azure-skills

GitHub
581 84 简单 2 次阅读 1周前MITAgent
AI 解读 由 AI 自动生成,仅供参考

azure-skills 是一款专为 Azure 云场景设计的智能体插件,旨在将深厚的 Azure 领域专家经验转化为可执行的自动化能力。它不仅仅是一组提示词,而是通过“技能大脑”与“执行双手”的结合,解决了 AI 助手在面对复杂云任务时往往只能提供通用建议、缺乏实际操作能力的痛点。

该工具内置了 20 项精心策划的 Azure 技能,涵盖从应用构建部署、故障诊断到成本优化和合规性检查的全流程决策逻辑;同时集成 Azure MCP Server,提供超过 200 个结构化工具,让智能体能够直接操作真实的 Azure 资源,如查询日志、检查定价或管理数据库。此外,它还特别支持 Microsoft Foundry 场景,助力模型发现与部署工作流。

azure-skills 非常适合需要在 VS Code、GitHub Copilot CLI 或 Claude Code 等环境中高效进行云开发、运维及架构设计的开发者与技术团队。其独特亮点在于“多宿主支持”,只需一次安装,即可在不同开发环境中复用统一的 Azure 能力层,确保指导策略与底层执行高度一致,让 AI 真正具备处理实际云工作的能力。

使用场景

某初创团队的后端工程师需要在周五下班前,将一个新的 AI 客服应用从本地开发环境迁移并部署到 Azure 云端,同时确保成本可控且符合安全合规要求。

没有 azure-skills 时

  • 开发者只能获得通用的云架构建议,AI 助手无法判断具体该选用 Azure Functions 还是 Container Apps,导致技术选型反复纠结。
  • 部署过程依赖手动编写复杂的 ARM 模板或 Terraform 脚本,缺乏预置的验证步骤,极易因配置遗漏导致部署失败。
  • 面对高昂的云资源账单风险,AI 无法主动调用实时计价工具进行成本预估,只能在事后通过门户查看账单。
  • 排查故障时,AI 仅能给出理论上的调试方向,无法直接连接 Azure 诊断工具查询实时日志或监控指标。
  • 不同开发成员使用的 Copilot 或 Claude 环境配置不一致,导致“在我机器上能跑”的协作困境。

使用 azure-skills 后

  • azure-skills 内置的 20 项专家技能直接引导代理选择最佳服务组合,并提供包含护栏的决策树,瞬间完成精准的技术选型。
  • 通过 azure-validateazure-deploy 等标准化工作流,代理自动执行部署前检查并一键完成发布,大幅降低人为错误。
  • 集成的 Azure MCP Server 让代理能直接调用 200+ 个实时工具,在部署前即刻生成详细的成本优化方案和报价预测。
  • 遇到运行时错误,代理直接调用 azure-diagnosticsazure-observability 工具链,实时拉取日志并定位根因。
  • 无论是在 VS Code、GitHub Copilot CLI 还是其他兼容主机中,团队只需一次安装即可共享统一的 Azure 执行能力与规范。

azure-skills 将分散的 Azure 专家经验转化为可执行的自动化工作流,让 AI 代理从“纸上谈兵”的顾问升级为能真正落地云资源的实干工程师。

运行环境要求

操作系统
  • Linux
  • macOS
  • Windows
GPU

未说明

内存

未说明

依赖
notes该工具是基于 Node.js 的插件,通过 npx 运行 MCP 服务器。需要安装并登录 Azure CLI (az login) 和 Azure Developer CLI (azd auth login)。在 IntelliJ IDEA 中使用时需额外安装 GitHub Copilot 插件并启用 Skills 功能。支持公有云及主权云(中国云、美国政府云)配置。
python未说明
Node.js 18+
Azure CLI
Azure Developer CLI (azd)
Git CLI
azure-skills hero image

快速开始

Azure 技能插件

Azure 工作不仅仅是代码问题,更是一个决策问题:哪种服务最适合这个应用?部署前需要验证哪些内容?应该运行哪些工具?又有哪些约束条件需要遵守?Azure 技能插件将 Azure 专业知识与 MCP 支持的执行能力整合在一起,使兼容的编码代理能够真正完成 Azure 相关工作,而不是给出泛化的云服务建议。

在 60 秒内安装插件

一次安装,三层能力

Azure 技能:大脑

该插件自带 20 个精选的 Azure 技能,教授代理如何完成 Azure 工作。它们为以下场景提供工作流、决策树和约束机制:

