling roda deduplicação exata, filtra traces quebrados e seleciona por diversidade com MinHash farthest-first: o subconjunto avaliado cobre casos raros e caminhos de erro que a amostragem aleatória perde.
O Agent Monitoring Dashboard cruza scores de qualidade, custo, latência e taxa de erro por agente. Agentes fora do Foundry entram via AI Gateway e mandam traces para o mesmo Application Insights, com as mesmas avaliações contínuas.
Quando uma regressão aparece em produção, você vai do score de avaliação ao trace que a expôs: qual modelo o roteador escolheu, qual ferramenta falhou, quanto a execução custou. Sem costurar dashboards. Esse elo trace-avaliação é o que torna um sistema não determinístico depurável.
A frase de campo: o Foundry vê, mede, avalia e inventaria o que roda fora; ele só intercepta e opera o que roda dentro. Governança de observação é multi-cloud; governança de runtime é do host.
Um: o agente emite spans OTel nas convenções GenAI, com o atributo gen_ai.agent.id, para o Application Insights do projeto. Dois: registre-o como external no Foundry (chamada de preview). Três: rode trace evaluation por filtro de agente, com amostragem inteligente. A regra de ouro: sem span padronizado, não há métrica, não há avaliação.
Scans automatizados e agendados de vulnerabilidade contra seus agentes: prompt injection, extração de system prompt, validação de guardrails contra input adversarial, com monitoramento de drift entre versões.
Agrupa falhas por causa raiz entre runs e builds, tornando visíveis cedo os clusters de drift, latência e erro que passariam despercebidos olhando trace a trace.
Fecha o loop de melhoria: avalia, gera candidatos (refinamento de prompt, upgrade de versão de modelo, mudança de configuração), ranqueia e apresenta recomendações inline no inventário.
Descoberta agentless de workloads de IA, modelos, SDKs e configs, incluindo Amazon Bedrock. Attack path analysis acha combinações tóxicas, e recomendações específicas do Foundry: guardrail sem controle de jailbreak, tool MCP sem allowlist, rede pública aberta, CMK ausente.
Threat protection para serviços de IA, integrado ao Prompt Shields e à threat intelligence da Microsoft: jailbreak bloqueado e detectado, roubo de credencial na resposta do modelo, vazamento e envenenamento de dados, abuso de carteira e DoS. Com prompt evidence no alerta.
Para agentes gerenciados via Agent 365, deteção quase em tempo real de jailbreak, XPIA, propagação de conteúdo malicioso, vazamento de segredos e acesso suspeito. Tudo correlacionado em incidentes no Defender XDR, com Advanced Hunting.
SIEM cloud-native operado no portal Defender (unified SecOps). O conector do Defender for Cloud leva os alertas de IA para o Sentinel, onde entram na mesma fila de incidentes do resto do estate: identidade, endpoint, rede, nuvem, com 350+ conectores.
Hunting com KQL sobre o data lake (dados analíticos espelhados no lake por padrão), UEBA para comportamento anômalo e o security graph para raciocínio contextual entre entidades: o usuário, o agente, a credencial, o dado.
Playbooks (SOAR) automatizam a resposta em segundos: isolar, revogar consent do app, desabilitar a identidade do agente. E o Sentinel virou plataforma para defesa agêntica: MCP server hospedado e Security Copilot consultando os dados em linguagem natural.
Postura de segurança de dados para IA: descobre onde agentes e apps de IA tocam dado sensível, classifica, mede risco e prioriza. Inclui o template de Insider Risk "Risky AI usage" para detectar uso arriscado de IA por pessoas.
Sensitivity labels fluem da fonte até a resposta: no Foundry IQ voltam nos metadados, no Work IQ são respeitados junto com information barriers. Políticas DLP seguram o vazamento no ato, não no relatório do mês seguinte.
Interações de IA auditáveis, retenção e investigação: quando o regulador ou o jurídico perguntar o que o agente respondeu e com base em quê, a evidência existe, pesquisável, com trilha completa.
Traces profundos, evaluations, guardrails e custo por token, por agente. Drill-down do inventário para a avaliação pré-deploy e o monitoramento pós-deploy, com recomendações inline e correlação de log com resultado de avaliação.
Registry do tenant que aplica Entra, Defender, Purview e Intune a agentes como aplica a usuários, incluindo a descoberta de shadow agents nos endpoints. Publicação de agentes Foundry direto no registry.
O agente externo é registrado no Control Plane e o tráfego passa pelo AI Gateway no Azure API Management. Ganha inventário, custo, monitoramento contínuo e políticas, com o gateway como ponto de aplicação.
O agente mantém o endpoint dele, em qualquer nuvem ou on-premises, e apenas emite spans OTel com gen_ai.agent.id para o Application Insights do projeto. O Foundry guarda só metadados de registro: trace view e trace evaluation sem proxy.
XPIA bloqueado no ponto de tool response, Defender alerta com prompt evidence, Sentinel correlaciona com o usuário e a fonte, playbook desabilita a connection comprometida.
