Microsoft ಸಂಸ್ಥೆಯು Azure AI Foundry ನ Prompt Flow ಗೆ 20 ಏಪ್ರಿಲ್ 2026 ರಂದು ಹೊಸ ಫೀಚರ್ಗಳು ಬರುವುದನ್ನು ನಿಲ್ಲಿಸಲಾಗುವುದು ಮತ್ತು 20 ಏಪ್ರಿಲ್ 2027 ರಂದು ಅದನ್ನು ನಿಲ್ಲಿಸಲಾಗುವುದು (retired) ಎಂದು ಘೋಷಿಸಿದೆ. ತಮ್ಮ ವರ್ಕ್ಲೋಡ್ಗಳನ್ನು (workloads) Microsoft Agent Framework ಗೆ ವರ್ಗಾಯಿಸುವಂತೆ ಇದು ಡೆವಲಪರ್ಗಳಿಗೆ ಸೂಚಿಸಿದೆ. ಈ ಗಡುವು ಮುಖ್ಯವಾದುದು ಏಕೆಂದರೆ Prompt Flow ಅನ್ನು ಚಾಲನೆ ಮಾಡುವ ರನ್ಟೈಮ್ ಇಮೇಜ್ಗಳು (runtime images) ಶೀಘ್ರದಲ್ಲೇ ಸೆಕ್ಯೂರಿಟಿ ಅಪ್ಡೇಟ್ಗಳನ್ನು ಕಳೆದುಕೊಳ್ಳುತ್ತವೆ, ಇದು ಸೇವೆಯನ್ನು ಮುಂದುವರಿಸುವ ಯಾವುದೇ ಸಂಸ್ಥೆಗೆ ಅನುಸರಣಾ (compliance) ಸಮಸ್ಯೆಗಳನ್ನು ಉಂಟುಮಾಡಬಹುದು.
Prompt Flow ಎಂಬುದು Large-language-model (LLM) ಪೈಪ್ಲೈನ್ಗಳಿಗಾಗಿ Azure AI Foundry ನ ವಿઝುವಲ್ ಆರ್ಕೆಸ್ಟ್ರೇಟರ್ (visual orchestrator) ಆಗಿತ್ತು. ಒಂದು "flow" ಎಂದರೆ ಮೂಲತಃ ಇನ್ಪುಟ್ಗಳು, ಔಟ್ಪುಟ್ಗಳು ಮತ್ತು ನೋಡ್ಗಳ (nodes) ಅನುಕ್ರಮವನ್ನು ವಿವರಿಸುವ flow.dag.yaml ಫೈಲ್ ಅನ್ನು ಹೊಂದಿರುವ ಫೋಲ್ಡರ್ ಆಗಿದೆ. ವಿઝುವಲ್ ಎಡಿಟರ್ ಬಳಕೆದಾರರಿಗೆ ಘಟಕಗಳನ್ನು (components) ಡ್ರ್ಯಾಗ್ ಮತ್ತು ಡ್ರಾಪ್ ಮಾಡಲು ಅನುಮತಿಸುತ್ತದೆ, ಆದರೆ ಅಡಿಯಲ್ಲಿರುವ YAML ಫೈಲ್ ಅನ್ನು ಮಾತ್ರ ವರ್ಷನ್-ಕಂಟ್ರೋಲ್ ಸಿಸ್ಟಮ್ಗಳು (version-control systems) ಟ್ರ್ಯಾಕ್ ಮಾಡುತ್ತವೆ.
ಈ ಬದಲಾವಣೆ ಏಕೆ ಮುಖ್ಯ
- Compliance risk (ಅನುಸರಣೆಯ ಅಪಾಯ) – ಸೆಕ್ಯೂರಿಟಿ ಅಪ್ಡೇಟ್ಗಳಿಲ್ಲದೆ, ರನ್ಟೈಮ್ ಇಮೇಜ್ಗಳಲ್ಲಿ ಕಂಡುಬರುವ ಯಾವುದೇ ದೋಷಗಳು (vulnerabilities) ಸರಿಪಡಿಸಲ್ಪಡದೆ ಉಳಿಯುತ್ತವೆ. ನಿಯಂತ್ರಕರು (Regulators) ನಿರ್ವಹಣೆಯಿಲ್ಲದ ಕೋಡ್ ಅನ್ನು, ವಿಶೇಷವಾಗಿ ಅದು ಕ್ರೆಡೆನ್ಶಿಯಲ್ಗಳನ್ನು (credentials) ನಿರ್ವಹಿಸುವಾಗ, ಅನುಸರಣೆಯಿಲ್ಲದ (non-compliant) ಎಂದು ಪರಿಗಣಿಸುತ್ತಾರೆ.
