[译]基于模型的机器学习 - 1.4 扩展模型
贝叶斯博士掏出她可靠的放大镜，继续在犯罪现场调查。她在布莱克先生尸体附近的地板上，发现了一根落在血泊上的头发。“啊哈！”贝叶斯博士惊呼，“这根头发一定属于谋杀发生时在房间里的人！”她仔细观察这根头发，发现它既不是奥本小姐那一头鲜艳红发的色泽，也不是受害者乌黑的头发，而是格雷少校那种沉稳的银灰色！
……为 Azure Voice Live 构建可用于生产的 SIP 网关
题图来源：Microsoft Tech Community / Microsoft Foundry Blog
引言
语音技术正在重塑人和机器的交互方式，让与 AI 的对话比以往更自然。随着 Voice Live API 的 public beta 发布，开发者拥有了构建低延迟、多模态语音体验的工具，在应用中可以做出很多新玩法。
过去，想做一个语音机器人，往往需要把多个模型“串起来”：比如用 ASR（自动语音识别）模型（像 Whisper）做转写、再用文本模型做推理、最后用 TTS（文本转语音）模型生成语音输出。这条链路通常会带来明显延迟，并且在情感表达等细节上会有损失。
……为什么 Web AI Agent 比独立 LLM 更脆弱——以及我们应该如何真正修复它
Web AI Agent 代表了 AI 在真实系统落地方式的一次大转向：它不再只是“生成文本”，而是会观察实时网页、做决策、并执行真实动作（点击按钮、提交表单、在应用中导航）。能力的跃迁带来巨大价值，但也带来更本质的风险：它更暴露、更容易被利用，如果系统设计草率，后果会比纯文本聊天严重得多。
下面的观点基于近期的安全分析：Web AI Agent 的关键问题不是“模型不够聪明”，而是“系统边界不够硬”。理解脆弱性从何而来、会以什么形态出现、以及应该怎样修复，对于任何在做 AI 产品/平台/研究系统的人都很关键。
……使用 Microsoft Agent Framework 与 Azure AI Foundry 为多智能体系统构建可观测性
智能体（Agentic）应用正在重塑企业自动化，但它们动态的工具链和“隐式推理”也让线上运行与排障变得格外棘手。本文整理并改写自 Microsoft Foundry Blog 的一篇文章，内容聚焦于：如何为基于 Microsoft Agent Framework 的服务接入 OpenTelemetry，将 trace 投递到 Azure AI Foundry 的可观测能力中，并建立一套实用工作流，用于在生产环境中调试、评估并持续改进多智能体行为。
……使用 Azure AI Foundry 监控生成式 AI 应用
🧭 引言
监控 AI 应用，早就不只是盯着「是否在线」和「有没有报错」这么简单了。面对生成式 AI 的工作负载，团队还需要持续回答三个更关键的问题：
- AI 的输出到底“好不好”（质量、准确性、帮助性）
- 运行成本是多少（尤其是 token 消耗与推理成本）
- 是否足够安全、合规、可控（有无有害输出、策略违规等）
Microsoft 在 Azure AI Foundry 中提供了一套集成式的可观测能力，把 Application Insights、持续评估（continuous evaluation）与可自定义仪表板串起来，从而实现对 AI 应用端到端的可见性；同时也与 Azure Baseline Monitoring Alerts 的思路保持一致。
……使用 Foundry Local、Microsoft Foundry 与 Agent Framework 构建混合 AI（下）：云端 agent 安全回拨本地私密上下文
原文链接：https://techcommunity.microsoft.com/blog/azure-ai-foundry-blog/hybrid-ai-using-foundry-local-microsoft-foundry-and-the-agent-framework—part-2/4471983?WT.mc_id=AI-MVP-5003172
……使用 Foundry Local、Microsoft Foundry 与 Agent Framework 构建混合 AI（上）：隐私优先的本地+云端协同
原文链接：https://techcommunity.microsoft.com/blog/azure-ai-foundry-blog/hybrid-ai-using-foundry-local-microsoft-foundry-and-the-agent-framework—part-1/4470813?WT.mc_id=AI-MVP-5003172
……使用 Agent Framework 构建带人工审批的多智能体顺序工作流
题图来源：Microsoft Tech Community 原文页面（见文末链接）。
摘要
在需要“高自动化 + 强审计/合规”的 AI 工作流里，人类审批（human-in-the-loop）往往是绕不过去的一环：既要让多智能体协作把流程跑起来，又要在关键动作（例如停机、触发维护）前强制停下来等人确认。
Microsoft 在一篇示例文章中给出了一套脚本化方案：使用 Agent Framework 编排一个顺序（sequential）多智能体工作流，底层调用 Azure AI Foundry 的持久化（persistent）agents，并利用 **workflow checkpointing（检查点）**实现“暂停—等待审批—从检查点恢复继续执行”。
……使用 Microsoft Agent Framework 构建 Human-in-the-loop 的 AI 工作流
一个把确定性编排与自主代理结合起来的欺诈检测示例
现代企业系统经常面临一个非常现实的问题：如何让 AI 的决策可靠、可解释，并且真正能在生产环境落地？
原文围绕一个“欺诈检测（Fraud Detection）”示例，展示了 Microsoft Agent Framework 如何把 AI 驱动的推理步骤放进一个可控的工作流里：
- 工作流图（workflow graph）负责确定性编排：控制执行顺序、并行与合流、容错与恢复
- 专家代理（agents）负责LLM 推理：在结构化/半结构化数据上做领域判断
完整实现代码仓库在这里：
……将 Azure AI Foundry 与 Copilot Studio 集成:战略与技术概览
原文链接: Integrating Azure AI Foundry with Copilot Studio: A Strategic and Technical Overview
随着组织加速 AI 采用,对灵活、可扩展和安全的平台需求变得至关重要。我之前在文章《导航 AI 解决方案:Microsoft Copilot Studio 与 Azure AI Foundry》中介绍过两种强大但截然不同的 AI 代理构建方法。Copilot Studio 提供了低代码/无代码界面以便快速部署,面向各类业务用户;而 Azure AI Foundry 则提供了专业代码环境,具备深度定制和编排能力,面向开发者群体。
……