New translations ai-assistant.md (Chinese Simplified)

Author: DBojsen

localizedContent/zh/content/features/ai-assistant.md

@@ -72,31 +72,31 @@ AI 助手采用自带密钥 BYOK 模式。 你只需从受支持的提供商中
 
 ### Azure OpenAI
 
-Select **Azure OpenAI** as the provider and configure three fields:
+选择 **Azure OpenAI** 作为提供商，并配置以下三个字段：
 
-- **API key** — the access key for your Azure OpenAI resource
-- **Service endpoint** — the endpoint URL for your resource, for example `https://your-resource.openai.azure.com`. Use the resource URL, not the `privatelink` alias; the SSL certificate is issued for `*.openai.azure.com` and connecting directly to `*.privatelink.openai.azure.com` fails certificate validation
-- **Model name** — the **deployment name**, not the underlying model name and not the resource name
+- **API 密钥** — 用于访问你的 Azure OpenAI 资源的密钥
+- **服务终结点** — 你的资源的终结点 URL，例如 `https://your-resource.openai.azure.com`。 使用资源 URL，不要使用 `privatelink` 别名；SSL 证书是为 `*.openai.azure.com` 签发的，直接连接到 `*.privatelink.openai.azure.com` 会导致证书验证失败
+- **模型名称** — 填写的是 **部署名称**，不是底层模型名称，也不是资源名称
 
-Azure OpenAI requires the deployment name in every API call. A deployment name is chosen when the deployment is created, so it can be any string. Deployments are often named after the model they serve (for example `gpt-4o`), but that is a convention, not a requirement. If you enter the resource name or a raw model name that does not exist as a deployment, the request fails.
+Azure OpenAI 要求在每次 API 调用中都提供部署名称。 部署名称是在创建部署时指定的，因此它可以是任意字符串。 部署通常会以其所服务的模型命名（例如 `gpt-4o`），但这只是约定，并非强制要求。 如果你输入的是资源名称，或者一个并未作为部署存在的底层模型名称，请求就会失败。
 
-#### Finding your deployment name
+#### 查找部署名称
 
-In the [Azure AI Foundry portal](https://ai.azure.com):
+在 [Azure AI Foundry 门户](https://ai.azure.com) 中：
 
-1. Sign in and select your Azure OpenAI resource
-2. Open **Deployments** (or **Models + endpoints** if the resource has been upgraded to Foundry)
-3. Copy the value from the **Name** column
+1. 登录并选择你的 Azure OpenAI 资源
+2. 打开 **部署**（如果资源已升级到 Foundry，则为 **模型 + 终结点**）
+3. 复制 **名称** 列中的值
 
-Deployments created before your organization adopted Azure AI Foundry may not appear in the portal. List them from the Azure CLI:
+在你的组织采用 Azure AI Foundry 之前创建的部署，可能不会显示在门户中。 可通过 Azure CLI 列出它们：
 
 ```bash
 az cognitiveservices account deployment list --name "<resource-name>" --resource-group "<resource-group>" --output table
 ```
 
-See [Create and deploy an Azure OpenAI resource](https://learn.microsoft.com/azure/ai-foundry/openai/how-to/create-resource#deploy-a-model) for more details.
+更多详情见 [创建并部署 Azure OpenAI 资源](https://learn.microsoft.com/azure/ai-foundry/openai/how-to/create-resource#deploy-a-model)。
 
-For 403 errors, SSL failures or "DeploymentNotFound" responses, see @azure-openai-connection-errors.
+有关 403 错误、SSL 失败或 "DeploymentNotFound" 响应，请参阅 @azure-openai-connection-errors。
 
 ### 自定义（OpenAI 兼容）
 
@@ -320,7 +320,7 @@ AI 助手在向 AI 提供商发送数据之前会先征求你的同意。 同意
 
 其他减少 token 使用量的方法：
 
-- Ask focused questions about specific tables, measures or columns rather than broad questions about the entire model. A vague prompt such as _"Set display folders on all measures"_ forces the assistant to retrieve metadata for the entire model. A specific prompt such as _"Set display folders on the measures I have selected"_ limits the context to the current selection and uses far fewer tokens
+- 围绕特定的表、度量值或列提出更聚焦的问题，而不是对整个模型提出泛泛的问题。 像 _“为所有度量值设置显示文件夹”_ 这样含糊的提示，会迫使助手检索整个模型的元数据。 像 _“为我选中的度量值设置显示文件夹”_ 这样具体的提示，会将上下文限制在当前选择范围内，并且消耗的 token 少得多
 - 切换话题时开启新对话，避免累积过长的对话历史
 - 进行探索性提问时，使用更小或成本更低的模型