你当前正在访问 Microsoft Azure Global Edition 技术文档网站。 如果需要访问由世纪互联运营的 Microsoft Azure 中国技术文档网站，请访问 https://docs.azure.cn。
Azure 语言是一种基于云的服务，它提供自然语言处理（NLP）功能，用于理解和分析文本。 使用此服务可帮助使用基于 Web 的 Language Studio、REST API 和客户端库生成智能应用程序。 对于 AI 代理开发，服务功能也可用作 Azure 语言 MCP 服务器中的工具，在 Microsoft Foundry 工具目录中 作为远程服务器，以及作为自承载环境的本地服务器提供。
可用工具
Azure 语言提供专用工具，通过标准化协议实现 AI 代理与语言处理服务之间的无缝集成。
Azure 语言 MCP 服务器 🆕
MCP（模型上下文协议）服务器创建一个标准化的网桥，通过行业标准协议将 AI 代理直接连接到 Azure 语言服务。 通过此集成，开发人员可以使用可靠的自然语言处理功能构建复杂的聊天应用程序，同时确保整个 AI 工作流中的企业级符合性、数据保护和处理准确性。
Azure 语言提供远程和本地 MCP 服务器选项：
- 远程服务器：可通过 Foundry 工具目录进行云托管部署。
- 本地服务器：适用于喜欢在自己的环境中托管服务器的开发人员。
有关详细信息， 请参阅Azure 语言 MCP 服务器。
可用智能体
Azure 语言提供预生成的代理，用于处理具有内置治理、路由逻辑和质量控制机制的特定聊天 AI 方案。
Azure 语言意向路由代理 🆕
意向路由代理通过了解用户意图并在聊天 AI 应用程序中提供准确的响应，智能地管理聊天流。 此代理使用可预测的决策过程与受控响应生成相结合，以确保组织可以信任和监视的一致可靠的交互。
有关详细信息， 请参阅Azure 语言意向路由代理。
Azure 语言精确问答代理 🆕
准确问答代理为您最重要的业务问题提供可靠的逐字逐句的回答。 此代理可自动执行常见问题，同时保持人工监督和质量控制，以确保准确性和合规性。
有关详细信息， 请参阅Azure 语言精确问答代理。
可用功能
此语言服务统一以下以前可用的 Foundry 工具：文本分析、QnA Maker 和 LUIS。 如果需要从这些服务迁移，请参阅 迁移部分。
语言还提供多个新功能，可以是：
- 预配置，这意味着该功能使用的 AI 模型不可自定义。 你只需要发送数据，并在应用程序中使用该功能的输出即可。
- 可自定义，这意味着使用我们的工具训练 AI 模型，以专门适合您的数据。
Tip
不确定要使用哪种功能？ 查看 我应该使用哪种语言功能 来帮助你做出决定。
Foundry 使你能够使用以下大多数服务功能，而无需编写代码。
命名实体识别 (NER)
命名实体识别 标识文本中的不同条目，并将其分类为预定义类型。
个人和健康数据检测
重要
Foundry Tools 文本中的 Azure 语言个人身份信息 (PII) 检测匿名化功能（合成替换）目前处于 preview 状态，作为你 Azure 订阅的一部分进行授权。 此功能的使用受适用于 预览版 的条款的约束，如 Microsoft Azure 预览版补充使用条款 和 Microsoft 产品和服务数据保护附录（DPA）中所述。
个人身份信息（PII）检测 可识别与个人关联的文本和对话（聊天或脚本）中的实体。
语言检测
语言检测会评估文本并检测各种语言和变体方言。
情绪分析和观点挖掘
情绪分析和观点挖掘 预配置功能，可帮助你了解公众对品牌或主题的看法。 这些功能分析文本以识别正面或负面情绪，并可以将它们链接到文本中的特定元素。
Summarization
摘要会压缩文本和对话（聊天和脚本）的信息。 文本摘要生成摘要，支持两种方法：提取摘要通过从文档中选择关键句子并保留其原始位置来创建摘要。 相比之下，抽象摘要通过生成不直接从原始文档复制的新、简洁、连贯的句子或短语来生成摘要。 对话摘要可将较长的会议概括并细分为带时间戳的章节。 呼叫中心汇总汇总了客户问题和解决方法。
关键短语提取
关键短语提取是预配置的功能，用于评估和返回非结构化文本中的主要概念，并将它们作为列表返回。
实体链接
重要
