STEP 1 · 学习

AI-103 学习Azure AI 应用和代理开发人员

按考试领域阅读要点，然后点击各领域末尾的“练习该领域”，只练习该领域的题目。比例越大的领域在正式考试中出题越多。

规划和管理 Azure AI 解决方案

Plan and manage an Azure AI solution

25–30%

学习目标

根据任务选择大语言模型、小语言模型、多模态模型和 Foundry 工具
使用托管标识、专用网络、无密钥身份验证和 RBAC 配置安全
管理配额、速率限制和成本，并监视质量和安全
通过防护措施、评估、跟踪和审批流实施负责任 AI

要点

模型选择是质量、延迟和成本之间的平衡：大量常规分类用小语言模型，复杂推理用大模型，涉及图像时用多模态模型。
无密钥身份验证是原则：为应用分配托管标识，并用 RBAC 只授予最少的角色。绝不要把 API 密钥放在代码或存储库中。
用专用终结点等隔离网络，缩小公开范围。
应对 429（速率限制）：检查配额、使用指数退避重试并做好容量规划。成本取决于令牌量和部署类型。
监视对象不仅是模型性能，还包括依据性（grounding）质量、安全事件以及搜索索引的健康状况。
负责任 AI：把内容筛选器和防护措施、评估、跟踪和来源元数据、审批工作流以及工具访问控制作为一个整体来设计。

工作中的应用场景

销售按用途拆分模型以控制成本：提案草稿用大模型，咨询分类用小模型。
总务用托管标识和专用网络构建内部规章问答应用，消除 API 密钥管理负担和泄露风险。
财务付款相关工具不由代理直接执行，而是经过审批工作流。通过跟踪记录“谁依据什么批准了什么”。

考试评估项目（来自考试指南）

Choose the appropriate Foundry services for generative AI and agents
Set up AI solutions in Foundry
Manage, monitor, and secure AI systems
Implement responsible AI across generative AI and agentic systems

学习资源

详细学习（4 个主题，附小测验）→练习该领域（85 题）→下一个领域 ↓

实施生成式 AI 和代理解决方案

Implement generative AI and agentic solutions

30–35%

学习目标

使用 Foundry SDK 实现包含 RAG 和工具集成的生成式应用
构建定义了角色、目标、工具架构和对话管理的代理
设计多代理和带审批的半自主工作流
通过调整生成参数、跟踪和令牌分析优化运营

要点

RAG 通过搜索收集依据并传给模型来回答，无需重新训练模型即可反映内部信息。
明确定义代理工具的名称、说明和参数类型。说明含糊会导致调用错误的工具。
继续对话需要管理对话历史（线程）。要决定记住什么、舍弃什么。
多代理系统分工明确，由编排者进行协调。不要把一切都塞进一个代理。
订货、付款等影响大的操作不得自主执行，必须经过审批流。
从质量（相关性、依据性）和安全两方面进行评估。加入检测捏造（无依据回答）的评估。
需要一致性的业务应降低 temperature 等参数。通过跟踪、令牌分析和延迟细分确保可观测性。

工作中的应用场景

销售用 RAG 参考每个客户过去的商谈记录，起草下次拜访的要点；最终提案由负责人确认。
总务物品订购代理：把库存确认工具与订购工具分开，只在审批后执行订购。
财务把发票核对做成多代理（提取、核对、异常报告），差异由人判断。

考试评估项目（来自考试指南）

Build generative applications by using Foundry
Build agents by using Foundry
Optimize and operationalize generative AI systems

学习资源

详细学习（3 个主题，附小测验）→练习该领域（99 题）→下一个领域 ↓

实施计算机视觉解决方案

Implement computer vision solutions

10–15%

学习目标

实现基于文本和参考图像的图像、视频生成与编辑（如修补）
使用多模态模型和 Content Understanding 分析图像和视频
应对多模态特有的风险，如通过图像中的文字进行的间接提示注入

要点

图像生成除了文本提示外，还可以使用参考图像。只修改局部时，使用指定蒙版的修补（inpainting）。
基于图像内容的问答、描述和替代文本（alt-text）生成是多模态模型的强项。替代文本应符合无障碍要求。
Content Understanding 用于从图像和视频中提取结构化特征。视频按片段处理。
注意间接提示注入：嵌入图像中的文字被当作指令解释。应设计为不把来自图像的文本当作指令。
对生成内容应用水印、禁止内容检测和品牌规范等策略。

