快速入門：交談語言理解

Microsoft Foundry 提供一個統一平台，用於建構、管理及部署 AI 解決方案，涵蓋多元模型與工具。 Foundry 遊樂場是 Foundry 入口網站內的互動環境，設計用來探索、測試及使用各種 AI 模型與工具進行原型製作。

利用這篇文章開始學習使用 Foundry 或 REST API 的會話語言理解。

附註

如果你已經在 Foundry 工具中使用了 Azure 語言或多服務資源——無論是單獨使用還是透過 Language Studio 使用——你都可以繼續在 Microsoft Foundry 入口網站中使用這些現有的語言資源。
欲了解更多資訊，請參閱 Foundry 入口網站中的「如何使用 Foundry 工具」。
我們強烈建議您在 Foundry 中使用 Foundry 資源；不過，您也可以使用語言資源來按照這些指示進行操作。

先決條件

Azure 訂用帳戶。如果您沒有存放庫，您可以免費建立一個。
必要的權限。請確定建立帳戶和專案的人員已指派為訂用帳戶層級的 Azure AI 帳戶擁有者角色。或者，在訂用帳戶範圍擁有 [參與者] 或 [認知服務參與者] 角色也符合這項需求。如需詳細資訊，請參閱角色型存取控制 (RBAC)。
Foundry 資源。欲了解更多資訊， 請參閱「配置鑄造廠資源」。或者，你也可以使用語言資源。
在 Foundry 中創建的鑄造廠專案。欲了解更多資訊， 請參閱「建立鑄造廠專案」。

開始使用 Foundry

若要完成本快速入門，您需要交談語言理解 (CLU) 微調工作專案，其中包含已定義的結構描述和已標記的語句。

您可以下載我們的範例專案檔案，其中預先設定了結構描述和已標記的語句。該專案可讓您預測使用者對命令的意圖，例如閱讀電子郵件、刪除電子郵件，以及將文件附加到電子郵件。

讓我們開始吧：

瀏覽到 Foundry。
如果您尚未登入，入口網站會提示您使用 Azure 認證執行此動作。
登入後，你可以在 Foundry 內建立或存取現有專案。
如果您尚未進入這項工作中的專案，請選取它。
在左側導覽窗格，選擇 Playgrounds，然後前往 Language playground 圖塊，然後選擇 「嘗試 Azure 語言 Playground 」按鈕。

Foundry 中嘗試語言遊樂場選項的截圖。

試試 Azure Language Playground

Azure 語言遊樂場的頂端區段是您可以查看並選擇可用語言的地方。

選取 [交談式語言理解] 方塊。
接下來，捲動到並選取 [微調] 按鈕。
從 [建立服務微調] 視窗中，選擇 [交談語言理解] 卡片。然後選取下一步。
在 [建立 CLU 微調工作] 視窗中，選取 [匯入現有專案]，然後從下拉式功能表中選擇您的 [已連線服務]，並完成 [名稱] 欄位。
接下來，將您稍早下載的範例專案檔案新增至上傳區域。
選取 [建立] 按鈕。「建立」作業可能需要幾分鐘的時間才能完成。
建立微調工作專案後，[開始使用微調] 頁面隨即開啟。

定型模型

建立專案之後，接下來的步驟是結構描述建構和語句標記。在本快速入門中，這些步驟會在範例專案中預先設定。因此，您可以從 [開始使用] 功能表中選取 [訓練模型] 來繼續起始訓練作業，以產生模型。

從 [訓練您的模型] 視窗中選取 [➕訓練模型] 按鈕。
完成 [模型名稱] 欄位並選取 [訓練模式]，以完成 [選取模式] 表單。針對本快速入門，請選取免費的 [標準訓練] 模式。如需詳細資訊，請參閱訓練模式。
從下拉式功能表中選擇 [訓練版本]，然後選取 [下一步] 按鈕。
在 [檢閱] 視窗中檢查您的選取項目，然後選取 [建立] 按鈕

