docs/models/azure.md
对于企业用户和需要更高稳定性的场景，微软 Azure 提供的 OpenAI 服务是一个值得考虑的选择。相比直接使用 OpenAI API，Azure OpenAI 在国内网络环境下通常具有更好的连接稳定性，同时提供企业级的安全合规保障。
本文将引导您完成 Azure OpenAI 服务的申请和配置。整个过程包括在 Azure 平台创建资源、部署模型，以及在 GPT Academic 中配置连接参数。
在开始之前，您需要准备以下内容：
| 项目 | 说明 |
|---|---|
| 微软账号 | 用于登录 Azure 门户 |
| Azure 订阅 | 可使用免费试用或付费订阅 |
| OpenAI 服务访问权限 | 需要申请并获得批准 |
!!! note "关于访问权限" Azure OpenAI 服务目前需要单独申请访问权限。新用户在创建 Azure 账户后，需要填写申请表格，通常在 1-5 个工作日内获得批准。申请地址：aka.ms/oai/access
获得访问权限后，登录 Azure 门户，按照以下步骤创建 OpenAI 资源。
首先，在门户顶部的搜索栏中输入"OpenAI"，从搜索结果中选择"Azure OpenAI"服务。进入服务页面后，点击"创建"按钮开始创建新资源。
在创建页面中，您需要填写以下关键信息：
完成填写后，点击"查看 + 创建"，确认信息无误后点击"创建"。部署通常需要几分钟时间。
资源创建完成后，需要在其中部署具体的模型才能使用。点击资源页面中的"转到资源"，然后选择"模型部署"或直接访问 Azure OpenAI Studio。
在 Azure OpenAI Studio 中，点击左侧导航栏的"部署"，然后点击"创建新部署"。在弹出的对话框中选择要部署的模型（如 gpt-4、gpt-35-turbo 等），并为部署指定一个名称。
<!-- IMAGE: model_azure_01_deployment.png --> <!-- 描述: Azure OpenAI Studio 的模型部署界面，展示选择模型和填写部署名称的对话框 --> <!-- 标注: 用红框标注"模型"下拉菜单和"部署名"输入框 --> <!-- 尺寸建议: 800px -->!!! warning "重要：记录部署名称" 请务必记录您填写的部署名称（Deployment Name），后续配置时需要使用。注意：部署名称不是模型名称，而是您自己指定的名称。
部署完成后，返回 Azure 门户的资源页面，在"资源管理"→"密钥和终结点"中，您可以找到后续配置所需的三个关键信息：
如果您只需要使用一个 Azure OpenAI 模型，可以使用这种简单的配置方式。在 config_private.py 中添加以下内容：
# Azure OpenAI 单模型配置
LLM_MODEL = "azure-gpt-35-turbo" # 模型标识必须以 azure- 开头
# Azure 连接参数
AZURE_ENDPOINT = "https://你的资源名称.openai.azure.com/" # 替换为您的终结点
AZURE_API_KEY = "xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx" # 替换为您的密钥
AZURE_ENGINE = "你的部署名称" # 替换为您的部署名
AZURE_API_VERSION = "2024-02-15-preview" # API 版本，一般无需修改
# 将模型添加到可用列表
AVAIL_LLM_MODELS = ["azure-gpt-35-turbo", "azure-gpt-4"]
几点重要说明：
LLM_MODEL 的值必须以 azure- 开头，后面跟随的名称可以自定义，通常使用与 OpenAI 模型名相近的命名以便识别。
AZURE_ENDPOINT 是您资源的终结点 URL，格式为 https://{资源名称}.openai.azure.com/。注意末尾的斜杠不要遗漏。
AZURE_ENGINE 是您在 Azure OpenAI Studio 中创建部署时指定的部署名称，而不是模型名称（如 gpt-4）。这是配置中最容易出错的地方。
如果您在 Azure 上部署了多个模型（如同时部署了 GPT-3.5 和 GPT-4），可以使用 AZURE_CFG_ARRAY 配置，实现在界面上动态切换模型。
# Azure OpenAI 多模型配置
AZURE_CFG_ARRAY = {
# 第一个模型：GPT-3.5
"azure-gpt-35-turbo": {