  • 使用 azure-prepareazure-validateazure-deploy 进行 构建与部署
  • 使用 azure-diagnosticsazure-observabilityazure-compliance 进行 故障排除与运维
  • 使用 azure-cost-optimizationazure-computeazure-resource-visualizer 进行 优化与设计
  • 使用 azure-aiazure-aigatewayazure-storageazure-kustoazure-rbacazure-cloud-migrateentra-app-registrationmicrosoft-foundry数据、AI 和平台服务之间协同工作

Azure MCP 服务器:双手

插件会接入 Azure MCP 服务器,为您的代理提供 覆盖 40 多种 Azure 服务的 200 多个结构化工具。这是用于列出资源、检查价格、查询日志、诊断问题以及驱动实际 Azure 工作流的执行层。

Foundry MCP:AI 专家

插件还包含 Foundry MCP,用于 Microsoft Foundry 场景,例如模型发现、模型部署和代理工作流。

为什么这款插件与众不同?

这并不是一个提示包,而是一个封装好的 Azure 能力层:

  • 技能 教导代理何时使用 Azure 工作流以及应避免哪些操作。
  • MCP 工具 让代理可以直接操作实时的 Azure 和 Foundry 资源。
  • 插件 将指导层和执行层在一个安装中保持一致。
  • 多主机支持 允许您在 GitHub Copilot for VS Code、Copilot CLI、Claude Code 等兼容主机上使用相同的 Azure 能力。

您将获得什么

组件 增加的内容 示例
Azure 技能 Azure 专业知识、工作流和约束机制 准备、验证、部署、诊断、成本、AI、RBAC
Azure MCP 服务器 实时 Azure 工具 资源清单、监控、定价、存储、数据库、消息传递
Foundry MCP Microsoft Foundry 工作流 模型目录、部署、代理、评估

插件的载荷位于 .github/plugins/azure-skills/ 中,其中包含的 MCP 配置展示了如何为兼容主机配置 Azure 和 Foundry 的连接。

在 60 秒内安装

前置条件

在安装之前,请确保您已具备以下条件:

  • 一个 Azure 账户或订阅
  • PATH 中已安装 Node.js 18+(使用 npx 启动 MCP 服务器)
  • 已安装并使用 az login 进行身份验证的 Azure CLI
  • 如果计划使用部署工作流,则需安装并使用 azd auth login 进行身份验证的 Azure 开发者 CLI

GitHub Copilot CLI

添加市场(仅首次):

/plugin marketplace add microsoft/azure-skills

安装插件

/plugin install azure@azure-skills

更新插件

/plugin update azure@azure-skills

VS Code

从 Visual Studio Marketplace 安装 Azure MCP 扩展:

👉 Azure MCP 扩展

Azure MCP 扩展会同时安装一个配套扩展,将 Azure 技能引入 VS Code。两者共同自动配置 Azure MCP 服务器、Foundry MCP 以及完整的技能层。

注意:技能扩展需要在您的机器上安装 Git CLI。如果您尚未安装,请让 Copilot 帮助您为您的操作系统安装 Git。

Claude Code

添加市场(仅首次):

/plugin marketplace add microsoft/azure-skills

安装插件

/plugin install azure@azure-skills

更新

/plugin marketplace update azure-skills

IntelliJ IDEA

前置条件

在 IntelliJ IDEA 中安装 Azure 技能之前,请确保您已具备以下条件:

  • 系统上已安装 Node.js 18+,且 PATH 中可使用 npx
  • 已安装并可通过命令行访问的 Git

您可以通过运行以下命令来验证这些前置条件:

npx --version
git --version

第一步:安装 GitHub Copilot 插件

  1. 打开 IntelliJ IDEA
  2. 转到 文件 > 设置(Windows/Linux)或 IntelliJ IDEA > 偏好设置(macOS)
  3. 在左侧边栏中导航至 插件
  4. 在市场选项卡中搜索“GitHub Copilot”
  5. 安装 GitHub Copilot 插件(需要版本 1.5.64-242 或更高)
  6. 根据提示重启 IntelliJ IDEA

第二步:启用 GitHub Copilot 的技能功能

  1. 再次打开 IntelliJ IDEA 的设置/偏好设置
  2. 导航至 工具 > GitHub Copilot > 聊天
  3. 勾选 “启用技能” 复选框
  4. 单击 应用确定

第三步:安装 Azure 技能

  1. 打开终端或命令提示符

  2. 运行以下命令以全局安装适用于 GitHub Copilot 的 Azure 技能:

    npx skills add https://github.com/microsoft/azure-skills/tree/main/.github/plugins/azure-skills/skills -a github-copilot -g -y
    

    命令解释:

