Клиентская библиотека Azure AI Content Understanding для JavaScript — версия 1.1.0

Azure AI Content Understanding — это мультимодальный сервис ИИ, который извлекает семантический контент из документов, видео, аудио и изображений. Он преобразует неструктурированный контент в структурированные, машиночитаемые данные, оптимизированные для генерации с дополнением к поиску (RAG) и автоматизированных рабочих процессов.

Используйте клиентскую библиотеку для понимания контента Azure AI, чтобы:

Извлечение содержимого документа — извлекать текст, таблицы, рисунки, информацию о верстке и структурированные разметки из документов (PDF, изображения с текстом или рукописным текстом, документы Office и многое другое)
Транскрипция и анализ аудио — преобразование аудиоконтента в поисковые транскрипты с помощью диаграммы и информации о времени спикера
Анализ видеоконтента — извлекать визуальные кадры, транскрибировать аудиодорожки и создавать структурированные резюме из видеофайлов
Используйте готовые анализаторы — используйте готовые к производству готовые готовые анализаторы в различных отраслях, включая finance и налоги (счета, чеки, налоговые формы), проверку личности (паспорта, водительские права), ипотечные и кредитные решения (заявки на кредиты, оценки), закупки и контракты (заказы, договоры) и коммунальные услуги (счетовые выписки)
Создавайте индивидуальные анализаторы — создавайте специализированные анализаторы для специализированных нужд извлечения контента по всем четырём модальностям (документы, видео, аудио и изображения)
Классифицировать документы и видео — автоматически классифицировать и извлекать информацию из документов и видео по типу

Ключевые ссылки:

Начало работы

Поддерживаемые в настоящее время среды

LTS версии Node.js
Последние версии Safari, Chrome, Edge и Firefox.

Подробнее смотрите нашу политику support для получения дополнительной информации.

Предпосылки

Подписка Azure
Ресурс Microsoft Foundry созданный в регионе, поддерживаемом

Установите пакет `@azure/ai-content-understanding`

Установите клиентскую библиотеку Azure Content Understanding для JavaScript с помощью npm:

npm install @azure/ai-content-understanding

Настройте ваш ресурс Microsoft Foundry

Перед использованием Content Understanding SDK нужно настроить ресурс Microsoft Foundry и развернуть необходимые большие языковые модели. В настоящее время Content Understanding использует модели OpenAI GPT (такие как gpt-4.1, gpt-4.1-mini и text-embedding-3-large).

Шаг 1: Создать ресурс Microsoft Foundry

Важно: Вы должны создать ресурс Microsoft Foundry в регионе, поддерживающем понимание контента. Список доступных регионов см. Azure Content Understanding region and language support.

Следуйте шагам в Azure Content Understanding Quickstart чтобы создать ресурс Microsoft Foundry в Azure portal
Получите URL конечной точки вашего ресурса Foundry с портал Azure:
- Перейдите на портал Azure
- Перейдите к ресурсу Microsoft Foundry
- Перейдите в раздел Resource Management>Keys and Endpoint
- Скопируйте URL Endpoint (обычно https://<your-resource-name>.services.ai.azure.com/)

Важно: Предоставление необходимых разрешений

После создания ресурса Microsoft Foundry вы должны предоставить себе роль пользователя Cognitive Services User, чтобы включить вызовы API для настройки стандартных развертываний моделей:

Перейдите на портал Azure
Перейдите к ресурсу Microsoft Foundry
Перейдите в левое меню контроль доступа (IAM)
Нажмите «Добавить»>«Добавить назначение роли»
Выберите роль пользователя Cognitive Services
Назначьте его себе (или пользователю/сервису, который будет запускать приложение)

Примечание: Это назначение роли обязательно даже если вы владелец ресурса. Без этой роли вы не сможете вызвать API Content Understanding для настройки развертывания моделей для готовых анализаторов.

Шаг 2: Развернуть необходимые модели

Важно: Готовые и кастомные анализаторы требуют развертывания больших языковых моделей. Перед использованием готовых и кастомных анализаторов необходимо использовать как минимум следующие модели:

prebuilt-documentSearch, prebuilt-imageSearch, prebuilt-audioSearch, prebuilt-videoSearch требуют gpt-4.1-mini и text-embedding-3-large
Другие готовые анализаторы, такие prebuilt-invoiceкак , prebuilt-receipt требуют gpt-4.1 и text-embedding-3-large

Чтобы развернуть модель, выполните приведенные действия.

