Microsoft പ്രഖ്യാപിച്ചതനുസരിച്ച്, Azure AI Foundry-യുടെ Prompt Flow-ലേക്ക് പുതിയ ഫീച്ചറുകൾ ലഭിക്കുന്നത് 2026 ഏപ്രിൽ 20-ന് അവസാനിക്കുമെന്നും 2027 ഏപ്രിൽ 20-ന് ഇത് നിർത്തലാക്കുമെന്നും (retired) അറിയിച്ചു. ഡെവലപ്പർമാർ തങ്ങളുടെ വർക്ക് ലോഡുകൾ Microsoft Agent Framework-ലേക്ക് മാറ്റണമെന്ന് ഇത് നിർദ്ദേശിക്കുന്നു. Prompt Flow പ്രവർത്തിപ്പിക്കാൻ ഉപയോഗിക്കുന്ന റൺടൈം ഇമേജുകൾക്ക് (runtime images) ഉടൻ തന്നെ സെക്യൂരിറ്റി അപ്‌ഡേറ്റുകൾ ലഭിക്കാതെ വരും എന്നതിനാൽ ഈ സമയപരിധി വളരെ പ്രധാനമാണ്; ഇത് സേവനം തുടരുന്ന ഏതൊരു സ്ഥാപനത്തിനും കംപ്ലയൻസ് (compliance) സംബന്ധമായ ബുദ്ധിമുട്ടുകൾ ഉണ്ടാക്കും.

Large-language-model (LLM) പൈപ്പ്‌ലൈനുകൾക്കായി Azure AI Foundry ഉപയോഗിച്ചിരുന്ന ഒരു വിഷ്വൽ ഓർക്കസ്ട്രേറ്ററാണ് (visual orchestrator) Prompt Flow. ഇൻപുട്ടുകൾ, ഔട്ട്‌പുട്ടുകൾ, നോഡുകളുടെ ക്രമം എന്നിവ വിവരിക്കുന്ന ഒരു flow.dag.yaml ഫയൽ അടങ്ങിയ ഒരു ഫോൾഡറാണ് അടിസ്ഥാനപരമായി ഒരു "flow". വിഷ്വൽ എഡിറ്റർ ഉപയോഗിച്ച് കമ്പോണന്റുകൾ ഡ്രാഗ് ആൻഡ് ഡ്രോപ്പ് ചെയ്യാൻ ഉപയോക്താക്കൾക്ക് സാധിക്കുമായിരുന്നു, എന്നാൽ യഥാർത്ഥത്തിൽ വെർഷൻ കൺട്രോൾ സിസ്റ്റങ്ങൾ ട്രാക്ക് ചെയ്യുന്നത് ഇതിന് പിന്നിലെ YAML ഫയലാണ്.

ഈ മാറ്റം പ്രധാനമാകുന്നത് എന്തുകൊണ്ട്

  • കംപ്ലയൻസ് റിസ്ക് (Compliance risk) – സെക്യൂരിറ്റി അപ്‌ഡേറ്റുകൾ ഇല്ലാതെ വരുമ്പോൾ, റൺടൈം ഇമേജുകളിൽ കണ്ടെത്തുന്ന സുരക്ഷാ വീഴ്ചകൾ (vulnerabilities) പരിഹരിക്കപ്പെടാതെ അവശേഷിക്കും. പ്രത്യേകിച്ച് ക്രെഡൻഷ്യലുകൾ കൈകാര്യം ചെയ്യുന്ന സാഹചര്യത്തിൽ, പരിപാലിക്കപ്പെടാത്ത (unmaintained) കോഡുകളെ റെഗുലേറ്റർമാർ പലപ്പോഴും നോൺ-കംപ്ലയന്റ് (non-compliant) ആയി കണക്കാക്കുന്നു.

നിങ്ങൾ അറിഞ്ഞിരിക്കേണ്ട പ്രധാന ആശയങ്ങൾ

നിങ്ങൾ Prompt Flow ഉപേക്ഷിക്കാൻ പദ്ധതിയിടുമ്പോഴും, അത് പ്രോത്സാഹിപ്പിച്ച രീതികൾ (patterns) ഇപ്പോഴും മൂല്യമുള്ളതാണ്. അവ മനസ്സിലാക്കുന്നത് Agent Framework-ലേക്കുള്ള മാറ്റം സുഗമമാക്കാൻ സഹായിക്കും.