PII redigida no output pelo guardrail, política DLP do Purview segura o canal, e a auditoria registra o que foi tentado, por quem e quando, para o report ao DPO.
Agent 365 descobre o agente não registrado no tenant, Defender monitora o comportamento, Entra aplica Conditional Access ou revoga, e o inventário volta a bater com a realidade.
Trace OTel da execução, histórico de evaluations, alertas tratados no Sentinel e trilha do Purview: a resposta ao auditor é um export, não uma força-tarefa de duas semanas.
Build no GitHub, run no Foundry: o loop do desenvolvedor, quatro casos de uso completos, o hands-on oficial de 3 horas e um caminho de 90 dias até produção.
O GitHub Copilot SDK é o harness do agente, orquestrado pelo Microsoft Agent Framework. O Foundry Toolkit para VS Code cria e testa agentes, e o GitHub Copilot for Azure com o Foundry MCP server trazem a plataforma para dentro do editor.
azd deploy leva o container aos hosted agents com identidade e autoscaling, e o GitHub Actions roda CI/CD com gates de avaliação (a action oficial de evaluation existe para GitHub Actions e Azure DevOps). GitHub Copilot SDK, LangGraph e Claude Agent SDK sobem sem reescrita.
Tracing e evaluations dos hosted agents caem no Foundry Control Plane, e o Agent Optimizer transforma falhas de produção em melhorias ranqueadas e revisáveis que voltam ao repositório como pull requests.
Prompt agent + base Foundry IQ sobre o SharePoint de políticas, publicado no Microsoft Teams e no Microsoft 365 Copilot com as permissões fluindo. Guardrail com PII e task adherence. No ar em dias.
Hosted agent com o GitHub Copilot SDK, Model Router em Balanced com subset aprovado: triagem em massa roda barato, diagnóstico difícil sobe para modelo de raciocínio. Evaluations no CI.
Fabric IQ sobre o OneLake + Foundry IQ com enforcement por identidade e labels do Purview na resposta. Cada answer rastreável a fonte governada: o que um auditor aceita.
Foundry Local no Azure Local, modelos multimodais air-gapped em GPU local, mesma Responses API e knowledge local. Defesa, saúde e setor público.
Cinco módulos encadeados, 100% material oficial da Microsoft (Microsoft Learn e GitHub), percorrendo o arco inteiro deste deck: deployment de modelo, Model Router, agente hosted com identidade, conhecimento com citação, observabilidade com avaliação contínua e guardrails testados contra jailbreak. E um sexto módulo opcional leva um modelo local ao GitHub Copilot, 100% offline.
Pay-as-you-go ou EA. Trial de US$200 e Azure Pass têm quota ZERO de TPM para todos os modelos: nada infere. O upgrade do trial para pay-as-you-go mantém o crédito restante pelos 30 dias, e é o caminho recomendado.
Owner e Contributor NÃO bastam, são só management. Precisa de Azure AI Project Manager para criar e Azure AI User para invocar (data actions), mais Foundry User na managed identity do projeto para a avaliação contínua aparecer.
Recurso Foundry em East US 2 (o Model Router exige East US 2 ou Sweden Central) e todos os deployments em Global Standard. Hosted agents estão em preview com regiões limitadas: confira a region availability na semana do lab.
Python 3.10+, Azure Developer CLI (azd), VS Code com a extensão Foundry e pip install azure-ai-projects. O setup.ps1 / setup.sh do LAB520 provisiona a base em um comando.
*M6 é opcional e 100% offline, fora das 3h. Extensões para casa: AI-Gateway (governar o que roda fora) e fine-tuning (12 demos oficiais).
O que é: Foundry Local serve modelos otimizados na sua máquina (CPU, GPU ou NPU) com endpoint compatível com OpenAI, e o Foundry Toolkit (novo nome do AI Toolkit) valida tudo no VS Code. Cinco passos: instalar e servir, adicionar ao catálogo do Toolkit, testar com Compare local × cloud, validar com Evaluation as Tests (pytest no Test Explorer), e plugar como provider do GitHub Copilot pelo model picker.
Portal, deploy de um modelo Global Standard e um prompt agent, knowledge base no playground, quickstart com azure-ai-projects. Tracing ligado desde o primeiro agente. Zero infraestrutura.
Um fluxo real com dono de negócio. Hosted agent no framework do time, evaluations no CI com gates, guardrails pelo guided setup, Model Router com subset aprovado, avaliação contínua com sampling inteligente.
Monitoramento contínuo e alertas no Control Plane, Entra Agent ID revisado com a segurança, scan agendado do AI Red Teaming Agent, publicação no Teams ou Microsoft 365 Copilot, frota no Agent 365, FinOps de tokens.
Building the future of software development with AI and Agentic DevOps.
# 1. instale o SDK unificado pip install azure-ai-projects azure-identity # 2. chame a plataforma project = AIProjectClient(endpoint, DefaultAzureCredential()) r = project.responses.create(model="model-router", input="Hello, Foundry") # docs: learn.microsoft.com/azure/foundry