В Microsoft Foundry перейдите в раздел Deployments>Deploy model>Deploy base model
Найдите и выберите модель, которую хотите развернуть. В настоящее время готовые анализаторы требуют моделей, gpt-4.1таких как , gpt-4.1-miniи text-embedding-3-large
Завершите развертывание в своих предпочтениях
Обратите внимание на выбранное имя развертывания (по конвенции используйте имя модели как имя развертывания, например, gpt-4.1 для gpt-4.1 модели)

Повторите этот процесс для каждой модели, необходимой для ваших готовых анализаторов.

Для получения дополнительной информации о развертывании моделей см. Create model deployments in Microsoft Foundry portal.

Шаг 3: Настройте развертывания моделей (требуется для готовых анализаторов)

ВАЖНО: Это одноразовая настройка по ресурсу Microsoft Foundry , которая сопоставляет ваши развернутые модели с теми, что требуются для готовых анализаторов и пользовательских моделей. Если у вас несколько ресурсов Microsoft Foundry, нужно настраивать каждый отдельно.

Вам нужно настроить стандартные отображения моделей в вашем ресурсе Microsoft Foundry. Это можно сделать программно с помощью SDK. Конфигурация сопоставляет ваши развернутые модели (в настоящее время gpt-4.1, gpt-4.1-mini и text-embedding-3-large) с большими языковыми моделями, требуемыми для готовых анализаторов.

Для настройки развертывания моделей с помощью кода см. пример Update Defaults для полного примера. Вот краткий обзор:

import { ContentUnderstandingClient } from "@azure/ai-content-understanding";
import { DefaultAzureCredential } from "@azure/identity";

const endpoint = process.env["CONTENTUNDERSTANDING_ENDPOINT"]!;
const client = new ContentUnderstandingClient(endpoint, new DefaultAzureCredential());

// Map your deployed models to the models required by prebuilt analyzers
const updatedDefaults = await client.updateDefaults({
  modelDeployments: {
    "gpt-4.1": process.env["GPT_4_1_DEPLOYMENT"]!,
    "gpt-4.1-mini": process.env["GPT_4_1_MINI_DEPLOYMENT"]!,
    "text-embedding-3-large": process.env["TEXT_EMBEDDING_3_LARGE_DEPLOYMENT"]!,
  },
});

console.log("Model deployments configured successfully!");

Примечание: Настройка сохраняется в вашем ресурсе Microsoft Foundry, поэтому её нужно запускать только один раз на ресурс (или при смене названий развертывания).

аутентификация клиента;

Для аутентификации клиента вам нужны конечная точка ресурсов Microsoft Foundry и учетные данные. Вы можете использовать либо API-ключ, либо аутентификацию Microsoft Entra ID.

Использование DefaultAzureCredential

Самый простой способ аутентификации — использование DefaultAzureCredential, который поддерживает несколько методов аутентификации и хорошо работает как в локальной разработке, так и в производственной среде.

Чтобы использовать провайдера DefaultAzureCredential, показанного ниже, или других поставщиков учетных данных, предоставленных с SDK Azure, пожалуйста, установите пакет @azure/identity:

npm install @azure/identity

Используя среды Node.js и node-like, можно использовать класс DefaultAzureCredential для проверки подлинности клиента.

import { ContentUnderstandingClient } from "@azure/ai-content-understanding";
import { DefaultAzureCredential } from "@azure/identity";

const client = new ContentUnderstandingClient("<endpoint>", new DefaultAzureCredential());

Для браузерных сред используйте InteractiveBrowserCredential из пакета @azure/identity для аутентификации.

import { InteractiveBrowserCredential } from "@azure/identity";
import { ContentUnderstandingClient } from "@azure/ai-content-understanding";

const credential = new InteractiveBrowserCredential({
  tenantId: "<YOUR_TENANT_ID>",
  clientId: "<YOUR_CLIENT_ID>",
});
const client = new ContentUnderstandingClient("<endpoint>", credential);

Использование ключа API

Вы также можете аутентифицироваться с помощью API-ключа из вашего ресурса Microsoft Foundry:

import { ContentUnderstandingClient } from "@azure/ai-content-understanding";
import { AzureKeyCredential } from "@azure/core-auth";

const endpoint = process.env["CONTENTUNDERSTANDING_ENDPOINT"]!;
const apiKey = process.env["CONTENTUNDERSTANDING_KEY"]!;
const client = new ContentUnderstandingClient(endpoint, new AzureKeyCredential(apiKey));

Чтобы получить ваш API-ключ:

Перейдите на портал Azure
Перейдите к ресурсу Microsoft Foundry
Перейдите в раздел Resource Management>Keys and Endpoint
Скопируйте один из ключей (Key1 или Key2)

Для получения дополнительной информации об аутентификации см. Azure Identity client library.

