如何使用AzureML Python SDK v2更新现有调度作业的代码

要实现只更新调度关联作业的代码文件夹、完整保留原有调度配置（比如每日执行时间），可以通过提取原有调度的全部配置，仅修改作业的代码路径，再重新创建/覆盖原有调度的方式完成，核心是复用所有未改动的属性。

操作步骤 #

1. 导入依赖并连接工作区 #

from azure.ai.ml import MLClient
from azure.ai.ml.entities import JobSchedule
from azure.identity import DefaultAzureCredential

# 初始化MLClient连接到目标工作区
ml_client = MLClient(
    credential=DefaultAzureCredential(),
    subscription_id="你的订阅ID",
    resource_group_name="你的资源组名称",
    workspace_name="你的工作区名称"
)

2. 获取目标调度对象 #

# 替换为你要更新的调度名称
target_schedule_name = "daily_data_sync_schedule"
existing_schedule = ml_client.schedules.get(name=target_schedule_name)

3. 更新作业的代码文件夹路径 #

从现有调度中提取关联的作业定义，仅修改code字段指向新的代码目录（支持本地路径或AzureML数据存储路径）：

# 提取原有作业配置（所有参数、环境、命令等设置自动保留）
updated_job = existing_schedule.create_job

# 场景1：本地代码文件夹（执行脚本时会自动上传至工作区）
updated_job.code = "./new_sync_code"

# 场景2：AzureML数据存储中的代码路径（适合大体积或共享代码）
# updated_job.code = "azureml://datastores/workspaceblobstore/paths/prod_sync_code_v2"

4. 重新创建调度（覆盖原有） #

用更新后的作业定义，复用原有调度的所有触发规则和属性，执行更新：

# 构建新调度对象，完全保留原有调度配置，仅替换关联作业
updated_schedule = JobSchedule(
    name=target_schedule_name,
    create_job=updated_job,
    trigger=existing_schedule.trigger,  # 保留原有触发规则（每日执行时间、频率等）
    display_name=existing_schedule.display_name,
    description=existing_schedule.description,
    tags=existing_schedule.tags
)

# 提交更新操作
ml_client.schedules.begin_create_or_update(updated_schedule).result()

5. 验证更新结果 #

# 重新获取调度，确认代码路径已更新
final_schedule = ml_client.schedules.get(name=target_schedule_name)
print(f"调度代码路径已更新为：{final_schedule.create_job.code}")

注意事项 #

• 确保新代码文件夹的结构与原有一致，尤其是作业指定的入口脚本路径（比如原有作业用script: main.py，新文件夹里也要有对应的main.py）
• 如果需要调整作业的其他配置（比如环境、参数），可直接在updated_job对象上修改，不会影响调度的触发规则
• begin_create_or_update方法会安全覆盖原有调度，所有未修改的属性（包括触发时间、重试策略等）都会完整保留

内容的提问来源于stack exchange，提问作者Jau A