部署模型

訓練模型後，您通常可檢閱其評估詳細資料。在這個快速入門階段，你可以直接部署模型，並在 Azure 語言遊玩場中測試，或呼叫預測 API。不過，如果您願意，您可以花點時間從左側功能表中選取 [評估您的模型]，並探索模型的深入遙測。請完成以下步驟，在 Foundry 中部署您的模型：

從左側功能表中選取 [部署模型]。
接下來，從 [部署您的模型] 視窗中選取 [➕部署訓練模型]。
確定已選取 [建立新的部署] 按鈕。
完成 [部署已訓練模型] 視窗欄位：
- 建立部署名稱。
- 從 [指派模型] 下拉式功能表中選取您的已訓練模型。
- 從 [訂用帳戶] 下拉式功能表中選取您的訂用帳戶。
- 從 [區域] 下拉式功能表中選取區域。
- 從 [資源] 下拉式功能表選取資源。資源必須位於相同的部署區域中。
最後，選取 [建立] 按鈕。部署模型可能需要幾分鐘的時間。
成功部署之後，您可以在 [部署您的模型] 頁面上檢視模型的部署狀態。顯示的到期日會指出已部署模型變得無法用於預測工作的日期。此日期通常是部署訓練設定後的 18 個月。
從最左邊選單，進入 Azure 語言遊樂場。
遊樂場→語言遊樂場（試試Azure語言遊樂場）。
選取 [交談語言理解] 卡片。
包含已部署模型的 [設定] 視窗應該會出現在主要/中央視窗中。
在文字方塊中，輸入要測試的語句。例如，如果您將我們的範例專案應用程式用於電子郵件相關語句，則您可以輸入檢查電子郵件。
輸入測試文字之後，選取 [執行] 按鈕。
執行測試後，應可在結果中看到模型的回應。
您可以在文字或 JSON 格式檢視中檢視結果。

沒錯，恭喜！

在這份快速入門中，你部署了一個 CLU 模型，並在 Foundry 語言遊樂場中進行測試。接下來，了解如何為您的應用程式和工作流程建立您自己的微調工作專案。

清除資源

如果你不再需要你的專案，可以從 Foundry 刪除它。

前往 Foundry 首頁。請登入來起始驗證程序，除非您已完成此步驟且工作階段處於作用中狀態。
從「Keep building with Foundry」中選擇你想刪除的專案
選取 [管理中心]。
選取 [刪除專案]。

若要刪除中心及其所有專案：

瀏覽至 [中樞] 區段中的 [概觀] 索引標籤。
選取右側的 [刪除中樞]。
連結會開啟 Azure 入口網站，讓您刪除該處的中樞。

先決條件

Azure 訂用帳戶 - 建立免費帳戶。

從 Azure 入口網站建立新的資源

登入 Azure 入口網站，建立新的 Foundry Tools Azure 語言資源。
選取 [建立新的資源]。
在出現的視窗中搜尋「語言」。
選取 ，創建。
使用下列資訊建立語言資源：

執行個體詳細資料必要值

區域語言資源的其中一個支援區域。

名稱語言資源的必要名稱。

定價層語言資源的其中一個支援定價層。

執行個體詳細資料	必要值
區域	語言資源的其中一個支援區域。
名稱	語言資源的必要名稱。
定價層	語言資源的其中一個支援定價層。

取得您的資源金鑰和端點

前往您位於 Azure 入口網站的資源概觀頁面。
從左側功能表中，選取 [金鑰和端點]。您需要使用此端點和金鑰來提出 API 要求。

匯入新的 CLU 範例專案

一旦您建立了語言資源，請建立交談語言理解專案。專案是一個工作區域，用於根據您的資料建置自訂 ML 模型。只有您和其他有權存取所使用語言資源的人員才能存取您的專案。