Пакет JavaScript

Чтобы использовать эту клиентную библиотеку в браузере, сначала необходимо использовать пакет. Подробнее о том, как to do это, пожалуйста, обратитесь к нашей документации по bundling.

Основные понятия

Предварительно созданные анализаторы

Content Understanding предоставляет богатый набор готовых анализаторов, готовых к использованию без какой-либо настройки. Эти анализаторы работают на базах знаний из тысяч примеров реальных документов, что позволяет им понимать структуру документа и адаптироваться к вариациям формата и содержания.

Готовые анализаторы организованы по нескольким категориям:

RAG-анализаторы — оптимизированы для сценариев генерации с дополнением к поиску с использованием семантического анализа и извлекания цены. Эти анализаторы возвращают уценку и один абзац Summary для каждого элемента содержания:
- prebuilt-documentSearch - Извлекает содержимое из документов (PDF, изображения, офисные документы) с помощью сохранения макета, обнаружения таблиц, анализа рисунков и структурированного вывода разметки. Оптимизировано для сценариев RAG.
- prebuilt-imageSearch - Анализирует отдельные изображения и возвращает одноабзацное описание содержимого изображения. Оптимизировано для понимания изображений и поисковых сценариев. Для изображений, содержащих текст (включая рукописный текст), используйте prebuilt-documentSearch.
- prebuilt-audioSearch - Транскрибирует аудиоконтент с помощью диареза спикера, информации о времени и резюме разговоров. Поддерживает многоязычную транскрипцию.
- prebuilt-videoSearch - Анализирует видеоконтент с помощью визуального извлечения кадров, аудиотранскрипции и структурированных резюме. Обеспечивает временное выравнивание визуального и аудиоконтента и может возвращать несколько сегментов на видео.
Анализаторы извлечения контента — сосредоточьтесь на OCR и анализе макетов (например, prebuilt-read, prebuilt-layout)
Базовые анализаторы — фундаментальные возможности обработки контента, используемые в качестве родительских анализаторов для пользовательских анализаторов (например, prebuilt-document, prebuilt-image, prebuilt-audioprebuilt-video, )
Специализированные анализаторы — заранее настроенные анализаторы для распространённых категорий документов, включая финансовые документы (счета, чеки, банковские выписки), удостоверяющие личность (паспорта, водительские права), налоговые формы, ипотечные документы и контракты, а также коммунальные услуги (расчетные выписки)
Утилитарные анализаторы — специализированные инструменты для генерации схем и экстракции полей (например, prebuilt-documentFieldSchema, prebuilt-documentFields)

Полный список доступных готовых анализаторов и их возможностей см. документацию Prebuilt анализаторов.

Кастомные анализаторы

Можно создавать собственные анализаторы с определёнными схемами полей для мультимодальной обработки контента (документы, изображения, аудио, видео). Пользовательские анализаторы позволяют извлекать информацию, специфичную для конкретной области, адаптированную под ваш кейс.

типы контента;

API возвращает различные типы контента на основе входных данных:

document - Для файлов документов (PDF, HTML, изображения, Office документы, такие как Word, Excel, PowerPoint и другие). Предоставляет базовую информацию, такую как количество страниц и тип MIME. Получите подробную информацию, включая страницы, таблицы, рисунки, абзацы и многое другое.
audioVisual - Для аудио- и видеофайлов. Предоставляет базовую информацию, такую как информация о времени (время начала/окончания) и размеры кадра (для видео). Получите подробную информацию, включая фразы из расшифровки, информацию о времени, а для видео — ключевые кадровые отсылки и многое другое.

