Azure AI Foundry యొక్క Prompt Flow కి 20 ఏప్రిల్ 2026 నుండి కొత్త ఫీచర్లు రావు మరియు 20 ఏప్రిల్ 2027 నాటికి దీనిని నిలిపివేస్తామని Microsoft ప్రకటించింది. డెవలపర్లు తమ వర్క్‌లోడ్‌లను Microsoft Agent Framework కి మార్చుకోవాలని ఇది సూచిస్తోంది. ఈ గడువు చాలా ముఖ్యం, ఎందుకంటే Prompt Flow కి శక్తినిచ్చే runtime images త్వరలో సెక్యూరిటీ అప్‌డేట్‌లను కోల్పోతాయి, దీనివల్ల ఈ సేవను కొనసాగించే ఏ సంస్థకైనా కంప్లయన్స్ (compliance) పరంగా ఇబ్బందులు ఎదురవుతాయి.

Prompt Flow అనేది large-language-model (LLM) పైప్‌లైన్‌ల కోసం Azure AI Foundry అందించే ఒక visual orchestrator. ఒక “flow” అనేది ప్రాథమికంగా ఇన్‌పుట్‌లు, అవుట్‌పుట్‌లు మరియు నోడ్ల క్రమాన్ని వివరించే flow.dag.yaml ఫైల్‌ను కలిగి ఉన్న ఒక ఫోల్డర్. visual editor ద్వారా వినియోగదారులు భాగాలను (components) డ్రాగ్ అండ్ డ్రాప్ చేయవచ్చు, కానీ version-control సిస్టమ్‌లు వాస్తవానికి ట్రాక్ చేసేది ఈ YAML ఫైల్‌ను మాత్రమే.

ఈ మార్పు ఎందుకు ముఖ్యం

  • Compliance risk – సెక్యూరిటీ అప్‌డేట్‌లు లేకపోతే, runtime imagesలలో కనుగొనబడిన ఏ లోపమైనా (vulnerability) సరిచేయబడదు (unpatched). ముఖ్యంగా క్రెడెన్షియల్స్‌ను (credentials) హ్యాండిల్ చేసేటప్పుడు, మెయింటెనెన్స్ లేని కోడ్‌ను రెగ్యులేటర్లు తరచుగా non-compliant గా పరిగణిస్తారు.

మీరు ఇంకా తెలుసుకోవలసిన ముఖ్యమైన అంశాలు

మీరు Prompt Flow ని వదిలివేసే ప్లాన్ చేస్తున్నప్పటికీ, అది ప్రోత్సహించిన పద్ధతులు (patterns) ఇప్పటికీ విలువైనవే. వాటిని అర్థం చేసుకోవడం వల్ల Agent Framework కి మారే ప్రక్రియ సులభతరం అవుతుంది.

  • Folder-based definition – flow యొక్క YAML ఫైల్ ప్రతి నోడ్, దాని రకం మరియు దాని డేటా కాంట్రాక్ట్‌లను జాబితా చేస్తుంది. ఈ ఫైల్‌ను source control లో ఉంచండి; ఇది మాత్రమే అసలైన సమాచార మూలం (single source of truth).
  • Python nodes for deterministic work – పార్సింగ్, వాలిడేషన్ లేదా ఒకే ఇన్‌పుట్ ఇచ్చినప్పుడు ఒకే ఫలితాన్ని ఇచ్చే ఏ లాజిక్ కోసం అయినా Python steps ఉపయోగించండి. ఇది nondeterministic LLM కాల్స్‌ను వేరు చేస్తుంది మరియు downstream టెస్టింగ్‌ను సులభతరం చేస్తుంది.
  • Connection objects for secrets – క్రెడెన్షియల్స్ కోడ్‌లో కాకుండా విడిగా ఉన్న connection field లో ఉంటాయి. ఈ డిజైన్ వల్ల flow definition ని మార్చకుండానే, మీరు డెవలప్‌మెంట్ కీలను ప్రొడక్షన్ కీలతో మార్చుకోవచ్చు.
  • Evaluation datasets – Prompt Flow యొక్క అత్యంత శక్తివంతమైన ఫీచర్ దాని built-in evaluation loop. వాస్తవిక ఇన్‌పుట్‌లను మరియు ఆశించిన అవుట్‌పుట్‌లను జత చేసే JSONL ఫైల్‌ను ఏ ఫ్రేమ్‌వర్క్‌లోనైనా తిరిగి ఉపయోగించవచ్చు; దీనిని portable test data గా పరిగణించండి.
  • System-level metrics – కేవలం ఒకే ఒక నోడ్ యొక్క అవుట్‌పుట్‌ను కొలవడం తప్పుదారి పట్టించవచ్చు. మొత్తం పైప్‌లైన్ రన్ అయిన తర్వాత మాత్రమే కనిపించే రిగ్రెషన్లను (regressions) గుర్తించడానికి, deterministic checks (ఉదా: regex matches) ను end-to-end metrics తో కలిపి ఉపయోగించండి.