針對本快速入門，您可以下載此範例專案並將其匯入。此專案可以從使用者輸入預測預定的命令，例如：讀取電子郵件、刪除電子郵件，以及將檔附加至電子郵件。

觸發匯入專案作業

使用下列 URL、標頭和 JSON 主體提出POST請求，以匯入您的專案。

要求 URL

當您建立 API 要求時，請使用下列 URL。以您自己的值取代預留位置值。

{ENDPOINT}/language/authoring/analyze-conversations/projects/{PROJECT-NAME}/:import?api-version={API-VERSION}

預留位置	值	範例
`{ENDPOINT}`	用於驗證 API 要求的端點。	`https://<your-custom-subdomain>.cognitiveservices.azure.com`
`{PROJECT-NAME}`	您專案的名稱。此值區分大小寫，而且必須符合您要匯入之 JSON 檔案中的項目名稱。	`EmailAppDemo`
`{API-VERSION}`	您要呼叫的 API 版本。	`2023-04-01`

headers

使用下列標頭來驗證您的要求。

Key	值
`Ocp-Apim-Subscription-Key`	資源的金鑰。用於驗證 API 要求。

body

您傳送的 JSON 本文類似於下列範例。如需 JSON 對象的詳細資訊，請參閱參考檔。

{
  "projectFileVersion": "{API-VERSION}",
  "stringIndexType": "Utf16CodeUnit",
  "metadata": {
    "projectKind": "Conversation",
    "settings": {
      "confidenceThreshold": 0.7
    },
    "projectName": "{PROJECT-NAME}",
    "multilingual": true,
    "description": "Trying out CLU",
    "language": "{LANGUAGE-CODE}"
  },
  "assets": {
    "projectKind": "Conversation",
    "intents": [
      {
        "category": "intent1"
      },
      {
        "category": "intent2"
      }
    ],
    "entities": [
      {
        "category": "entity1"
      }
    ],
    "utterances": [
      {
        "text": "text1",
        "dataset": "{DATASET}",
        "intent": "intent1",
        "entities": [
          {
            "category": "entity1",
            "offset": 5,
            "length": 5
          }
        ]
      },
      {
        "text": "text2",
        "language": "{LANGUAGE-CODE}",
        "dataset": "{DATASET}",
        "intent": "intent2",
        "entities": []
      }
    ]
  }
}

Key	預留位置	值	範例
`{API-VERSION}`	您要呼叫的 API 版本。	`2023-04-01`
`projectName`	`{PROJECT-NAME}`	您專案的名稱。此值須區分大小寫。	`EmailAppDemo`
`language`	`{LANGUAGE-CODE}`	字串，指定專案中所用語句的語言代碼。如果您的專案是多語系專案，請選擇大部分語句的語言代碼。	`en-us`
`multilingual`	`true`	布林值，可讓您在資料集中具有多種語言的文件。部署模型時，您可以使用任何支援的語言查詢模型，包括訓練檔中未包含的語言。	`true`
`dataset`	`{DATASET}`	關於如何將資料分割為測試集與訓練集的資訊，請參閱 Foundry 中的語句標記方法。此欄位的可能值為 `Train` 和 `Test`。	`Train`

成功要求後，API 回應會包含 operation-location 標頭，其中包含可用來檢查匯入工作狀態的 URL。標頭的格式如下範例：

{ENDPOINT}/language/authoring/analyze-conversations/projects/{PROJECT-NAME}/import/jobs/{JOB-ID}?api-version={API-VERSION}

取得匯入工作狀態

當您傳送成功的專案匯入要求時，檢查匯入作業狀態的完整要求 URL (包括端點、專案名稱和作業識別碼) 會包含在回應的 operation-location 標頭中。

使用下列 GET 要求來查詢匯入作業的狀態。您可以使用您在上一個步驟中收到的 URL，或以您自己的值取代下列預留位置值。

{ENDPOINT}/language/authoring/analyze-conversations/projects/{PROJECT-NAME}/import/jobs/{JOB-ID}?api-version={API-VERSION}

