Microsoft 宣布，Azure AI Foundry 的 Prompt Flow 将于 2026 年 4 月 20 日停止接收新功能，并于 2027 年 4 月 20 日正式退役。微软敦促开发者将其工作负载迁移至 Microsoft Agent Framework。这一截止日期至关重要，因为驱动 Prompt Flow 的运行时镜像（runtime images）很快将失去安全更新，这会给任何继续使用该服务的组织带来合规性方面的难题。

Prompt Flow 是 Azure AI Foundry 用于大语言模型 (LLM) 流水线的可视化编排器。“Flow”本质上是一个包含 flow.dag.yaml 文件的文件夹，该文件描述了输入、输出以及节点的序列。可视化编辑器允许用户通过拖放组件进行操作，但版本控制系统实际追踪的是底层的 YAML 文件。

为什么这一变化至关重要

  • 合规风险 – 如果没有安全更新，运行时镜像中发现的任何漏洞都将无法得到修复。监管机构通常会将无人维护的代码视为不合规，尤其是在处理凭据（credentials）时。

你仍需了解的核心概念

即使你计划放弃 Prompt Flow，它所倡导的设计模式仍然具有价值。理解这些模式将有助于平稳过渡到 Agent Framework。

  • 基于文件夹的定义 – Flow 的 YAML 文件列出了每个节点、其类型及其数据契约（data contracts）。请将此文件纳入源码控制；它是唯一的真相来源（single source of truth）。
  • 用于确定性工作的 Python 节点 – 使用 Python 步骤进行解析、验证或任何在给定相同输入时必须产生相同结果的逻辑。这可以隔离非确定性的 LLM 调用，并使下游测试更加容易。
  • 用于管理密钥的 Connection 对象 – 凭据存储在独立的连接字段中，而不是代码中。这种设计允许你在不改动 Flow 定义的情况下，将开发密钥更换为生产密钥。
  • 评估数据集 – Prompt Flow 最强大的功能是其内置的评估循环。将真实的输入与预期输出配对的 JSONL 文件可以在任何框架中复用；请将其视为可移植的测试数据。
  • 系统级指标 – 仅测量单个节点的输出可能会产生误导。应将确定性检查（例如正则表达式匹配）与端到端指标相结合，以捕捉仅在整个流水线运行后才会出现的回归问题。

迁移路线图

从 Prompt Flow 迁移到 Agent Framework 并非“一键转换”的操作；它需要重写每个节点的语义。

  1. 映射 LLM 节点 – 用封装在 agent 类中的显式 API 调用来替换可视化的 LLM 模块。Agent 应当接受与原始 YAML 中定义的相同的输入模式（input schema）。
  2. 转换 Python 节点 – 将 Python 代码转换为新编排器可以调用的常规函数或方法。保留你围绕它们构建的任何确定性契约。
  3. 重新连接 – 从 Prompt Flow 导出连接定义，并将其导入 Agent Framework 的密钥存储（secret store）中。验证特定于环境的值是否仍能正确解析。
  4. 迁移评估数据 – 将现有的 JSONL 文件输入到新框架的测试套件（test harness）中。调整任何指标计算，以匹配 Agent Framework 的报告格式。
  5. 端到端验证 – 使用真实流量样本运行完整的流水线。将最终输出与原始 Prompt Flow 基准进行比较，以发现偏差（drift）。
  6. 迭代编排 – 如果你的工作流需要在进程重启时保持韧性，请考虑使用 Azure Durable Functions 或其他持久化编排器，而不是重新构建可视化 Flow。

后续注意事项

核心要点： 将 2027 年 4 月的截止日期视为硬性期限。暂停任何新的 Prompt Flow 项目，提取可复用的部分——YAML 定义、Python 逻辑、连接配置和评估数据——并在安全更新仍在提供的期间，开始在 Agent Framework 中重新构建它们。现在的投入可以防止日后仓促且冒险的迁移。

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