Azure 语言中的实体链接将于2028 年 9 月 1 日在 Foundry Tools 中停止使用。 在此日期之后，不再支持实体链接功能。 在支持时段内，我们建议用户迁移现有工作负载并将所有新项目定向到 Azure 语言 命名实体识别 ，或考虑其他替代解决方案。
实体链接是一项预配置的功能，用于在识别非结构化文本中发现的实体（字词或短语）时消除歧义，并返回维基百科链接。
运行状况文本分析
用于运行状况的文本分析会从非结构化文本中提取和标记相关的运行状况信息。
自定义文本分类
自定义文本分类，可用来构建自定义 AI 模型，以将非结构化文本文档归类为你定义的各种自定义类。
自定义命名实体识别（自定义 NER）
自定义 NER，可用来使用你提供的非结构化文本构建自定义 AI 模型，以提取自定义实体类别（字词或短语的标签）。
对话语言理解
使用对话语言理解 (CLU)，你可以生成自定义自然语言理解模型，以预测传入语句的总体意图并从中提取重要信息。
协调工作流
业务流程工作流是一项自定义功能，可用于连接对话语言理解 (CLU)、问答和 LUIS 应用程序。
问题解答
问答 是一项自定义功能，用于标识最适合用户输入的答案。 此功能通常用于开发对话客户端应用程序，包括社交媒体平台、聊天机器人和支持语音的桌面应用程序。
我应使用哪种语言功能？
本部分可帮助你确定应用于应用程序的语言功能：
| 您希望做什么？ | 文档格式 | 最佳解决方案 | 此解决方案是否可自定义？* |
|---|---|---|---|
检测和/或编辑敏感信息，例如 PII 和 PHI。 |
非结构化文本， 转录的对话 |
PII 检测 | |
| 在不创建自定义模型的情况下提取信息类别。 | 非结构化文本 | 预配置的 NER 功能 | |
| 使用特定于数据的模型提取信息类别。 | 非结构化文本 | 自定义 NER | ✓ |
| 提取主要主题和重要短语。 | 非结构化文本 | 关键短语提取 | |
| 确定文本中表达的情绪和观点。 | 非结构化文本 | 情绪分析和观点挖掘 | |
| 汇总较长的文本或对话块。 | 非结构化文本， 转录的对话。 |
Summarization | |
| 消除实体歧义并获取指向维基百科的链接。 | 非结构化文本 | 实体链接 | |
| 将文档划分为一个或多个类别。 | 非结构化文本 | 自定义文本分类 | ✓ |
| 从临床/医疗文档中提取医疗信息，无需构建实体。 | 非结构化文本 | 运行状况文本分析 | |
| 生成响应用户输入的对话应用程序。 | 非结构化用户输入 | 问题解答 | ✓ |
| 检测编写文本时使用的语言。 | 非结构化文本 | 语言检测 | |
| 预测用户输入的意图并从中提取信息。 | 非结构化用户输入 | 对话语言理解 | ✓ |
| 通过对话语言理解、LUIS 和问题解答连接应用。 | 非结构化用户输入 | 编排工作流 | ✓ |
* 如果某种功能是可自定义的，你可以使用我们的工具来训练 AI 模型，以专门适应你的数据。 否则，功能已预配置，这意味着它使用的 AI 模型无法更改。 你只需要发送数据，并在应用程序中使用该功能的输出即可。
从文本分析、QnA Maker 或语言理解 (LUIS) 迁移
Azure 语言在 Foundry 工具中统一三种语言 - 文本分析、QnA Maker 和语言理解 （LUIS）。 如果一直在使用这三种服务，可以轻松迁移到新的 Azure 语言。 有关说明，请参阅 迁移到 Azure 语言。
Tutorials
开始使用 Azure 语言快速入门后，请尝试我们的教程，以解决各种场景。
- 从存储在 Power BI 中的文本中提取关键短语
- 使用 Power Automate 对 Microsoft Excel 中的信息进行排序
- 使用 Flask 翻译文本、分析情绪以及合成语音
- 在画布应用中使用 Foundry 工具
- 创建常见问题解答机器人
代码示例
可以在 GitHub 上找到以下语言的更多代码示例：
使用 Docker 容器进行本地部署
使用语言容器在本地部署 API 功能。 借助这些 Docker 容器，你能够将服务进一步引入数据，以满足合规性、安全性或其他操作性目的。 语言提供以下容器：
负责任的人工智能
AI 系统不仅包括技术，还包括使用它的人员、受其影响的人员以及部署环境。 阅读以下文章，了解负责任的 AI 在系统中使用和部署：