Асинхронные операции

Операции по пониманию контента — это асинхронные долгосрочные операции. Рабочий процесс:

Начало анализа — запуск операции анализа (мгновенно возвращается с указанным местоположением операции)
Poll for Results — Опрашивать место операции до завершения анализа
Результаты процесса — извлечение и отображение структурированных результатов

SDK предоставляет типы опросников, которые автоматически обрабатывают опрос при использовании pollUntilDone(). Для операций анализа SDK возвращает poller, предоставляющий access к идентификатору операции. Этот идентификатор операции может использоваться с getResultFile методами и deleteResult методами.

Основные классы

ContentUnderstandingClient - Основной клиент для анализа контента, а также для создания, управления и настройки анализаторов
AnalysisResult - Содержит структурированные результаты операции анализа, включая элементы содержания, разметку и метаданные

Потокобезопасность

Мы гарантируем, что все методы клиентских экземпляров являются потокобезопасными и независимы друг от друга. Это гарантирует, что рекомендация по повторному использованию экземпляров клиента всегда безопасна, даже в разных потоках.

Дополнительные понятия

Примеры

Вы можете ознакомиться с разными API, используя Samples.

Образцы демонстрируют:

Настройка — настройка развертывания модели по умолчанию для готовых анализаторов и пользовательских анализаторов
Извлечение содержимого документов — извлечение структурированного контента с разметкой из PDF и изображений с помощью prebuilt-documentSearch, оптимизированного для приложений RAG (Retrieval-Augmented Generation).
Мультимодальный анализ контента — анализировать контент по URL по всем модальностям: извлекать markdown и резюме из документов, изображений, аудио и видео с помощью prebuilt-documentSearch, prebuilt-imageSearch, prebuilt-audioSearch, и prebuilt-videoSearch
Domain-Specific Анализ — извлекать структурированные поля из счетов с помощью prebuilt-invoice
Расширенные функции документов — извлекать диаграммы, гиперссылки, формулы и аннотации из документов
Кастомные анализаторы — создайте индивидуальные анализаторы с полевыми схемами для специализированных нужд извлечения
Классификация документов — создание и использование классификаторов для категоризации документов
Управление анализаторами — получение, перечисление, обновление, копирование и удаление анализаторов
Управление результатами — извлечение файлов результатов из видеоанализа и удаление результатов анализа

Извлечение контента markdown из документов

Используйте prebuilt-documentSearch анализатор для извлечения контента markdown из документов:

import { ContentUnderstandingClient } from "@azure/ai-content-understanding";
import { DefaultAzureCredential } from "@azure/identity";

const endpoint = process.env["CONTENTUNDERSTANDING_ENDPOINT"]!;
const client = new ContentUnderstandingClient(endpoint, new DefaultAzureCredential());

const documentUrl = "https://example.com/sample_invoice.pdf";

// Analyze document using prebuilt-documentSearch
const poller = client.analyze("prebuilt-documentSearch", [{ url: documentUrl }]);
const result = await poller.pollUntilDone();

// Extract markdown content
if (result.contents && result.contents.length > 0) {
  const content = result.contents[0];
  console.log("Markdown Content:");
  console.log(content.markdown);

  // Access document-specific properties
  if (content.kind === "document") {
    console.log(`Pages: ${content.startPageNumber} - ${content.endPageNumber}`);
  }
}

Извлечение структурированных полей из счетов

Используйте prebuilt-invoice анализатор для извлечения структурированных полей счетов:

import {
  ContentUnderstandingClient,
  type DocumentContent,
  type ContentFieldUnion,
} from "@azure/ai-content-understanding";
import { DefaultAzureCredential } from "@azure/identity";

const endpoint = process.env["CONTENTUNDERSTANDING_ENDPOINT"]!;
const client = new ContentUnderstandingClient(endpoint, new DefaultAzureCredential());

const invoiceUrl = "https://example.com/invoice.pdf";

// Analyze invoice using prebuilt-invoice analyzer
const poller = client.analyze("prebuilt-invoice", [{ url: invoiceUrl }]);
const result = await poller.pollUntilDone();

if (result.contents && result.contents.length > 0) {
  const content = result.contents[0] as DocumentContent;

  // Helper function to extract field values
  const getFieldValue = (field: ContentFieldUnion | undefined): string | undefined => {
    if (!field) return undefined;
    if ("valueString" in field) return field.valueString;
    if ("valueDate" in field) return field.valueDate;
    if ("valueNumber" in field) return String(field.valueNumber);
    return undefined;
  };

  // Extract invoice fields
  const customerName = getFieldValue(content.fields?.["CustomerName"]);
  const invoiceTotal = getFieldValue(content.fields?.["InvoiceTotal"]);
  const invoiceDate = getFieldValue(content.fields?.["InvoiceDate"]);

  console.log(`Customer Name: ${customerName ?? "(None)"}`);
  console.log(`Invoice Total: ${invoiceTotal ?? "(None)"}`);
  console.log(`Invoice Date: ${invoiceDate ?? "(None)"}`);
}

См. каталог samples для полных примеров.