預留位置	值	範例
`{ENDPOINT}`	用於驗證 API 要求的端點。	`https://<your-custom-subdomain>.cognitiveservices.azure.com`
`{PROJECT-NAME}`	您專案的名稱。此值區分大小寫。	`myProject`
`{JOB-ID}`	用於尋找匯出作業狀態的識別碼。	`xxxxxxxx-xxxx-xxxx-xxxx-xxxxxxxxxxxxx`
`{API-VERSION}`	您所呼叫 API 的版本。	`2023-04-01`

headers

使用下列標頭來驗證您的要求。

Key	描述	值
`Ocp-Apim-Subscription-Key`	資源的金鑰。用於驗證 API 要求。	`{YOUR-PRIMARY-RESOURCE-KEY}`

回應主體

一旦你發送請求，就會收到以下回覆。持續輪詢這個端點，直到狀態參數變成「成功」。

{
  "jobId": "xxxxx-xxxxx-xxxx-xxxxx",
  "createdDateTime": "2022-04-18T15:17:20Z",
  "lastUpdatedDateTime": "2022-04-18T15:17:22Z",
  "expirationDateTime": "2022-04-25T15:17:20Z",
  "status": "succeeded"
}

開始定型您的模型

一般而言，在建立專案之後，您應該建置結構描述和標記語句。針對本快速入門，我們已匯入備妥專案，其中具有已建置的結構描述和已標記的語句。

使用下列 URL、標頭和 JSON 本文來建立 POST 要求，以提交定型作業。

要求 URL

建立 API 要求時，請使用下列 URL。以您自己的值取代預留位置值。

{ENDPOINT}/language/authoring/analyze-conversations/projects/{PROJECT-NAME}/:train?api-version={API-VERSION}

預留位置	值	範例
`{ENDPOINT}`	用於驗證 API 要求的端點。	`https://<your-custom-subdomain>.cognitiveservices.azure.com`
`{PROJECT-NAME}`	您專案的名稱。此值區分大小寫。	`EmailApp`
`{API-VERSION}`	您所呼叫 API 的版本。	`2023-04-01`

headers

使用下列標頭來驗證您的要求。

Key	值
`Ocp-Apim-Subscription-Key`	資源的金鑰。用於驗證 API 要求。

請求主體

在您的要求中使用下列物件。定型完成後，D會以您用於 modelLabel 參數的值為模型命名。

{
  "modelLabel": "{MODEL-NAME}",
  "trainingMode": "{TRAINING-MODE}",
  "trainingConfigVersion": "{CONFIG-VERSION}",
  "evaluationOptions": {
    "kind": "percentage",
    "testingSplitPercentage": 20,
    "trainingSplitPercentage": 80
  }
}

Key	預留位置	值	範例
`modelLabel`	`{MODEL-NAME}`	您的模型名稱。	`Model1`
`trainingConfigVersion`	`{CONFIG-VERSION}`	定型設定模型版本。預設使用最新的模型版本。	`2022-05-01`
`trainingMode`	`{TRAINING-MODE}`	要用於定型的定型模式。支援的模式是 [標準定型] 和 [進階定型]，前者定型速度較快，但僅適用於英文；後者支援其他語言和多語系專案，但需要較長的定型時間。深入瞭解模型定型。	`standard`
`kind`	`percentage`	分割方法。可能的值為 `percentage` 或 `manual`。如需詳細資訊，請參閱如何定型模型。	`percentage`
`trainingSplitPercentage`	`80`	要包含在定型集中的標記資料百分比。建議的值為 `80`。	`80`
`testingSplitPercentage`	`20`	要包含在測試集中的標記資料百分比。建議的值為 `20`。	`20`

附註

只有在 trainingSplitPercentage 設定為 testingSplitPercentage 且這兩個百分比的總和應該等於 100 時，才需要 Kind 和 percentage。

一旦你發送 API 請求，就會收到 202 一個回覆表示成功。在回應標頭中，擷取 operation-location 的值，格式如下：

{ENDPOINT}/language/authoring/analyze-conversations/projects/{PROJECT-NAME}/train/jobs/{JOB-ID}?api-version={API-VERSION}