  • ഫോൾഡർ അടിസ്ഥാനമാക്കിയുള്ള നിർവ്വചനം (Folder-based definition) – ഫ്ലോയുടെ YAML ഫയൽ ഓരോ നോഡും, അതിന്റെ തരവും, ഡാറ്റാ കോൺട്രാക്റ്റുകളും പട്ടികപ്പെടുത്തുന്നു. ഈ ഫയൽ സോഴ്സ് കൺട്രോളിന് (source control) കീഴിൽ സൂക്ഷിക്കുക; ഇതാണ് നിങ്ങളുടെ ഏക ആധികാരിക സ്രോതസ്സ് (single source of truth).
  • നിശ്ചിത ഫലങ്ങൾക്കായി (deterministic work) പൈത്തൺ നോഡുകൾ – പാഴ്സിംഗ് (parsing), വാലിഡേഷൻ അല്ലെങ്കിൽ ഒരേ ഇൻപുട്ട് നൽകിയാൽ ഒരേ ഫലം തന്നെ നൽകേണ്ട ലോജിക് എന്നിവയ്ക്കായി പൈത്തൺ സ്റ്റെപ്പുകൾ ഉപയോഗിക്കുക. ഇത് നോൺ-ഡിറ്റർമിനിസ്റ്റിക് (nondeterministic) ആയ LLM കോളുകളെ വേർതിരിക്കാനും ഡൗൺസ്ട്രീം ടെസ്റ്റിംഗ് എളുപ്പമാക്കാനും സഹായിക്കുന്നു.
  • സീക്രട്ടുകൾക്കായി കണക്ഷൻ ഒബ്‌ജക്റ്റുകൾ – ക്രെഡൻഷ്യലുകൾ കോഡിലല്ല, മറിച്ച് ഒരു പ്രത്യേക കണക്ഷൻ ഫീൽഡിലാണ് സൂക്ഷിക്കുന്നത്. ഈ ഡിസൈൻ ഉപയോഗിച്ച് ഫ്ലോ നിർവ്വചനം മാറ്റാതെ തന്നെ ഡെവലപ്‌മെന്റ് കീകൾക്ക് പകരം പ്രൊഡക്ഷൻ കീകൾ ഉപയോഗിക്കാൻ നിങ്ങൾക്ക് സാധിക്കും.
  • ഇവാലുവേഷൻ ഡാറ്റാസെറ്റുകൾ (Evaluation datasets) – Prompt Flow-യുടെ ഏറ്റവും ശക്തമായ ഫീച്ചർ അതിന്റെ ബിൽറ്റ്-ഇൻ ഇവാലുവേഷൻ ലൂപ്പ് ആയിരുന്നു. യഥാർത്ഥ ഇൻപുട്ടുകളെ പ്രതീക്ഷിച്ച ഔട്ട്‌പുട്ടുകളുമായി ജോഡി ചേർക്കുന്ന ഒരു JSONL ഫയൽ ഏത് ഫ്രെയിംവർക്കിലും വീണ്ടും ഉപയോഗിക്കാം; ഇതിനെ പോർട്ടബിൾ ടെസ്റ്റ് ഡാറ്റയായി പരിഗണിക്കുക.
  • സിസ്റ്റം ലെവൽ മെട്രിക്സ് (System-level metrics) – ഒരു നോഡിന്റെ ഔട്ട്‌പുട്ട് മാത്രം അളക്കുന്നത് തെറ്റായ നിഗമനങ്ങളിലേക്ക് നയിച്ചേക്കാം. മുഴുവൻ പൈപ്പ്‌ലൈനും പ്രവർത്തിച്ചതിന് ശേഷം മാത്രം കാണുന്ന പിഴവുകൾ (regressions) കണ്ടെത്താൻ ഡിറ്റർമിനിസ്റ്റിക് ചെക്കുകളും (ഉദാഹരണത്തിന് regex matches) എൻഡ്-ടു-എൻഡ് മെട്രിക്സും സംയോജിപ്പിക്കുക.

മൈഗ്രേഷൻ റോഡ്മാപ്പ് (Migration roadmap)

Prompt Flow-യിൽ നിന്ന് Agent Framework-ലേക്ക് മാറുന്നത് ഒരു ക്ലിക്ക് ചെയ്താൽ മാത്രം മാറുന്ന പ്രക്രിയയല്ല; ഓരോ നോഡിന്റെയും സെമാന്റിക്സ് (semantics) വീണ്ടും എഴുതേണ്ടതുണ്ട്.

