Hogar
deploy-model
microsoft/skills
Crea implementaciones de modelos de Azure OpenAI con enrutamiento inteligente basado en la intención, lo que permite utilizar configuraciones predefinidas rápidas, una personalización completa y la detección de capacidad en todas las regiones y proyectos.
...Expandir todoImplementar modelo
Ámbito de aplicación: lee esto primero. Esta skill crea implementaciones de modelos fuera de banda a través de la CLI de Azure, MCP o el portal. Para los proyectos de Foundry gestionados por azd (aquellos generados a partir de
azd-ai-starter-basico medianteazd ai agent init), declara las implementaciones enlos servicios de azure.yaml.en su lugar:.config.deployments[] «azd ai agent init»escribe la entrada a partir del manifiesto de ejemplo y«azd provision»crea la implementación a través de Bicep. Consulte foundry-agent/create/create-hosted.md para conocer la ruta recomendada. Utilice esta habilidad únicamente para: (a) proyectos de Foundry no gestionados por un proyecto azd, (b) implementaciones ad hoc fuera del ciclo de vida de azd.
Punto de entrada unificado para todos los flujos de trabajo de implementación de modelos de Azure OpenAI. Analiza la intención del usuario y lo dirige al modo de implementación adecuado.
Referencia rápida
| Modo | Cuándo utilizarlo | Subhabilidad |
|---|---|---|
| Preconfigurado | Implementación rápida, no requiere personalización | preajuste/SKILL.md |
| Personalizar | Control total: versión, SKU, capacidad, política RAI | personalizar/SKILL.md |
| Detección de capacidad | Averigua dónde puedes realizar una implementación con una capacidad específica | capacity/SKILL.md |
Detección de intenciones
Analiza la solicitud del usuario y dirígelo al modo correcto:
Solicitud del usuario
│
├─ Implementación sencilla (sin modificadores)
│ «implementar gpt-4o», «configurar un modelo»
│ └─> modo PRESET
│
├─ Hay palabras clave de personalización
│ «ajustes personalizados», «elegir versión», «seleccionar SKU»,
│ «establecer la capacidad en X», «configurar filtro de contenido»,
│ «implementación de PTU», «con una cuota específica»
│ └─> modo CUSTOMIZE
│
├─ Consulta de capacidad/disponibilidad
│ «averiguar dónde puedo implementar», «comprobar la capacidad»,
│ «qué región tiene una capacidad de X», «la mejor región para 10 000 TPM»,
│ «dónde está disponible este modelo»
│ └─> modo DETECCIÓN DE CAPACIDAD
│
└─ Ambiguo (tiene objetivo de capacidad + intención de implementación)
«implementar gpt-4o con una capacidad de 10 000 en la mejor región»
└─> Primero DESCUBRIMIENTO DE CAPACIDAD → luego PRECONFIGURACIÓN o PERSONALIZACIÓN
Reglas de enrutamiento
| Señal en la indicación | Enrutar a | Motivo |
|---|---|---|
| Solo el nombre del modelo, sin opciones | Preajuste | El usuario desea una implementación rápida |
| «personalizar», «configurar», «elegir», «seleccionar» | Personalizar | El usuario quiere tener el control |
| «buscar», «comprobar», «dónde», «qué región», «disponible» | Capacidad | El usuario quiere conocerla |
| Cifra concreta de capacidad + «mejor región» | Capacidad → Preconfiguración | Detectar y, a continuación, implementar rápidamente |
| Cifra concreta de capacidad + palabras clave «personalizadas» | Capacidad → Personalizar | Descubre y luego implementa con opciones |
| «PTU», «rendimiento aprovisionado» | Personalizar | PTU requiere la selección de una SKU |
| «región óptima», «mejor región» (sin objetivo de capacidad) | Preconfigurado | La optimización de la región es la especialidad de los ajustes preestablecidos |
Encadenamiento multimodo
Algunas solicitudes requieren dos modos en secuencia:
Patrón: Capacidad → Implementación Cuando un usuario especifica un requisito de capacidad Y desea la implementación:
- Ejecuta «Descubrimiento de capacidad » para encontrar regiones o proyectos con cuota suficiente
- Presentar los resultados al usuario
- Pregunta: «¿Desea realizar la implementación con los valores predeterminados rápidos o personalizar la configuración?»
- Dirigir a «Preconfigurado » o «Personalizar » según la respuesta
💡 Consejo: Si no estás seguro de qué modo prefiere el usuario, establece por defecto la opción «Preconfigurado» (implementación rápida). Los usuarios que deseen personalizar suelen utilizar palabras clave explícitas como «personalizado», «configurar» o «con ajustes específicos».
Selección del proyecto (todos los modos)
Antes de cualquier implementación, decide en qué proyecto se va a realizar. Esto se aplica a todos los modos (predefinido, personalizado y tras la detección de capacidad).