మైగ్రేషన్ రోడ్‌మ్యాప్ (Migration roadmap)

Prompt Flow నుండి Agent Framework కి మారడం అనేది కేవలం ఒక క్లిక్‌తో జరిగే పని కాదు; దీని కోసం ప్రతి నోడ్ యొక్క సెమాంటిక్స్‌ను (semantics) తిరిగి రాయాల్సి ఉంటుంది.

  1. Map LLM nodes – visual LLM బ్లాక్‌ల స్థానంలో, ఒక agent class లో పొందుపరిచిన స్పష్టమైన API కాల్స్‌ను ఉపయోగించండి. ఏజెంట్ అసలు YAML లో నిర్వచించిన ఇన్‌పుట్ స్కీమానే స్వీకరించాలి.
  2. Translate Python nodes – Python కోడ్‌ను కొత్త orchestrator పిలవగలిగే సాధారణ ఫంక్షన్‌లు లేదా మెథడ్‌లుగా మార్చండి. వాటి చుట్టూ మీరు నిర్మించిన ఏ deterministic కాంట్రాక్ట్‌లనైనా అలాగే ఉంచండి.
  3. Rewire connections – Prompt Flow నుండి connection definitions ని ఎగుమతి (export) చేసి, వాటిని Agent Framework యొక్క secret store లోకి దిగుమతి (import) చేయండి. ఎన్విరాన్‌మెంట్-నిర్దిష్ట విలువలు (environment-specific values) సరిగ్గా పనిచేస్తున్నాయో లేదో తనిఖీ చేయండి.
  4. Port evaluation data – ఉన్న JSONL ఫైల్‌ను కొత్త ఫ్రేమ్‌వర్క్ యొక్క test harness లోకి అందించండి. Agent Framework యొక్క రిపోర్టింగ్ ఫార్మాట్‌కు అనుగుణంగా మెట్రిక్ గణనలను (metric calculations) సర్దుబాటు చేయండి.
  5. Validate end-to-end – వాస్తవ ట్రాఫిక్ నమూనాపై పూర్తి పైప్‌లైన్‌ను రన్ చేయండి. డ్రిఫ్ట్ (drift) ను గుర్తించడానికి, చివరి అవుట్‌పుట్‌లను అసలు Prompt Flow బేస్‌లైన్‌తో పోల్చి చూడండి.
  6. Iterate on orchestration – మీ వర్క్‌ఫ్లో ప్రాసెస్ రీస్టార్ట్‌ల సమయంలో కూడా స్థిరంగా (resilience) ఉండాలంటే, విజువల్ ఫ్లోను మళ్ళీ నిర్మించే బదులు Azure Durable Functions లేదా మరొక durable orchestrator ని పరిశీలించండి.

తదుపరి గమనించవలసినవి

ముఖ్య గమనిక (Takeaway): ఏప్రిల్ 2027 గడువును ఒక అంతిమ గడువుగా (hard stop) పరిగణించండి. కొత్త Prompt Flow ప్రాజెక్ట్‌లను నిలిపివేసి, తిరిగి ఉపయోగించదగిన భాగాలను—YAML నిర్వచనాలు, Python లాజిక్, connection configs మరియు evaluation data—సేకరించండి. సెక్యూరిటీ అప్‌డేట్‌లు అందుబాటులో ఉన్నప్పుడే వాటిని Agent Framework లో మళ్ళీ నిర్మించడం ప్రారంభించండి. ఇప్పుడు చేసే ప్రయత్నం భవిష్యత్తులో తొందరపాటుతో, రిస్క్‌తో కూడిన మైగ్రేషన్‌ను నివారిస్తుంది.

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