ನೀವು ಇನ್ನೂ ತಿಳಿದುಕೊಳ್ಳಬೇಕಾದ ಪ್ರಮುಖ ಪರಿಕಲ್ಪನೆಗಳು
ನೀವು Prompt Flow ಅನ್ನು ಕೈಬಿಡಲು ಯೋಜಿಸುತ್ತಿದ್ದರೂ ಸಹ, ಅದು ಪ್ರೋತ್ಸಾಹಿಸಿದ ಮಾದರಿಗಳು (patterns) ಮೌಲ್ಯಯುತವಾಗಿರುತ್ತವೆ. ಅವುಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು Agent Framework ಗೆ ಸುಗಮವಾಗಿ ಬದಲಾಯಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ.
- Folder-based definition (ಫೋಲ್ಡರ್ ಆಧಾರಿತ ವ್ಯಾಖ್ಯಾನ) – ಫ್ಲೋನ YAML ಫೈಲ್ ಪ್ರತಿಯೊಂದು ನೋಡ್, ಅದರ ವಿಧ ಮತ್ತು ಅದರ ಡೇಟಾ ಕಾಂಟ್ರಾಕ್ಟ್ಗಳನ್ನು ಪಟ್ಟಿ ಮಾಡುತ್ತದೆ. ಈ ಫೈಲ್ ಅನ್ನು ಸೋರ್ಸ್ ಕಂಟ್ರೋಲ್ನಲ್ಲಿ (source control) ಇರಿಸಿ; ಇದು ಏಕೈಕ ಅಧಿಕೃತ ಮೂಲವಾಗಿದೆ (single source of truth).
- Python nodes for deterministic work (ನಿರ್ದಿಷ್ಟ ಕೆಲಸಕ್ಕಾಗಿ Python ನೋಡ್ಗಳು) – ಪಾರ್ಸಿಂಗ್ (parsing), ವ್ಯಾಲಿಡೇಶನ್ ಅಥವಾ ಒಂದೇ ಇನ್ಪುಟ್ಗೆ ಒಂದೇ ಫಲಿತಾಂಶವನ್ನು ನೀಡಬೇಕಾದ ಯಾವುದೇ ಲಾಜಿಕ್ ಗಾಗಿ Python ಸ್ಟೆಪ್ಗಳನ್ನು ಬಳಸಿ. ಇದು ನಾನ್-ಡಿಟರ್ಮಿನಿಸ್ಟಿಕ್ (nondeterministic) LLM ಕರೆಗಳನ್ನು ಪ್ರತ್ಯೇಕಿಸುತ್ತದೆ ಮತ್ತು ಡೌನ್ಸ್ಟ್ರೀಮ್ ಟೆಸ್ಟಿಂಗ್ ಅನ್ನು ಸುಲಭಗೊಳಿಸುತ್ತದೆ.
- Connection objects for secrets (ಸೀಕ್ರೆಟ್ಗಳಿಗಾಗಿ ಕನೆಕ್ಷನ್ ಆಬ್ಜೆಕ್ಟ್ಗಳು) – ಕ್ರೆಡೆನ್ಶಿಯಲ್ಗಳು ಕೋಡ್ನಲ್ಲಿಲ್ಲದೆ, ಪ್ರತ್ಯೇಕ ಕನೆಕ್ಷನ್ ಫೀಲ್ಡ್ನಲ್ಲಿರುತ್ತವೆ. ಈ ವಿನ್ಯಾಸವು ಫ್ಲೋ ವ್ಯಾಖ್ಯಾನವನ್ನು ಬದಲಾಯಿಸದೆ ಡೆವಲಪ್ಮೆಂಟ್ ಕೀಗಳನ್ನು ಪ್ರೊಡಕ್ಷನ್ ಕೀಗಳೊಂದಿಗೆ ಬದಲಾಯಿಸಲು ನಿಮಗೆ ಅನುಮತಿಸುತ್ತದೆ.