Orden de resolución
- Comprueba la variable de entorno
PROJECT_RESOURCE_ID: si está definida, utilízala como valor por defecto - Comprueba la solicitud del usuario: si el usuario ha indicado un proyecto o una región concretos, utilízalos
- Si no se cumple ninguno de los dos casos, consulta los proyectos del usuario y sugiere el actual
Paso de confirmación (obligatorio)
Confirma siempre el destino antes de la implementación. Muestra al usuario qué se va a utilizar y dale la oportunidad de cambiarlo:
Implementación en:
Proyecto:
Región:
Recurso:
¿Es correcto? O elige otro proyecto:
1. ✅ Sí, implementar aquí (por defecto)
2. 📋 Mostrarme otros proyectos en esta región
3. 🌍 Elegir otra región
Si el usuario elige la opción 2, mostrar los 5 proyectos principales de esa región:
Proyectos en :
1. project-alpha (rg-alpha)
2. project-beta (rg-beta)
3. project-gamma (rg-gamma)
...
⚠️ Nunca realices una implementación sin mostrar al usuario qué proyecto se va a utilizar. Esto evita implementaciones accidentales en el recurso equivocado.
Validación previa a la implementación (todos los modos)
Antes de presentar cualquier opción de implementación (SKU, capacidad), comprueba siempre estos dos aspectos:
El modelo es compatible con la SKU: consulta el catálogo de modelos para confirmar que el modelo y la versión seleccionados son compatibles con la SKU de destino:
az cognitiveservices model list --location--subscription -o json Filtra por el modelo y extrae
.model.skus[].namepara obtener las SKU compatibles.La suscripción dispone de cuota disponible: compruebe que la suscripción del usuario cuenta con cuota no asignada para la combinación de SKU y modelo:
az cognitiveservices usage list --location--subscription -o json Busca coincidencias según el patrón de nombre de uso
OpenAI.(p. ej.,. OpenAI.GlobalStandard.gpt-4o). Capacidaddisponible = límite - valor actual.
⚠️ Advertencia: Muestra únicamente las opciones que superen ambas comprobaciones. NO muestres listas de SKU codificadas de forma fija; realiza siempre la consulta de forma dinámica. Los SKU con una cuota disponible de 0 deben mostrarse como ❌ elementos informativos, no como opciones seleccionables.
💡 Gestión de cuotas: para las solicitudes de aumento de cuota, la supervisión del uso y la resolución de errores de cuota, remite a la habilidad de cuotas en lugar de duplicar esas instrucciones en el propio texto.
Requisitos previos
Todos los modos de implementación requieren:
- Azure CLI instalado y autenticado (
az login) - Una suscripción a Azure activa con permisos de implementación
- ID de recurso del proyecto de Azure AI Foundry (o el agente ayudará a detectarlo a través de la variable de entorno
PROJECT_RESOURCE_ID)
Subhabilidades
- preset/SKILL.md — Despliegue rápido en la región óptima con valores predeterminados razonables
- customize/SKILL.md — Flujo interactivo guiado con control total de la configuración
- capacity/SKILL.md — Detecta la capacidad disponible en todas las regiones y proyectos
---
name: deploy-model
description: Creates Azure OpenAI model deployments with intelligent intent-based routing, supporting quick presets, full customization, and capacity discovery across regions and projects.
license: MIT
---
# Deploy Model
> **Scope — read this first.** This skill creates model deployments **out-of-band** via Azure CLI / MCP / portal. For azd-managed Foundry projects (those scaffolded from `azd-ai-starter-basic` or via `azd ai agent init`), declare deployments in `azure.yaml services.<name>.config.deployments[]` instead — `azd ai agent init` writes the entry from the sample manifest and `azd provision` creates the deployment through Bicep. See [foundry-agent/create/create-hosted.md](../../foundry-agent/create/create-hosted.md) for the Golden Path. Use this skill only for: (a) Foundry projects not managed by an azd project, (b) ad-hoc deployments outside the azd lifecycle.
Unified entry point for all Azure OpenAI model deployment workflows. Analyzes user intent and routes to the appropriate deployment mode.