  1. LLM നോഡുകൾ മാപ്പ് ചെയ്യുക – വിഷ്വൽ LLM ബ്ലോക്കുകൾക്ക് പകരം ഒരു ഏജന്റ് ക്ലാസ്സിൽ ഉൾപ്പെടുത്തിയ വ്യക്തമായ API കോളുകൾ ഉപയോഗിക്കുക. ഏജന്റ് ഒറിജിനൽ YAML-ൽ നിർവചിച്ചിട്ടുള്ള അതേ ഇൻപുട്ട് സ്കീമ സ്വീകരിക്കണം.
  2. പൈത്തൺ നോഡുകൾ മാറ്റുക – പുതിയ ഓർക്കസ്ട്രേറ്റർക്ക് ഉപയോഗിക്കാൻ കഴിയുന്ന സാധാരണ ഫംഗ്ഷനുകളിലേക്കോ മെത്തേഡുകളിലേക്കോ പൈത്തൺ കോഡ് മാറ്റുക. അവയ്ക്ക് ചുറ്റും നിങ്ങൾ നിർമ്മിച്ച ഡിറ്റർമിനിസ്റ്റിക് കോൺട്രാക്റ്റുകൾ നിലനിർത്തുക.
  3. കണക്ഷനുകൾ പുനഃക്രമീകരിക്കുക – Prompt Flow-ൽ നിന്നുള്ള കണക്ഷൻ നിർവ്വചനങ്ങൾ എക്‌സ്‌പോർട്ട് ചെയ്ത് Agent Framework-ന്റെ സീക്രട്ട് സ്റ്റോറിലേക്ക് ഇംപോർട്ട് ചെയ്യുക. എൻവയോൺമെന്റ് അടിസ്ഥാനമാക്കിയുള്ള വാല്യൂകൾ ശരിയായി പ്രവർത്തിക്കുന്നുണ്ടെന്ന് ഉറപ്പുവരുത്തുക.
  4. ഇവാലുവേഷൻ ഡാറ്റ മാറ്റുക – നിലവിലുള്ള JSONL ഫയൽ പുതിയ ഫ്രെയിംവർക്കിന്റെ ടെസ്റ്റ് ഹാർനെസ്സിലേക്ക് നൽകുക. Agent Framework-ന്റെ റിപ്പോർട്ടിംഗ് ഫോർമാറ്റിന് അനുസൃതമായി മെട്രിക് കണക്കുകൂട്ടലുകളിൽ മാറ്റം വരുത്തുക.
  5. എൻഡ്-ടു-എൻഡ് പരിശോധിക്കുക – യഥാർത്ഥ ട്രാഫിക്കിന്റെ ഒരു സാമ്പിളിൽ മുഴുവൻ പൈപ്പ്‌ലൈനും പ്രവർത്തിപ്പിക്കുക. മാറ്റങ്ങൾ (drift) കണ്ടെത്താൻ ഫൈനൽ ഔട്ട്‌പുട്ടുകൾ ഒറിജിനൽ Prompt Flow ബേസ്‌ലൈനുമായി താരതമ്യം ചെയ്യുക.
  6. ഓർക്കസ്ട്രേഷനിൽ മാറ്റങ്ങൾ വരുത്തുക – പ്രോസസ്സ് റീസ്റ്റാർട്ട് ചെയ്യുമ്പോഴും നിങ്ങളുടെ വർക്ക്ഫ്ലോ തടസ്സമില്ലാതെ പ്രവർത്തിക്കണമെങ്കിൽ, ഒരു വിഷ്വൽ ഫ്ലോ വീണ്ടും നിർമ്മിക്കുന്നതിന് പകരം Azure Durable Functions അല്ലെങ്കിൽ മറ്റൊരു ഡ്യൂറബിൾ ഓർക്കസ്ട്രേറ്റർ പരിഗണിക്കുക.

ശ്രദ്ധിക്കേണ്ട കാര്യങ്ങൾ

ചുരുക്കത്തിൽ: 2027 ഏപ്രിൽ സമയപരിധിയെ ഒരു അവസാന നിശ്ചിത സമയമായി കാണുക. പുതിയ Prompt Flow പ്രോജക്റ്റുകൾ തൽക്കാലം നിർത്തിവെക്കുക, ഉപയോഗപ്രദമായ ഭാഗങ്ങൾ—YAML നിർവ്വചനങ്ങൾ, പൈത്തൺ ലോജിക്, കണക്ഷൻ കോൺഫിഗറേഷനുകൾ, ഇവാലുവേഷൻ ഡാറ്റ എന്നിവ—പുറത്തെടുക്കുക, സെക്യൂരിറ്റി അപ്‌ഡേറ്റുകൾ ലഭിക്കുന്ന സമയത്ത് തന്നെ അവ Agent Framework-ൽ പുനർനിർമ്മിച്ചു തുടങ്ങുക. ഇപ്പോൾ എടുക്കുന്ന ഈ പരിശ്രമം പിന്നീട് തിടുക്കത്തിൽ നടത്തുന്ന അപകടകരമായ മൈഗ്രേഷനുകളെ ഒഴിവാക്കാൻ സഹായിക്കും.

സ്രോതസ്സ്: https://dev.to/multigrid/building-a-prompt-flow-in-azure-ai-foundry-2bbn