"AZURE_ENDPOINT": "https://你的资源名称.openai.azure.com/",
"AZURE_API_KEY": "xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx",
"AZURE_ENGINE": "gpt35-deployment", # 第一个部署的名称
"AZURE_MODEL_MAX_TOKEN": 4096, # 模型最大 token 数
},
# 第二个模型：GPT-4
"azure-gpt-4": {
"AZURE_ENDPOINT": "https://你的资源名称.openai.azure.com/",
"AZURE_API_KEY": "xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx",
"AZURE_ENGINE": "gpt4-deployment", # 第二个部署的名称
"AZURE_MODEL_MAX_TOKEN": 8192,
},
# 第三个模型：GPT-4 32K（如果有）
"azure-gpt-4-32k": {
"AZURE_ENDPOINT": "https://你的资源名称.openai.azure.com/",
"AZURE_API_KEY": "yyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyy", # 可以使用不同的密钥
"AZURE_ENGINE": "gpt4-32k-deployment",
"AZURE_MODEL_MAX_TOKEN": 32768,
},
}
# 设置默认模型
LLM_MODEL = "azure-gpt-35-turbo"
# 将所有 Azure 模型添加到可用列表
AVAIL_LLM_MODELS = ["azure-gpt-35-turbo", "azure-gpt-4", "azure-gpt-4-32k"]
使用这种配置方式时，每个模型都需要单独配置完整的连接参数。字典的键（如 "azure-gpt-35-turbo"）将作为模型标识符，出现在界面的模型下拉菜单中。
!!! tip "混合使用多种 API"
您可以在 AVAIL_LLM_MODELS 中同时包含 Azure 模型和其他模型（如 OpenAI、国产模型等），实现在同一界面上灵活切换不同来源的模型：
```python
AVAIL_LLM_MODELS = [
"azure-gpt-4", # Azure
"gpt-4o", # OpenAI 直连
"qwen-max", # 通义千问
"deepseek-chat", # DeepSeek
]
```
完成配置后，启动 GPT Academic 验证连接是否正常：
python main.py
在浏览器中打开界面，从模型下拉菜单中选择您配置的 Azure 模型（如 azure-gpt-35-turbo），然后发送一条测试消息。如果收到正常回复，说明配置成功。
如果遇到错误，请检查终端输出的错误信息。常见问题包括：
???+ question "请求 Azure OpenAI 时频繁超时" Azure OpenAI 的服务器位于海外，国内用户可能偶尔遇到网络波动。您可以尝试：
1. 选择距离较近的 Azure 区域（如 Japan East）
2. 适当增加超时时间，在 `config_private.py` 中设置：
```python
TIMEOUT_SECONDS = 60 # 默认 30 秒
```
???+ question "提示 Rate limit exceeded" Azure OpenAI 对每分钟请求数（RPM）和每分钟 token 数（TPM）有配额限制。免费试用和低级别订阅的配额较低。
解决方案：
1. 在 Azure 门户中申请提升配额
2. 在 GPT Academic 中降低并发请求数
3. 升级 Azure 订阅等级
???+ question "某些模型显示不可用" Azure OpenAI 的模型可用性因区域而异。例如，GPT-4 可能在某些区域尚未开放。请查阅 Azure OpenAI 模型可用性 文档，确认您选择的区域支持所需模型。
Azure OpenAI 采用按量计费模式，费用与直接使用 OpenAI API 相近。主要计费项目包括：
新用户注册 Azure 通常可获得一定额度的免费试用金（约 $200），足够进行初步测试和评估。具体定价请参阅 Azure OpenAI 定价页面。
Azure OpenAI 配置完成后，您可以：