用途：该技能用于指导学习者将智能体从原型推进到 Microsoft Foundry 上的可扩展、可观测生产部署。核心心智模型是：生产智能体约 80% 是围绕模型的运维骨架，而非模型本身。
主要能力与涉及主题：一、部署模式选择，包括客户端托管（推理循环运行在自有进程中，控制力最强但需自行承担扩展与状态管理）、托管智能体（由 Foundry Agent Service 托管循环、存储线程、实施 RBAC 与内容安全，并在门户中展示）、智能体工作流（多智能体与工具组成图，含分支、审批节点与持久检查点）。二、扩展与成本手段，按优先级为：按评估门禁选择最小可用模型、按复杂度路由（简单请求用小模型、复杂推理用大模型，可自建分类器或使用 Foundry Model Router）、缓存近似重复请求、无状态设计与有界并发加退避重试。三、生命周期为 创建→版本→评估（门禁）→部署托管→在线观测→收集失败→重复；离线评估是门禁，未达阈值不得发布，在线可观测结果回馈离线测试集。
关键做法：请求处理器按 缓存→按复杂度路由→追踪 span→执行→缓存 流程；评估门禁对离线测试集打分并在 pass_rate 达标时才部署；高风险操作（如大额退款）用 @tool(approval_mode="always_require") 加入人工审批；用 tracer.start_as_current_span(...) 包裹请求并设置 routed.model、customer.id 等属性。
部署后验证：使用 AI Smoke Test 动作，经由 .github/workflows/smoke-test.yml 与 tests/ 目录中的清单，向 POST {project_endpoint}/agents/{agent_name}/endpoint/protocols/openai/responses 逐条发送提示并断言回复文本；身份需在 Foundry 项目范围拥有 Azure AI User 角色，令牌受众须为 https://ai.azure.com/。门禁分层为：冒烟测试（每次部署验证可达与响应）、离线评估（发布前质量门槛）、在线评估（持续运行表现）。
企业控制：为每个托管智能体分配最小权限的托管身份；生产中使用 MCP 时将其视为不可信边界，固定版本、限定身份权限、校验输出、限流且绝不暴露密钥。
限制与注意：所有建议应基于课程内容与可运行 notebook，不虚构 Foundry API；不要承诺未经核实的实网 Azure 结果，应以冒烟测试工作流确认部署；评估设定质量下限，路由与缓存仅帮助成本贴近该下限。官方来源未提供更细的安装命令或价格信息。