工作中的应用场景

销售根据商品图像生成目录用说明和替代文本，由负责人确认措辞后发布。
总务为内部公告生成的图像应用品牌指南和水印。
财务读取收据图像时，设计为不把图像中的文字作为指令执行，以防止注入。

考试评估项目（来自考试指南）

Design and implement image- and video-generation solutions
Design and implement multimodal understanding workflows
Implement responsible AI for multimodal content

学习资源

详细学习（3 个主题，附小测验）→练习该领域（38 题）→下一个领域 ↓

实施文本分析解决方案

Implement text analysis solutions

10–15%

学习目标

使用生成式提示和 Foundry 工具提取实体、摘要和结构化 JSON
实现情绪、语气和敏感信息检测以及翻译
把语音识别、语音合成和语音翻译集成到代理中

要点

提取结果要供后续步骤使用，因此要用架构指定 JSON 等结构化输出。
检测情绪、语气、安全问题和敏感信息（如个人信息），直接关系到咨询分派和信息管理。
根据用途区分使用 Azure Translator 和大语言模型翻译。需要统一术语时，考虑使用词典和术语表。
行业术语或内部术语识别率低时，用自定义语音模型改进。
语音是代理的输入输出模态之一。按语音→文本→推理→语音的流程设计。

工作中的应用场景

销售转录商谈录音，以 JSON 提取要点、下一步行动和竞争对手名称，写入 CRM 草稿。
总务从内部咨询中检测个人信息，屏蔽后再记录。
财务翻译海外供应商的英文付款条件，并用内部词典统一会计科目等术语。

考试评估项目（来自考试指南）

Apply language model text analysis
Implement speech solutions

学习资源

详细学习（2 个主题，附小测验）→练习该领域（38 题）→下一个领域 ↓

实施信息提取解决方案

Implement information extraction solutions

10–15%

学习目标

引入文档、图像、音频和视频并编制索引
配置语义搜索、混合搜索和矢量搜索
通过 OCR、布局分析和字段提取从文档中取出结构化数据

要点

混合搜索结合了关键字搜索和矢量搜索，既能应对型号和专有名词，也能应对换说法。
语义排序按含义对搜索结果重新排序，提高靠前结果的相关性。
扫描 PDF 需要包含 OCR 的引入流程。用布局分析保留表格和标题的结构。
用扩充（技能）添加文本、图像和布局信息后再编制索引。
用 Content Understanding 生成 Markdown 等结构化输出，便于后续 RAG 和代理步骤处理。
搜索管道可以直接作为代理的工具连接。

工作中的应用场景

销售用混合搜索跨过去的提案书和报价单查找，无论指定型号还是模糊提问都能找到。
总务用 OCR 和布局分析引入纸质规章汇编，在保留章节结构的同时作为问答依据。
财务从发票中提取供应商、金额和付款期限字段，传给核对代理。

考试评估项目（来自考试指南）

Build retrieval and grounding pipelines
Extract content from documents

学习资源

详细学习（2 个主题，附小测验）→练习该领域（38 题）→挑战模拟考试 →

读完之后

练习全部领域（298 题）模拟考试（50 题 · 75 分钟）AI-103 首页

使用须知（非官方、原创题目、不保证合格）

本站题目是根据官方公开的技能大纲和考试指南独立编写的原创练习题，并非真实考试题目。
Microsoft、Azure、Copilot、Microsoft 365、Dynamics 365、Power Platform 是 Microsoft 集团的商标。本站与 Microsoft 无合作关系，也未获得 Microsoft 的认可或推荐。
本内容仅为学习辅助，不保证考试合格。考试内容、形式和前提条件可能随时变更，参加考试前请务必在官方页面确认最新信息。
模拟考试的正确率无法换算为官方（换算）分数，也不能预测是否合格。
进度仅保存在本浏览器（localStorage）中；使用 Google 登录后才会同步到账号。可在“Cookie 与存储设置”页面（日语）中删除。