    • npx skills add:使用 skills CLI 添加新的技能包
    • GitHub URL 指向本仓库中的 Azure 技能目录
    • -a github-copilot:指定技能适用于 GitHub Copilot
    • -g:将技能全局安装(可在所有项目中使用)
    • -y:在安装过程中自动接受提示
  3. 等待安装完成。您应会看到确认信息,表明 Azure 技能已成功添加。

主权云配置

默认情况下,Azure MCP 服务器会连接到 Azure 公有云。如果您使用的是主权云(Azure 中国云或 Azure 美国政府云),则需要配置 MCP 服务器以使用相应的云环境。

Copilot CLI

安装插件后,技能将被安装到 macOS/Linux 系统的 ~/.copilot/installed-plugins/ 目录下(Windows 系统则为 %USERPROFILE%\.copilot\installed-plugins\)。编辑已安装插件目录中的 <skill_installation_dir>/azure-skills/azure/.mcp.json 文件,添加 --cloud 参数:

Azure 中国云:

{
  "mcpServers": {
    "azure": {
      "command": "npx",
      "args": ["-y", "@azure/mcp@latest", "server", "start", "--cloud", "AzureChinaCloud"]
    }
    // 保持该文件中其他 MCP 服务器配置不变。
  }
}

Azure 美国政府云:

{
  "mcpServers": {
    "azure": {
      "command": "npx",
      "args": ["-y", "@azure/mcp@latest", "server", "start", "--cloud", "AzureUSGovernment"]
    }
    // 保持该文件中其他 MCP 服务器配置不变。
  }
}

在启动 MCP 服务器之前,请确保您的本地 CLI 工具已针对正确的云环境进行身份验证:

云环境 Azure CLI Azure PowerShell Azure Developer CLI
中国 az cloud set --name AzureChinaCloud && az login Connect-AzAccount -Environment AzureChinaCloud azd config set cloud.name AzureChinaCloud && azd auth login
美国政府云 az cloud set --name AzureUSGovernment && az login Connect-AzAccount -Environment AzureUSGovernment azd config set cloud.name AzureUSGovernment && azd auth login

更多详细信息,请参阅 Azure MCP 服务器文档中的 连接主权云

验证安装

安装完成后,您可以进行三项快速检查。

1. 验证技能层

提问:

我需要哪些 Azure 服务来部署这个项目?

您应该会收到结构化的 Azure 指导,而不仅仅是通用的云回答。

2. 验证 Azure MCP

提问:

列出我的 Azure 资源组。

您应该会看到来自您的 Azure 帐户的真实工具支持响应。

3. 验证 Foundry MCP

提问:

Microsoft Foundry 中有哪些可用的 AI 模型?

您应该会收到由 Foundry 支持的响应,而不是一般的摘要。

身份验证

推荐的身份验证方式是使用 Azure CLI:

az login

如果您计划使用 azd 进行部署,还应运行:

azd auth login

您也可以使用服务主体凭据进行身份验证:

Bash/Zsh

export AZURE_TENANT_ID="your-tenant-id"
export AZURE_CLIENT_ID="your-client-id"
export AZURE_CLIENT_SECRET="your-client-secret"

PowerShell

$env:AZURE_TENANT_ID = "your-tenant-id"
$env:AZURE_CLIENT_ID = "your-client-id"
$env:AZURE_CLIENT_SECRET = "your-client-secret"

当代理在 Azure 内部运行时,Azure MCP 服务器还可以使用托管标识。

可尝试的提示

插件安装完成后,您可以尝试以下提示:

  • 为 Azure 准备这个应用。
  • 在我运行 azd up 之前,验证我的 Azure 部署文件。
  • 将该项目部署到 Azure 容器应用。
  • 列出我的 Azure 存储帐户。
  • 查找我整个 Azure 订阅中的成本节约机会。
  • 排查我的容器应用为何无法通过运行状况探测。
  • 我应该分配什么角色,才能让此托管标识读取 Blob?
  • Microsoft Foundry 中有哪些可用的 AI 模型?

仓库布局

如果您正在探索或自定义插件源代码,关键部分包括:

  • .github/plugins/azure-skills/skills/ —— Azure 技能定义
  • .github/plugins/azure-skills/.mcp.json —— 包含的 Azure 和 Foundry 的 MCP 配置
  • README.md —— 插件的高级概述和安装指南

故障排除

代理未使用 Azure 技能

  • 确保插件已成功安装在您的主机上。
  • 确认 Azure 技能目录存在。
  • 重新加载或重启主机,以便其重新索引插件和 MCP 配置。

MCP 工具未显示

  • 确认已安装 Node.js,并且 npx 正常工作。
  • 检查是否已为您的主机添加了 Azure 和 Foundry 的 MCP 条目。
  • 在更改配置后,重启 MCP 服务器或重新加载主机。

Azure 命令因身份验证错误而失败

  • 重新运行 az login
  • 对于部署场景,重新运行 azd auth login
  • 确保选择了正确的 Azure 订阅。

了解更多信息

遥测

要禁用 Azure MCP 遥测收集,请设置:

export AZURE_MCP_COLLECT_TELEMETRY=false

贡献

本仓库会自动从 https://github.com/microsoft/GitHub-Copilot-for-Azure 同步更新。如果您希望为 Azure 技能做出贡献,请在该仓库中提交 PR。谢谢!