您可以使用此 URL 來取得定型作業狀態。

取得定型作業狀態

完成定型可能需要時間，有時需要 10 到 30 分鐘。您可以使用下列要求來持續輪詢定型作業的狀態，直到成功完成為止。

當您傳送成功的訓練要求時，檢查作業狀態的完整要求 URL (包括端點、專案名稱和作業識別碼) 會包含在回應的 operation-location 標頭中。

使用下列 GET 要求來取得模型定型程序的狀態。以您自己的值取代預留位置值。

要求 URL

{ENDPOINT}/language/authoring/analyze-conversations/projects/{PROJECT-NAME}/train/jobs/{JOB-ID}?api-version={API-VERSION}

預留位置	值	範例
`{YOUR-ENDPOINT}`	用於驗證 API 要求的端點。	`https://<your-custom-subdomain>.cognitiveservices.azure.com`
`{PROJECT-NAME}`	您專案的名稱。此值區分大小寫。	`EmailApp`
`{JOB-ID}`	用來尋找模型定型狀態的識別碼。	`xxxxxxxx-xxxx-xxxx-xxxx-xxxxxxxxxxxxx`
`{API-VERSION}`	您所呼叫 API 的版本。	`2023-04-01`

headers

使用下列標頭來驗證您的要求。

Key	值
`Ocp-Apim-Subscription-Key`	資源的金鑰。用於驗證 API 要求。

回應本文

一旦你發送請求，就會收到以下回覆。持續輪詢此端點，直到狀態參數變更為「成功」為止。

{
  "result": {
    "modelLabel": "{MODEL-LABEL}",
    "trainingConfigVersion": "{TRAINING-CONFIG-VERSION}",
    "trainingMode": "{TRAINING-MODE}",
    "estimatedEndDateTime": "2022-04-18T15:47:58.8190649Z",
    "trainingStatus": {
      "percentComplete": 3,
      "startDateTime": "2022-04-18T15:45:06.8190649Z",
      "status": "running"
    },
    "evaluationStatus": {
      "percentComplete": 0,
      "status": "notStarted"
    }
  },
  "jobId": "xxxxx-xxxxx-xxxx-xxxxx-xxxx",
  "createdDateTime": "2022-04-18T15:44:44Z",
  "lastUpdatedDateTime": "2022-04-18T15:45:48Z",
  "expirationDateTime": "2022-04-25T15:44:44Z",
  "status": "running"
}

Key	值	範例
`modelLabel`	模型名稱	`Model1`
`trainingConfigVersion`	定型設定版本。預設使用最新版本。	`2022-05-01`
`trainingMode`	您選取的定型模式。	`standard`
`startDateTime`	開始定型的時間	`2022-04-14T10:23:04.2598544Z`
`status`	定型作業的狀態	`running`
`estimatedEndDateTime`	定型作業完成的估計時間	`2022-04-14T10:29:38.2598544Z`
`jobId`	定型作業識別碼	`xxxxx-xxxx-xxxx-xxxx-xxxxxxxxx`
`createdDateTime`	定型作業建立日期及時間	`2022-04-14T10:22:42Z`
`lastUpdatedDateTime`	定型作業上次更新的日期及時間	`2022-04-14T10:23:45Z`
`expirationDateTime`	定型作業到期日期及時間	`2022-04-14T10:22:42Z`

部署模型

定型模型後，您通常可檢閱其評估詳細資料。在本快速入門中，您會部署模型，並呼叫預測 API 來查詢結果。

提交部署作業

使用下列 URL、標頭和 JSON 本文來建立 PUT 要求，以開始部署交談語言理解模型。

要求 URL

{ENDPOINT}/language/authoring/analyze-conversations/projects/{PROJECT-NAME}/deployments/{DEPLOYMENT-NAME}?api-version={API-VERSION}

