Microsoft объявила, что Prompt Flow в Azure AI Foundry перестанет получать новые функции 20 апреля 2026 года и будет полностью выведен из эксплуатации 20 апреля 2027 года. Разработчикам настоятельно рекомендуется перенести свои рабочие нагрузки в Microsoft Agent Framework. Этот дедлайн имеет критическое значение, так как runtime-образы, на которых работает Prompt Flow, вскоре перестанут получать обновления безопасности, что создаст проблемы с соблюдением нормативных требований (compliance) для любой организации, продолжающей использовать этот сервис.

Prompt Flow был визуальным оркестратором Azure AI Foundry для конвейеров (pipelines) больших языковых моделей (LLM). «Flow» (поток) — это, по сути, папка, содержащая файл flow.dag.yaml, который описывает входные и выходные данные, а также последовательность узлов. Визуальный редактор позволял пользователям перетаскивать компоненты (drag-and-drop), но системы контроля версий на самом деле отслеживают именно лежащий в основе YAML-файл.

Почему это важно

  • Риск несоблюдения требований (Compliance risk) — без обновлений безопасности любые уязвимости, обнаруженные в runtime-образах, останутся неисправленными. Регуляторы часто классифицируют неподдерживаемый код как не соответствующий стандартам, особенно если он работает с учетными данными.

Основные концепции, которые вам все еще нужно знать

Даже если вы планируете отказаться от Prompt Flow, паттерны, которые он внедрял, остаются ценными. Понимание этих принципов облегчит переход на Agent Framework.

  • Определение на основе папок — YAML-файл потока перечисляет каждый узел, его тип и контракты данных. Храните этот файл в системе контроля версий; он является единственным источником истины.
  • Python-узлы для детерминированной работы — используйте Python-шаги для парсинга, валидации или любой логики, которая должна выдавать одинаковый результат при одних и тех же входных данных. Это изолирует недетерминированные вызовы LLM и упрощает последующее тестирование.
  • Объекты Connection для секретов — учетные данные хранятся в отдельном поле подключения (connection), а не в коде. Такая архитектура позволяет заменять ключи разработки на рабочие (production) ключи, не меняя определение потока.
  • Наборы данных для оценки (Evaluation datasets) — самой сильной стороной Prompt Flow был встроенный цикл оценки. Файл JSONL, в котором реалистичные входные данные сопоставлены с ожидаемыми результатами, можно использовать в любом фреймворке; относитесь к нему как к переносимым тестовым данным.
  • Метрики системного уровня — измерение только выходных данных одного узла может вводить в заблуждение. Сочетайте детерминированные проверки (например, соответствие регулярным выражениям) с сквозными (end-to-end) метриками, чтобы отлавливать регрессии, которые проявляются только после выполнения всего конвейера.

Дорожная карта миграции

Переход с Prompt Flow на Agent Framework — это не операция «нажал и готово»; он требует переписывания семантики каждого узла.

  1. Сопоставьте LLM-узлы — замените визуальные блоки LLM явными вызовами API, обернутыми в класс агента. Агент должен принимать ту же схему входных данных, которая была определена в исходном YAML-файле.
  2. Перенесите Python-узлы — перенесите Python-код в обычные функции или методы, которые сможет вызывать новый оркестратор. Сохраните все детерминированные контракты, которые вы выстраивали вокруг них.
  3. Перенастройте подключения — экспортируйте определения подключений из Prompt Flow и импортируйте их в хранилище секретов Agent Framework. Убедитесь, что значения, специфичные для конкретной среды, по-прежнему разрешаются корректно.
  4. Перенесите данные для оценки — используйте существующий JSONL-файл в тестовой среде нового фреймворка. Подкорректируйте расчеты метрик, чтобы они соответствовали формату отчетности Agent Framework.
  5. Проведите сквозную проверку — запустите полный конвейер на выборке реального трафика. Сравните конечные результаты с базовыми показателями (baseline) оригинального Prompt Flow, чтобы выявить отклонения (drift).
  6. Доработайте оркестрацию — если вашему рабочему процессу нужна отказоустойчивость при перезапуске процессов, рассмотрите возможность использования Azure Durable Functions или другого надежного оркестратора вместо воссоздания визуального потока.

На что обратить внимание

Итог: Относитесь к дедлайну в апреле 2027 года как к окончательной точке. Приостановите любые новые проекты на Prompt Flow, извлеките переиспользуемые части — YAML-определения, логику Python, конфигурации подключений и данные для оценки — и начните переносить их в Agent Framework, пока еще приходят обновления безопасности. Эти усилия сейчас помогут избежать спешной и рискованной миграции в будущем.

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