## Quick Reference
| Mode | When to Use | Sub-Skill |
|------|-------------|-----------|
| **Preset** | Quick deployment, no customization needed | [preset/SKILL.md](preset/SKILL.md) |
| **Customize** | Full control: version, SKU, capacity, RAI policy | [customize/SKILL.md](customize/SKILL.md) |
| **Capacity Discovery** | Find where you can deploy with specific capacity | [capacity/SKILL.md](capacity/SKILL.md) |
## Intent Detection
Analyze the user's prompt and route to the correct mode:
```
User Prompt
│
├─ Simple deployment (no modifiers)
│ "deploy gpt-4o", "set up a model"
│ └─> PRESET mode
│
├─ Customization keywords present
│ "custom settings", "choose version", "select SKU",
│ "set capacity to X", "configure content filter",
│ "PTU deployment", "with specific quota"
│ └─> CUSTOMIZE mode
│
├─ Capacity/availability query
│ "find where I can deploy", "check capacity",
│ "which region has X capacity", "best region for 10K TPM",
│ "where is this model available"
│ └─> CAPACITY DISCOVERY mode
│
└─ Ambiguous (has capacity target + deploy intent)
"deploy gpt-4o with 10K capacity to best region"
└─> CAPACITY DISCOVERY first → then PRESET or CUSTOMIZE
```
### Routing Rules
| Signal in Prompt | Route To | Reason |
|------------------|----------|--------|
| Just model name, no options | **Preset** | User wants quick deployment |
| "custom", "configure", "choose", "select" | **Customize** | User wants control |
| "find", "check", "where", "which region", "available" | **Capacity** | User wants discovery |
| Specific capacity number + "best region" | **Capacity → Preset** | Discover then deploy quickly |
| Specific capacity number + "custom" keywords | **Capacity → Customize** | Discover then deploy with options |
| "PTU", "provisioned throughput" | **Customize** | PTU requires SKU selection |
| "optimal region", "best region" (no capacity target) | **Preset** | Region optimization is preset's specialty |
### Multi-Mode Chaining
Some prompts require two modes in sequence:
**Pattern: Capacity → Deploy**
When a user specifies a capacity requirement AND wants deployment:
1. Run **Capacity Discovery** to find regions/projects with sufficient quota
2. Present findings to user
3. Ask: "Would you like to deploy with **quick defaults** or **customize settings**?"
4. Route to **Preset** or **Customize** based on answer
> 💡 **Tip:** If unsure which mode the user wants, default to **Preset** (quick deployment). Users who want customization will typically use explicit keywords like "custom", "configure", or "with specific settings".
## Project Selection (All Modes)
Before any deployment, resolve which project to deploy to. This applies to **all** modes (preset, customize, and after capacity discovery).
### Resolution Order
1. **Check `PROJECT_RESOURCE_ID` env var** — if set, use it as the default
2. **Check user prompt** — if user named a specific project or region, use that
3. **If neither** — query the user's projects and suggest the current one
### Confirmation Step (Required)
**Always confirm the target before deploying.** Show the user what will be used and give them a chance to change it:
```
Deploying to:
Project: <project-name>
Region: <region>
Resource: <resource-group>
Is this correct? Or choose a different project:
1. ✅ Yes, deploy here (default)
2. 📋 Show me other projects in this region
3. 🌍 Choose a different region
```
If user picks option 2, show top 5 projects in that region:
```
Projects in <region>:
1. project-alpha (rg-alpha)
2. project-beta (rg-beta)
3. project-gamma (rg-gamma)
...
```
> ⚠️ **Never deploy without showing the user which project will be used.** This prevents accidental deployments to the wrong resource.
## Pre-Deployment Validation (All Modes)
Before presenting any deployment options (SKU, capacity), always validate both of these:
1. **Model supports the SKU** — query the model catalog to confirm the selected model+version supports the target SKU:
```bash
az cognitiveservices model list --location <region> --subscription <sub-id> -o json
```
Filter for the model, extract `.model.skus[].name` to get supported SKUs.
2. **Subscription has available quota** — check that the user's subscription has unallocated quota for the SKU+model combination:
```bash
az cognitiveservices usage list --location <region> --subscription <sub-id> -o json
```
Match by usage name pattern `OpenAI.<SKU>.<model-name>` (e.g., `OpenAI.GlobalStandard.gpt-4o`). Compute `available = limit - currentValue`.
> ⚠️ **Warning:** Only present options that pass both checks. Do NOT show hardcoded SKU lists — always query dynamically. SKUs with 0 available quota should be shown as ❌ informational items, not selectable options.
> 💡 **Quota management:** For quota increase requests, usage monitoring, and troubleshooting quota errors, defer to the [quota skill](../../quota/quota.md) instead of duplicating that guidance inline.
## Prerequisites
All deployment modes require:
- Azure CLI installed and authenticated (`az login`)
- Active Azure subscription with deployment permissions
- Azure AI Foundry project resource ID (or agent will help discover it via `PROJECT_RESOURCE_ID` env var)
## Sub-Skills
- **[preset/SKILL.md](preset/SKILL.md)** — Quick deployment to optimal region with sensible defaults
- **[customize/SKILL.md](customize/SKILL.md)** — Interactive guided flow with full configuration control
- **[capacity/SKILL.md](capacity/SKILL.md)** — Discover available capacity across regions and projects
Todos los archivos
0 archivosInstalar deploy-model
Descarga y descomprime los archivos de habilidades en tu directorio .claude/skills/.
Descargar ZIPClona el repositorio y copia los archivos de la habilidad a tu proyecto.
git clone https://github.com/microsoft/skills/tree/main/.github/plugins/azure-skills/skills/microsoft-foundry/models/deploy-model # Copy SKILL.md to your .claude/skills/ directory
Copiar