Устранение неполадок

Распространенные проблемы

Ошибка: «Access отклонено из-за некорректного ключа подписки или неправильной API-конечной точки»

Убедитесь, что URL вашей конечной точки правильный и содержит слэш для финиша
Убедитесь, что ваш API ключ действительн или что учетные данные Microsoft Entra ID имеют правильные права
Убедитесь, что у вас назначена роль пользователя Cognitive Services для вашего аккаунта

Ошибка: «Развертывание модели не найдено» или «Развертывание по умолчанию не настроено»

Убедитесь, что вы развернули необходимые модели (gpt-4.1, gpt-4.1-mini, text-embedding-3-large) в Microsoft Foundry
Убедитесь, что вы настроили стандартные развертывания моделей (см. Configure Model Deployments)
Проверьте, совпадают ли имена вашего развертывания с настройками по умолчанию

Ошибка: «Операция провалилась» или тайм-аут

Операции по пониманию контента асинхронны и могут занять время
Убедитесь, что вы правильно опрашиваете результаты на pollUntilDone() объекте опроса
Проверьте статус работы для получения дополнительной информации о неисправности

Logging

Включение ведения журнала может помочь выявить полезные сведения о сбоях. Чтобы просмотреть журнал HTTP-запросов и ответов, задайте для переменной среды AZURE_LOG_LEVEL значение info. В качестве альтернативы логирование можно включить во время выполнения вызовом setLogLevel в @azure/logger:

import { setLogLevel } from "@azure/logger";

setLogLevel("info");

Для более подробных инструкций по включению логов вы можете посмотреть документы пакета @azure/logger.

Тестирование

Этот SDK включает комплексные тесты, которые можно запускать в различных режимах.

Быстрый старт

# Install dependencies
pnpm install

# Build the SDK
npx turbo build --filter=@azure/ai-content-understanding...

# Run tests in playback mode (no Azure resources needed)
pnpm test

Режимы тестирования

Режим воспроизведения (по умолчанию): Использует заранее записанные HTTP-взаимодействия, без необходимости Azure ресурсов
Record Mode: Работает с живыми Azure сервисами и записывает взаимодействия для будущего воспроизведения
Live Mode: Работает против сервисов живого Azure без записи

Настройка среды для живых/записей тестов

Скопировать test/sample.env на test/.env:
```
cp test/sample.env test/.env
```
Отредактируйте test/.env и заполните свои реальные значения:
- CONTENTUNDERSTANDING_ENDPOINT: Ваш конечный ресурс Microsoft Foundry
- CONTENTUNDERSTANDING_KEY: Ваш API ключ (опционально, если используется DefaultAzureCredential)
- Имена развертывания моделей (требуются для готовых анализаторов)

Запускайте тесты в режиме записи

Для записи новых тестовых взаимодействий или обновления существующих:

# Run tests in record mode
TEST_MODE=record pnpm test

Запускайте тесты в режиме воспроизведения

Для запуска тестов без ресурсов Azure (с использованием заранее записанных взаимодействий):

# Simply run tests (playback is the default mode)
pnpm test

# Or explicitly set playback mode
TEST_MODE=playback pnpm test

Пакетные рабочие процессы / более быстрые

Постройте только этот пакет и его зависимости:
```
npx turbo build --filter=@azure/ai-content-understanding... --token 1
```
Запускайте только Node-тесты для более быстрой итерации (пропускайте тесты браузера):
```
TEST_MODE=record pnpm test:node   # or TEST_MODE=playback pnpm test:node
```

Переменные среды

Вы можете устанавливать учетные данные несколькими способами:

Предпочтительно: Создавайте test/.env , копируя test/sample.env и заполняя свои ценности
Запасной вариант: поместить a .env в корень пакета (тот же каталог, что package.jsonи )

Экспорт из оболочки: Экспортируйте учетные данные прямо в оболочке:

export CONTENTUNDERSTANDING_ENDPOINT="https://<your-resource>.services.ai.azure.com/"
export CONTENTUNDERSTANDING_KEY="<your_key_here>"
TEST_MODE=record pnpm test:node

Советы по отладке

При запуске тестов в режиме записи обращайте внимание на отладочные строки, напечатанные тестовой установкой:

DEBUG ENV ENDPOINT DEFINED: true
DEBUG ENV KEY DEFINED: true

Важно: НЕ коммитируйте настоящие ключи. Оставьте test/sample.env шаблон и убедитесь, test/.env что он находится в вашем .gitignore.