- Evaluation datasets (ಮೌಲ್ಯಮಾಪನ ಡೇಟಾ ಸೆಟ್ಗಳು) – Prompt Flow ನ ಅತ್ಯಂತ ಬಲವಾದ ವೈಶಿಷ್ಟ್ಯವೆಂದರೆ ಅದರ ಬಿಲ್ಟ್-ಇನ್ ಇವ್ಯಾಲ್ಯೂಯೇಶನ್ ಲೂಪ್ (evaluation loop). ವಾಸ್ತವಿಕ ಇನ್ಪುಟ್ಗಳನ್ನು ನಿರೀಕ್ಷಿತ ಔಟ್ಪುಟ್ಗಳೊಂದಿಗೆ ಜೋಡಿಸುವ JSONL ಫೈಲ್ ಅನ್ನು ಯಾವುದೇ ಫ್ರೇಮ್ವರ್ಕ್ನಲ್ಲಿ ಮರುಬಳಕೆ ಮಾಡಬಹುದು; ಇದನ್ನು ಪೋರ್ಟಬಲ್ ಟೆಸ್ಟ್ ಡೇಟಾ ಎಂದು ಪರಿಗಣಿಸಿ.
- System-level metrics (ಸಿಸ್ಟಮ್-ಮಟ್ಟದ ಮೆಟ್ರಿಕ್ಸ್ಗಳು) – ಕೇವಲ ಒಂದೇ ನೋಡ್ನ ಔಟ್ಪುಟ್ ಅನ್ನು ಅಳೆಯುವುದು ತಪ್ಪಾದ ಮಾಹಿತಿಯನ್ನು ನೀಡಬಹುದು. ಇಡೀ ಪೈಪ್ಲೈನ್ ಚಲಿಸಿದ ನಂತರವೇ ಕಾಣಿಸಿಕೊಳ್ಳುವ ರಿಗ್ರೆಷನ್ಗಳನ್ನು (regressions) ಪತ್ತೆಹಚ್ಚಲು ಡಿಟರ್ಮಿನಿಸ್ಟಿಕ್ ಚೆಕ್ಗಳನ್ನು (ಉದಾಹರಣೆಗೆ, regex matches) ಎಂಡ್-ಟು-ಎಂಡ್ ಮೆಟ್ರಿಕ್ಸ್ಗಳೊಂದಿಗೆ ಸಂಯೋಜಿಸಿ.
ಮೈಗ್ರೇಷನ್ ರೋಡ್ಮ್ಯಾಪ್ (Migration roadmap)
Prompt Flow ನಿಂದ Agent Framework ಗೆ ಬದಲಾಯಿಸುವುದು ಕೇವಲ ಒಂದು ಕ್ಲಿಕ್ ಮಾಡುವ ಮೂಲಕ ಆಗುವ ಕೆಲಸವಲ್ಲ; ಇದು ಪ್ರತಿಯೊಂದು ನೋಡ್ನ ಸೆಮ್ಯಾಂಟಿಕ್ಸ್ ಅನ್ನು (semantics) ಮರುಬರೆಯುವ ಅಗತ್ಯವನ್ನು ಹೊಂದಿದೆ.
- Map LLM nodes – ವಿઝುವಲ್ LLM ಬ್ಲಾಕ್ಗಳ ಬದಲಿಗೆ ಏಜೆಂಟ್ ಕ್ಲಾಸ್ನಲ್ಲಿ (agent class) ಸುತ್ತುವರಿದ ಸ್ಪಷ್ಟ API ಕರೆಗಳನ್ನು ಬಳಸಿ. ಏಜೆಂಟ್ ಮೂಲ YAML ನಲ್ಲಿ ವ್ಯಾಖ್ಯಾನಿಸಲಾದ ಅದೇ ಇನ್ಪುಟ್ ಸ್ಕೀಮಾವನ್ನು ಸ್ವೀಕರಿಸಬೇಕು.
- Translate Python nodes – Python ಕೋಡ್ ಅನ್ನು ಹೊಸ ಆರ್ಕೆಸ್ಟ್ರೇಟರ್ ಕರೆಯಬಹುದಾದ ಸಾಮಾನ್ಯ ಫಂಕ್ಷನ್ಗಳು ಅಥವಾ ಮೆಥಡ್ಗಳಿಗೆ ಬದಲಾಯಿಸಿ. ಅವುಗಳ ಸುತ್ತ ನೀವು ನಿರ್ಮಿಸಿದ ಯಾವುದೇ ಡಿಟರ್ಮಿನಿಸ್ಟಿಕ್ ಕಾಂಟ್ರಾಕ್ಟ್ಗಳನ್ನು ಉಳಿಸಿಕೊಳ್ಳಿ.
- Rewire connections – Prompt Flow ನಿಂದ ಕನೆಕ್ಷನ್ ವ್ಯಾಖ್ಯಾನಗಳನ್ನು ಎಕ್ಸ್ಪೋರ್ಟ್ ಮಾಡಿ ಮತ್ತು ಅವುಗಳನ್ನು Agent Framework ನ ಸೀಕ್ರೆಟ್ ಸ್ಟೋರ್ನಲ್ಲಿ (secret store) ಇಂಪೋರ್ಟ್ ಮಾಡಿ. ಎನ್ವಿರಾನ್ಮೆಂಟ್-ನಿರ್ದಿಷ್ಟ ಮೌಲ್ಯಗಳು ಸರಿಯಾಗಿ ಕೆಲಸ ಮಾಡುತ್ತಿವೆಯೇ ಎಂದು ಪರಿಶೀಲಿಸಿ.
