關於Azure Subscription的Directory(目錄)問題

作者： -

這個主題應該不是很多用戶會碰到，但因為連續幾次我都忘記了怎麼設定，因此還是稍微紀錄一下。

現在應該越來越多用戶在使用Azure了，而Azure基本的計費單位是Subscription(訂閱)，用戶的訂閱可以從很多管道而來，一般用戶，每註冊一個Microsoft帳號，就可以在該帳號底下新增多個訂閱。例如，大多數的用戶可能是從底下的Free Trial網址新增的訂閱:
https://azure.microsoft.com/zh-tw/pricing/free-trial/ 

但問題來了，企業應用的時候不太容易使用員工的Microsoft帳號來管理Azure訂閱，況且，企業有Directory的需求(例如企業內的AD)，會希望用類似AD這樣的機制來管理帳號，因此Azure也有個Azure上的AD，一般叫AAD。

而Azure Subscription則可以歸屬於特定的Azure AD，以便於企業用Azure AD上的帳號(人員)來進行統籌的管理，除此之外，AAD很有很多用途，我自己覺得AAD是微軟想要實現SSO與indetity management的一個重要步伐。

回到我們先前的主題，AAD的出現，使得Azure Subscription的管理模式有了一個改變，早期沒有AAD的時候，一個Microsoft帳號底下所能夠管理的訂閱，是依照該帳號是否為該訂閱的Service admin或co-admin來決定(下圖中的角色)：

而AAD加入之後，其實，也是。

但差別在於，Portal在選擇某管理帳號所能管理的Subscription時，從原本的『帳號—>訂閱』這樣的關係，變成『帳號—>目錄—>訂閱』:

也就是說，如果你有某個帳號(不管是Microsoft Account或AAD的組織Account)，只要該帳號是多個Azure Subscription的Service Admin或Co-Admin，而該帳號所能管理的訂閱，又分散在多個不同的AAD目錄底下時，就會出現上面這樣的畫面，你必須先選擇帳號，再選擇目錄，然後再從目錄選擇訂閱。而管理帳號在同一個畫面上，只能看到同一個目錄下的所有訂閱<--這是重點，這時候，想要同時管理多個不在同一個目錄下的訂閱，就非常的令人困擾。你必須常常在portal右上角的目錄清單間切來換去，而這目錄之間每次切換整個畫面都得Refresh，甚至SSO需要重新登入。

而且，為了符合『帳號—>目錄—>訂閱』這樣的管理階層與架構，哪怕你的Aure Subscription根本沒有企業使用的需求，Microsoft依舊幫你強迫自動建立了一個目錄，那些xxxxx.onmicrosoft.com的目錄就是這樣來的。

如果你有多個來源的Azure Subscription，例如MSDN、BizSpark、MVP、DreamSpark、Office 365、Free Trial...etc.你的訂閱目錄會非常可怕可觀...

所以，當你的公司建立了一個主要的AAD(directory)之後，應該盡可能把多個分散在不同目錄底下的訂閱，移動到同一個AAD底下。

接下來才是我們要講的重點，怎麼移呢?

請先到將要被移動的訂閱的帳號管理畫面，選擇Edit Subscription Details：

出現底下畫面後，將該訂閱的Service Admin改成目標AAD的Service Admin:

你做了上面這個動作之後，由於Service Admin已經被修改，因此你會在舊的帳號的Azure Portal管理站台中暫時看不到這個訂閱，別擔心，這其實也是我們的目的，我們希望用新設定的Service Admin帳號來統籌管理該訂閱(並且把所有的訂閱放在同一個目錄中)。

接著，請登出，用剛該才你設定的新的Service Admin的帳號登入Azure Management Portal，會看到該訂閱出現了(但目前還在不同的目錄中)，接著，請在該訂閱的設定畫面中，選擇變更關聯的AAD(只要你設定正確，應該會發現可以變更關聯的目錄到你公司的主要目錄)：

完成之後，你就可以在目的目錄的訂閱清單中，看到這個訂閱了:

從此之後，你可以在新設定的(也就是AAD的)管理帳號的Azure Management Portal中看到並管理這個訂閱。

azure的管理有三種不同的admin，分別是:

  • Account Admin: 你用哪一個帳號註冊(建立)的訂閱，該帳號就是Account Admin，這個無法調整，帳號的付費，信用卡綁定，都跟著這個帳號。
  • Service Admin: 這個可以調整，上面我們在過程中，就是調整這個Service Admin，以便於用同一個帳號來做管理，當你的訂閱調整了Service Admin，該帳號就是該訂閱的當然管理員。
  • Co-Admin: 一個訂閱可以新增多個Co-Admin，具有Co-admin權限的帳號，都可以管理該訂閱。

有沒有很複雜? 我覺得，其實，有。

有沒有更簡單的方式，有的，請撥 0800-008833

留言

張貼留言

這個網誌中的熱門文章

使用LM Studio輕鬆在本地端以API呼叫大語言模型(LLM)