預留位置	值	範例
`{ENDPOINT}`	用於驗證 API 要求的端點。	`https://<your-custom-subdomain>.cognitiveservices.azure.com`
`{PROJECT-NAME}`	您專案的名稱。此值區分大小寫。	`myProject`
`{DEPLOYMENT-NAME}`	部署的名稱。此值區分大小寫。	`staging`
`{API-VERSION}`	您所呼叫 API 的版本。	`2023-04-01`

headers

使用下列標頭來驗證您的要求。

Key	值
`Ocp-Apim-Subscription-Key`	資源的金鑰。用於驗證 API 要求。

要求本文

{
  "trainedModelLabel": "{MODEL-NAME}",
}

Key	預留位置	值	範例
trainedModelLabel	`{MODEL-NAME}`	指派給部署的模型名稱。您只能指派成功定型的模型。此值區分大小寫。	`myModel`

一旦你發送 API 請求，就會收到 202 一個回覆表示成功。在回應標頭中，擷取 operation-location 的值，格式如下：

{ENDPOINT}/language/authoring/analyze-conversations/projects/{PROJECT-NAME}/deployments/{DEPLOYMENT-NAME}/jobs/{JOB-ID}?api-version={API-VERSION}

您可以使用此 URL 來取得部署作業狀態。

取得部署作業狀態

當您傳送成功的部署要求時，檢查作業狀態的完整要求 URL (包括端點、專案名稱和作業識別碼) 會包含在回應的 operation-location 標頭中。

使用下列 GET 要求來取得部署作業的狀態。以您自己的值取代預留位置值。

要求 URL

{ENDPOINT}/language/authoring/analyze-conversations/projects/{PROJECT-NAME}/deployments/{DEPLOYMENT-NAME}/jobs/{JOB-ID}?api-version={API-VERSION}

預留位置	值	範例
`{ENDPOINT}`	用於驗證 API 要求的端點。	`https://<your-custom-subdomain>.cognitiveservices.azure.com`
`{PROJECT-NAME}`	您專案的名稱。此值區分大小寫。	`myProject`
`{DEPLOYMENT-NAME}`	部署的名稱。此值區分大小寫。	`staging`
`{JOB-ID}`	用來尋找模型定型狀態的識別碼。	`xxxxxxxx-xxxx-xxxx-xxxx-xxxxxxxxxxxxx`
`{API-VERSION}`	您所呼叫 API 的版本。	`2023-04-01`

headers

使用下列標頭來驗證您的要求。

Key	值
`Ocp-Apim-Subscription-Key`	資源的金鑰。用於驗證 API 要求。

回應本文

傳送要求之後，您會收到下列回應。持續輪詢此端點，直到狀態參數變更為「成功」為止。

{
    "jobId":"{JOB-ID}",
    "createdDateTime":"{CREATED-TIME}",
    "lastUpdatedDateTime":"{UPDATED-TIME}",
    "expirationDateTime":"{EXPIRATION-TIME}",
    "status":"running"
}

查詢模型

部署模型後便可開始使用，透過預測 API 進行預測。

部署成功後，您可開始查詢部署的模型以進行預測。

使用下列 URL、標頭和 JSON 本文來建立 POST 要求，以開始測試交談語言理解模型。

要求 URL

{ENDPOINT}/language/:analyze-conversations?api-version={API-VERSION}

預留位置	值	範例
`{ENDPOINT}`	用於驗證 API 要求的端點。	`https://<your-custom-subdomain>.cognitiveservices.azure.com`
`{API-VERSION}`	您所呼叫 API 的版本。	`2023-04-01`

headers

使用下列標頭來驗證您的要求。

Key	值
`Ocp-Apim-Subscription-Key`	資源的金鑰。用於驗證 API 要求。

請求主體

{
  "kind": "Conversation",
  "analysisInput": {
    "conversationItem": {
      "id": "1",
      "participantId": "1",
      "text": "Text 1"
    }
  },
  "parameters": {
    "projectName": "{PROJECT-NAME}",
    "deploymentName": "{DEPLOYMENT-NAME}",
    "stringIndexType": "TextElement_V8"
  }
}