- Port evaluation data – ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ JSONL ಫೈಲ್ ಅನ್ನು ಹೊಸ ಫ್ರೇಮ್ವರ್ಕ್ನ ಟೆಸ್ಟ್ ಹಾರ್ನೆಸ್ (test harness) ಗೆ ನೀಡಿ. Agent Framework ನ ವರದಿ ಮಾಡುವ ಫಾರ್ಮ್ಯಾಟ್ಗೆ ಅನುಗುಣವಾಗಿ ಯಾವುದೇ ಮೆಟ್ರಿಕ್ ಲೆಕ್ಕಾಚಾರಗಳನ್ನು ಹೊಂದಿಸಿ.
- Validate end-to-end – ನೈಜ ಟ್ರಾಫಿಕ್ನ ಮಾದರಿಯ ಮೇಲೆ ಪೂರ್ಣ ಪೈಪ್ಲೈನ್ ಅನ್ನು ರನ್ ಮಾಡಿ. ಡ್ರಿಫ್ಟ್ (drift) ಅನ್ನು ಪತ್ತೆಹಚ್ಚಲು ಅಂತಿಮ ಔಟ್ಪುಟ್ಗಳನ್ನು ಮೂಲ Prompt Flow ಬೇಸ್ಲೈನ್ನೊಂದಿಗೆ ಹೋಲಿಸಿ.
- Iterate on orchestration – ನಿಮ್ಮ ವರ್ಕ್ಫ್ಲೋ ಪ್ರೊಸೆಸ್ ರೀಸ್ಟಾರ್ಟ್ಗಳ ಸಮಯದಲ್ಲಿ ಸ್ಥಿತಿಸ್ಥಾಪಕತ್ವವನ್ನು (resilience) ಹೊಂದಿರಬೇಕಾದರೆ, ವಿಜುವಲ್ ಫ್ಲೋ ಅನ್ನು ಮರುನಿರ್ಮಿಸುವ ಬದಲು Azure Durable Functions ಅಥವಾ ಇನ್ನೊಂದು ಡ್ಯುರಬಲ್ ಆರ್ಕೆಸ್ಟ್ರೇಟರ್ ಅನ್ನು ಪರಿಗಣಿಸಿ.
ಮುಂದೆ ಏನು ಗಮನಿಸಬೇಕು
Takeaway (ಮುಖ್ಯ ಅಂಶ): ಏಪ್ರಿಲ್ 2027 ರ ಗಡಿಯನ್ನು ಕಟ್ಟುನಿಟ್ಟಾದ ಗಡಿ ಎಂದು ಪರಿಗಣಿಸಿ. ಯಾವುದೇ ಹೊಸ Prompt Flow ಪ್ರಾಜೆಕ್ಟ್ಗಳನ್ನು ಸ್ಥಗಿತಗೊಳಿಸಿ, ಮರುಬಳಕೆ ಮಾಡಬಹುದಾದ ಭಾಗಗಳನ್ನು—YAML ವ್ಯಾಖ್ಯಾನಗಳು, Python ಲಾಜಿಕ್, ಕನೆಕ್ಷನ್ ಕಾನ್ಫಿಗರೇಶನ್ಗಳು ಮತ್ತು ಇವ್ಯಾಲ್ಯೂಯೇಶನ್ ಡೇಟಾ—ತೆಗೆದುಹಾಕಿ ಮತ್ತು ಸೆಕ್ಯೂರಿಟಿ ಅಪ್ಡೇಟ್ಗಳು ಲಭ್ಯವಿರುವಾಗಲೇ ಅವುಗಳನ್ನು Agent Framework ನಲ್ಲಿ ಮರುನಿರ್ಮಿಸಲು ಪ್ರಾರಂಭಿಸಿ. ಈಗ ಮಾಡುವ ಪ್ರಯತ್ನವು ನಂತರದ ಅವಧಿಯಲ್ಲಿ ಅವಸರದ ಮತ್ತು ಅಪಾಯಕಾರಿ ಮೈಗ್ರೇಷನ್ ಅನ್ನು ತಡೆಯುತ್ತದೆ.
Source: https://dev.to/multigrid/building-a-prompt-flow-in-azure-ai-foundry-2bbn