常见问题

相似工具推荐

openclaw

OpenClaw 是一款专为个人打造的本地化 AI 助手,旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚,能够直接接入你日常使用的各类通讯渠道,包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息,OpenClaw 都能即时响应,甚至支持在 macOS、iOS 和 Android 设备上进行语音交互,并提供实时的画布渲染功能供你操控。 这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地,用户无需依赖云端服务即可享受快速、私密的智能辅助,真正实现了“你的数据,你做主”。其独特的技术亮点在于强大的网关架构,将控制平面与核心助手分离,确保跨平台通信的流畅性与扩展性。 OpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者,以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力(支持 macOS、Linux 及 Windows WSL2),即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你

349.3k|★★★☆☆|5天前
Agent开发框架图像

stable-diffusion-webui

stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面,旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点,将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师,还是想要深入探索模型潜力的开发者与研究人员,都能从中获益。其核心亮点在于极高的功能丰富度:不仅支持文生图、图生图、局部重绘(Inpainting)和外绘(Outpainting)等基础模式,还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外,它内置了 GFPGAN 和 CodeFormer 等人脸修复工具,支持多种神经网络放大算法,并允许用户通过插件系统无限扩展能力。即使是显存有限的设备,stable-diffusion-webui 也提供了相应的优化选项,让高质量的 AI 艺术创作变得触手可及。

162.1k|★★★☆☆|6天前
开发框架图像Agent

everything-claude-code

everything-claude-code 是一套专为 AI 编程助手(如 Claude Code、Codex、Cursor 等)打造的高性能优化系统。它不仅仅是一组配置文件,而是一个经过长期实战打磨的完整框架,旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能,everything-claude-code 能显著提升 AI 在复杂任务中的表现,帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略,使得模型响应更快、成本更低,同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库,还是需要 AI 协助进行安全审计与自动化测试,everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目,它融合了多语言支持与丰富的实战钩子(hooks),让 AI 真正成长为懂上

150k|★★☆☆☆|今天
开发框架Agent语言模型

ComfyUI

ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎,专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式,采用直观的节点式流程图界面,让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景,也能自由组合模型、调整参数并实时预览效果,轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性,不仅支持 Windows、macOS 和 Linux 全平台,还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构,并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者,还是追求极致创作自由度的设计师与资深 AI 绘画爱好者,ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能,使其成为当前最灵活、生态最丰富的开源扩散模型工具之一,帮助用户将创意高效转化为现实。

108.3k|★★☆☆☆|昨天
开发框架图像Agent

gemini-cli

gemini-cli 是一款由谷歌推出的开源 AI 命令行工具,它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言,它提供了一条从输入提示词到获取模型响应的最短路径,无需切换窗口即可享受智能辅助。 这款工具主要解决了开发过程中频繁上下文切换的痛点,让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用,还是执行复杂的 Git 操作,gemini-cli 都能通过自然语言指令高效处理。 它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口,具备出色的逻辑推理能力;内置 Google 搜索、文件操作及 Shell 命令执行等实用工具;更独特的是,它支持 MCP(模型上下文协议),允许用户灵活扩展自定义集成,连接如图像生成等外部能力。此外,个人谷歌账号即可享受免费的额度支持,且项目基于 Apache 2.0 协议完全开源,是提升终端工作效率的理想助手。

100.8k|★★☆☆☆|昨天
插件Agent图像

LLMs-from-scratch

LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目,旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型(LLM)。它不仅是同名技术著作的官方代码库,更提供了一套完整的实践方案,涵盖模型开发、预训练及微调的全过程。 该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型,却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码,用户能够透彻掌握 Transformer 架构、注意力机制等关键原理,从而真正理解大模型是如何“思考”的。此外,项目还包含了加载大型预训练权重进行微调的代码,帮助用户将理论知识延伸至实际应用。 LLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API,而是渴望探究模型构建细节的技术人员而言,这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计:将复杂的系统工程拆解为清晰的步骤,配合详细的图表与示例,让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础,还是为未来研发更大规模的模型做准备

90.1k|★★★☆☆|5天前
语言模型图像Agent