Key	預留位置	值	範例
`participantId`	`{JOB-NAME}`		`"MyJobName`
`id`	`{JOB-NAME}`		`"MyJobName`
`text`	`{TEST-UTTERANCE}`	您想要預測其意圖並從中擷取實體的語句。	`"Read Matt's email`
`projectName`	`{PROJECT-NAME}`	您專案的名稱。此值區分大小寫。	`myProject`
`deploymentName`	`{DEPLOYMENT-NAME}`	您部署的名稱。此值區分大小寫。	`staging`

一旦你發送請求，就會收到以下關於預測的回應

回應主體

{
  "kind": "ConversationResult",
  "result": {
    "query": "Text1",
    "prediction": {
      "topIntent": "inten1",
      "projectKind": "Conversation",
      "intents": [
        {
          "category": "intent1",
          "confidenceScore": 1
        },
        {
          "category": "intent2",
          "confidenceScore": 0
        },
        {
          "category": "intent3",
          "confidenceScore": 0
        }
      ],
      "entities": [
        {
          "category": "entity1",
          "text": "text1",
          "offset": 29,
          "length": 12,
          "confidenceScore": 1
        }
      ]
    }
  }
}

Key	範例值	描述
查詢	「讀出 Matt 的電子郵件」	為了查詢而提交的文字。
topIntent	「讀出」	具備最高信賴分數的預測意圖。
意圖	[]	針對查詢文字預測的所有意圖清單，其中每個意圖都有信賴分數。
實體	[]	陣列，其中包含從查詢文字中擷取的實體清單。

交談專案的 API 回應

在交談專案中，您將為您的意圖和專案內存在的實體取得預測。

這些意圖和實體包含 0.0 到 1.0 之間的信賴分數，其與模型預測專案中特定元素的信心程度相關。
最高分的意圖是包含在其自己的參數內。
只有預測的實體才會顯示在您的回應中。
實體指出：
- 已擷取的實體文字
- 其由位移值表示的起始位置
- 由長度值表示的實體文字長度。

清除資源

當不再需要專案時，您可以使用 API 來刪除專案。

使用下列 URL、標頭和 JSON 主體來建立DELETE請求以刪除交談語言理解專案。

要求 URL

{ENDPOINT}/language/authoring/analyze-conversations/projects/{PROJECT-NAME}?api-version={API-VERSION}

預留位置	值	範例
`{ENDPOINT}`	用於驗證 API 要求的端點。	`https://<your-custom-subdomain>.cognitiveservices.azure.com`
`{PROJECT-NAME}`	您專案的名稱。此值須區分大小寫。	`myProject`
`{API-VERSION}`	您要呼叫的 API 版本。	`2023-04-01`

headers

使用下列標頭來驗證您的要求。

Key	值
`Ocp-Apim-Subscription-Key`	資源的金鑰。用於驗證 API 要求。

傳送 API 要求之後，您會收到 202 指出成功的回應，這表示您的專案已刪除。

後續步驟

意見反應

此頁面對您有幫助嗎？

Last updated on 2025-12-05

共用方式為

快速入門：交談語言理解

先決條件

開始使用 Foundry

試試 Azure Language Playground

定型模型

部署模型

清除資源

先決條件

從 Azure 入口網站建立新的資源

取得您的資源金鑰和端點

匯入新的 CLU 範例專案

觸發匯入專案作業

要求 URL

headers

body

取得匯入工作狀態

headers

回應主體

開始定型您的模型

要求 URL

headers

請求主體

取得定型作業狀態

要求 URL

headers

回應本文

部署模型

提交部署作業

要求 URL

headers

要求本文

取得部署作業狀態

要求 URL

headers

回應本文

查詢模型

要求 URL

headers

請求主體

回應主體

交談專案的 API 回應

清除資源

要求 URL

headers

後續步驟

意見反應

其他資源