Тесты по устранению неполадок

«ключ должен быть непустой строкой»: Тестовый процесс не смог найти ваш CONTENTUNDERSTANDING_KEY. Убедитесь, test/.env что корень пакета .env присутствует и содержит ключ (или экспортирует его в оболочку) перед запуском тестов.
"Некорректный запрос" ошибки LRO: Убедитесь, что ваш сервис/регион поддерживает анализатор, используемый в тестах, и что сетевой access доступен для ввода на основе URL.

Локальный запуск сэмплов

Каталоги образцов исключаются из рабочего пространства pnpm, чтобы избежать конфликтов зависимостей. Чтобы запустить сэмплы с локальной версией разработки пакета:

Примечание: При запуске pnpm link и pnpm install внутри папок с сэмплами будут обновляться локальные файлы, такие package.json как и pnpm-lock.yaml в папках сэмплов. Эти изменения предназначены только для локального тестирования и не должны фиксироваться. Если вы случайно измените их, используйте git restore <path> для возврата.

Создайте пакет:

npx turbo build --filter=@azure/ai-content-understanding...

Свяжите локальный пакет в каталогах с примерами:

cd sdk/contentunderstanding/ai-content-understanding/samples/v1/typescript
pnpm link ../../../
cd ../javascript
pnpm link ../../../

Установите зависимости в каталогах примеров:

cd sdk/contentunderstanding/ai-content-understanding/samples/v1/typescript
pnpm install
cd ../javascript
pnpm install

Альтернатива (без изменений package.json/lockfile)

Если вы хотите использовать локальный пакет без модификации сэмпла package.json или pnpm-lock.yaml, установите его с упакованного тарбола без сохранения:

Создайте пакет:

npx turbo build --filter=@azure/ai-content-understanding...

Создайте местный тарбол:

cd sdk/contentunderstanding/ai-content-understanding
pnpm pack --pack-destination /tmp

Установите тарбол в сэмплы (без сохранения, без блокировки):

cd sdk/contentunderstanding/ai-content-understanding/samples/v1/typescript
npm install --no-save --no-package-lock /tmp/azure-ai-content-understanding-*.tgz
cd ../javascript
npm install --no-save --no-package-lock /tmp/azure-ai-content-understanding-*.tgz

Запуск сэмпла

После установки зависимостей можно запускать отдельные сэмплы.

Настройка переменных среды:

Скопируйте sample.env файл, чтобы создать .env его в корне sample directory. Выполните следующие команды из корня пакета (sdk/contentunderstanding/ai-content-understanding):

# For TypeScript samples
cp sample.env samples/v1/typescript/.env

# For JavaScript samples
cp sample.env samples/v1/javascript/.env

Затем отредактируйте .env файл и заполните свои фактические значения:

CONTENTUNDERSTANDING_ENDPOINT=https://<your-resource>.services.ai.azure.com/
CONTENTUNDERSTANDING_KEY=<your-api-key>

Примечание:.env Файл должен находиться на корне папки sample (на том же уровне, что package.jsonи ), а не внутри src/ или dist/.

Примеры TypeScript:

cd samples/v1/typescript
npm run build
node dist/analyzeBinary.js

Примеры JavaScript:

cd samples/v1/javascript
node analyzeBinary.js

Полные инструкции по настройке и доступные образцы см.:

Дальнейшие шаги

Изучите каталог samples для полных примеров кода
Прочитайте документацию Azure AI Content Understanding для подробной информации о сервисе

Contributing

Если вы хотите внести вклад в эту библиотеку, пожалуйста, ознакомьтесь с руководством contributing guide чтобы узнать больше о том, как создавать и тестировать код.

Microsoft Azure SDK for JavaScript

Обратная связь

Были ли сведения на этой странице полезными?

Last updated on 2026-04-25