作者： -
圖片
最近上課常被問到，如何在地端環境搭建出大語言模型(LLM)，並且呼叫其API。 一開始我不太理解為何會有這樣的需求(因為在地端自行搭建運行LLM的成本不一定比較低，即便可能比較安全)，但被問多了，也就開始遍尋相關的解決方案，看看有沒有什麼最簡單的方式，可以讓開發人員在地端測試大語言模型? 後來我選擇 LM Studio ，它就是一款設計來運行大型語言模型（LLM）的平台，有個算是挺優雅的整合環境，讓一般 end-user 或開發人員，都可以輕易地在 local 端進行模型的部署和測試。 LM Studio 本身支援多種模型架構和框架，當然，最重要的是，它是免費的。 下載安裝 都很容易，我就不多說。 安裝好之後，你可以看到首頁中已經呈現了許多 Hugging Face上的模型： 這顯然是因為Hugging Face是大部分免費開源模型的集散地。 你可以搜尋自己喜歡的模型，透過LM Studio下載到local之後，就可以直接載入(下圖一)： 隨手設定一下 system prompt(上圖二)，然後，就可以直接對談了。(上圖三) LM Studio會使用你的GPU進行運算(如果有的話)，你會發現，原來有好的設備(GPU)，運行的速度可以如此之快。 Local Server 對於開發人員來說，它還有個超級更友善的功能。 LM Studio本身還提供一個 local server，可以幫你把模型包裹起來讓你直接透過API呼叫該模型的功能，例如： 上圖是我們開啟 LM Studio中 Local Server功能後的結果，你可以透過 localhost 的 1234 port 來呼叫這個被 LM Studio 運行起來的大語言模型。(有沒有發現，我們用的也是 chat/completions API) 透過Postman簡單提供一下 JSON Body: { "model": "LM Studio Community/Meta-Llama-3-8B-Instruct-GGUF", "messages": [ { "role": "system", "content": "你是AI助理，請一律用繁體中...
Read more »

VS Code的字體大小

作者： -
圖片
身為.net developer，這年頭是什麼code都得要會寫的年代。 而雖然我的NB還沒從Windows淪陷為Mac OS，但寫Node.js和Python免不了要用VS Code，這是一種愛的表現。 但歲月不饒人，盡管微臣非常熱於配合，但VS Code預設字體的大小在我還沒錢買大尺寸螢幕的狀況下，實在讓老臣難以適應。當下的第一個反應是什麼? 當然是 Ctrl+滑鼠滾輪往上推…哇靠，沒用。看…這設計…恩，千錯萬錯一定是我的錯。 只好從選單 file –> Preferences –> Settings: 在出來的視窗中，你可以看到 editor.fontsize: 沒錯，改它就行了。改不動? 喔，不好意思，我沒仔細看說明，要copy到右邊是吧，沒問題，copy->paste->modify->Save…搞定。 好簡單啊…連ctrl+(mouse scroll up)都用不到了呢… 咦?這是一篇抱怨文嗎? 沒有，誰說的? 免費的tool我們還有什麼好抱怨的呢…要感恩啦。 啊….對了，如果你還是堅持要使用 Ctrl+滑鼠滾輪，請找關鍵字… "editor.mouseWheelZoom"
Read more »

使用 Dify 建立企業請假機器人

作者： -
圖片
八卦與未來 上個月，前Google執行長Eric Schmidt在史丹福有場演講，媒體關注的是八卦消息(如果你也曾關注，網路上有很多鐵定可以找到)，但我注意到的則是他提到了自己認為接下來 AI(特別是大語言模型) 可能的發展方向，包含: Large Context Window AI Agent Text-to-Action 底下這邊有這一個段落的影片： https://www.youtube.com/watch?v=zl3k1ksFZdY 為何我會關注這部分? 因為上述的三個方向，也是身為開發人員的我，過去這一年，來與LLM打交道後的感想。昨天，我在 twMVC 的研討會分享中，展示了一個其實我過去早做過了N百次的範例，就是企業的請假機器人。(唯一不同的是，這次我幾乎沒有寫任何程式碼) 場景是，員工在家裡生病了，想要透過語音或是app進行請假，你可以看底下這個運行的範例 (git圖檔會循環播放，開始是 『我好像感冒了』)： 用自然語言對談的方式，即可完成請假。 我說過，類似這樣的範例我做過很多次，用 LINE Bot 搭配 C# 做過，用MS Bot Framework 做過，前陣子也用 Semantic Kernel 框架做過，更早期，還沒有AI的時代，我也在EIP和HR系統裡做過。 但我想說的是，這 就是 Text-to-Action 的呈現，也是一個典型的 AI Agent 的例子，它讓我們透過自然語言(可以是語音或文字)，直接命令機器人(Chat Bot、AI 助理、Agent、Assistant …不管你叫它什麼…)幫你完成一件事情(請假、售票、查詢資料、做財務報表、統計圖表、寫程式…etc.)。 這是一直以來人類對電腦最底層的需求與期待。 隨著 LLM 能夠處理和記憶的 Context 愈來愈被放大，AI Agent 所能夠處理的任務就更加的不受限制。 自然語言才是最符合人類直覺的操作 順帶一提，我昨天在研討會中講了一個故事。 有天，你覺得自己需要聘請一位助理，因此上網張貼徵人啟事，沒多久，你找到了一位號稱上知天文、下知地理的高材生，來幫助你更有效率的完成工作。 他什麼都好，唯一的一個小缺點是，你不能直接對這個助理下達指令，你必須用一種只有這個助理看得懂的語法，才能要求這個助理幫你完成特定的工作。這些語法還挺...
Read more »

使用 Dify API 快速建立一個包含前後文記憶的對談機器人

作者： -
圖片
Dify 這個產品我就暫時先不介紹了，它找到了一個挺好的切入點跨入AI Agent市場。讓不喜歡(或不擅長)寫太多 Code 的開發人員，也可以快速的建立一個具有前後文、記憶的對談機器人。 其實若單就設計 Chat Bot 來談，它本質上和 GPTs 有那麼一點點像，你只需要給一個 system prompt ，再加上一點點的資料上傳做為 RAG 的數據來源，就可以生出一隻有模有樣的對談機器人。 但 GPTs 做出來的 Chat Bot 被綁在 ChatGPT 的 UI 裡面，你不容易把它跟 LINE Bot (LINE 官方帳號) 或其它 UI (例如 MS Teams) 串在一起，而 Dify 呢? 則給你了一個 chat-messages API，讓你能很快的實現這個功能，把你在 Dify 平台上做好的 Chat Bot 轉變成可以正式運行的 LINE Bot 或 其它 Bot。 這也是今天我們要介紹的部分。 建立 Assistant 我們先用 Dify 以底下這個 system prompt 建立了一個請假助理： 發佈後，你可以在Dify 內建的 Web UI 上測試： 你會發現，這個 chat bot 已經有著基本的記憶，然後可以依照 system prompt 完成對談和任務。 不要問我在這邊建立出一個假單有什麼用，正常情況下是要直接讓 chat bot 寫入資料庫(例如 HR 系統，直接完成請假)，只是我們還沒談到這一段，這部分以後再展開來談。 chat-messages API 好，透過上面那樣建立一個對談機器人超容易，且內建就有了記憶和前後文的功能。讓開發人員快樂的不得了。跟使用無腦 GPTs 生成術差不多。然而，如果只能在 Web 上用，不能串接 MS Teams、LINE…等介面，做了也是白搭。 但，Dify 貼心的提供了 API，我們來試試看。先Gen個 API Key： 生成了 API key 之後，你只需要透過底下這樣的 rest api，即可進行呼叫： 你會發現，開發人員只要使用單一的這一個 https://api.dify.ai/v1/chat-messages API 即可進行對談。每次只需要透過 query 輸入用戶說的話，response 中的 answer 則是 LLM (Assist...
Read more »

使用 Dify 串接 LINE Bot

作者： -
圖片
一開始寫這篇文章的時候，我有點困擾。 到底這一篇我到底該命名 『使用 Dify 串接 LINE Bot』 ，還是 『使用 LINE Bot 串接 Dify』?? 但我想，反正你應該知道我的意思，本文就是討論如何把兩者串在一起。 如果不熟悉 Dify ，本篇文章的前面還有兩邊文章你可以簡單的介紹了一下，所有連結位置在底下: https://studyhost.blogspot.com/search?q=dify 總的來說(我20年前就這麼說話了，最近有人說AI很喜歡說『總的來說』，但顯然是AI學我的)，我們可以在 Dify 裡面設計一個類似底下這樣的 workflow，他可以是一個簡單的對談聊天機器人，也可以是串接到後端HR請假系統，可以協助企業進行請假的 AI 助理： 顯而易見，使用 Dify 的好處很多。而在這邊它對我們來說，意義上是一個所視即所得的 Chat Bot(AI助理)設計平台，你可以在 Dify 中先把對談流程設定好，並且進行測試。 設計初步完善之後，我們可以透過Dify API來進行串接，例如串接到 Teams Bot或是LINE Bot。API的部分我們之前在 這一篇 介紹過。 由於Dify內建處理了對談前後文與記憶的部分，並且可以直接串接OpenAI的API(或是其它LLM亦可，同時也便於抽換)，這讓我們開發 AI 助理輕省不少。 這也是我覺得 Dify 作為一個 LLMOps 開發平台(Platform)應該算是當之無愧的原因了。 串接到 LINE Bot 那在Dify上開發測試完之後，我們當然希望能夠整合在 LINE Bot(或是隨便其它什麼 Bot)上面。前面說過，由於 Dify 有提供一組API，我們可以透過該API輕易地進行串接，API的部分，我們在先前 這一篇 介紹過。因此，我們底下要更進一步，談談如何實際跟 LINE Bot 整合在一起。 其實架構上不複雜，我們只需要建立一個 LINE Bot 的 WebHook ，並且在其中呼叫 Dify API即可： 也就是上圖中，紅色虛線框起來的這一段。 這部分該如何進行呢? 倒也容易，我們看底下 WebHook 的部分： var responseMsg = "" ; //準備回覆訊息 if ( LineEvent != n...
Read more »