適切な組み込みアナライザーは prebuilt-layout です。これは、スキャンした PDF からコンテンツを抽出する際に、ドキュメントのレイアウトを維持する必要があるためです。Microsoft のコンテンツ理解に関する組み込みアナライザーのガイダンスでは、prebuilt-layout は単語、図、段落、表などのコンテンツとレイアウト要素を抽出し、セクションや書式設定などのドキュメント構造を識別し、基本的なテキスト抽出を超えた詳細なレイアウト情報を提供すると説明されています。また、prebuilt-layout は言語モデルや埋め込みモデルを必要としないため、言語モデル不要の展開要件を直接満たすとも説明されています。
QRコードはバーコード抽出によって処理されます。アナライザー構成リファレンスによると、enableBarcodeはバーコードとQRコードを検出して抽出し、デコードされた値を返し、QRコードやマイクロQRコードなど、他のバーコードタイプもサポートします。このオプションはドキュメントベースのアナライザーでサポートされているため、レイアウト指向のドキュメント処理と互換性があります。
prebuilt-read は、OCR とバーコード抽出は提供するものの、レイアウト分析のない基本的なテキスト抽出しか提供しないため不十分です。prebuilt-documentSearch は RAG の取り込みと意味分析に最適化されており、必要以上に広範囲に対応しています。prebuilt-documentFieldSchema は、ドキュメント全体のレイアウトを抽出するのではなく、抽出スキーマを提案します。参考トピック: コンテンツ、事前構築済みアナライザー、レイアウト分析、OCR、バーコード検出、QR コード抽出、およびドキュメントベースのアナライザーについて理解する。

認知サービス貢献者
この役割は通常、他の役割と併せて、リソースグループレベルでユーザーに付与されます。この役割単体では、ユーザーは以下のタスクを実行できます。
割り当てられたリソースグループ内に新しいAzure OpenAIリソースを作成します。
* その他
Azure AI Foundry ハブ上に Azure AI コンテンツ理解プロジェクトを作成するには、まずサブスクリプション レベルで Azure AI アカウント所有者、共同作成者、または Cognitive Services 共同作成者のいずれかの役割を担って、必要な Azure AI Foundry リソースを作成する必要があります。次に、プロジェクト レベルで Azure AI ユーザーの役割を担って、そのプロジェクト内にエージェントを作成する必要があります。
参照：
https://learn.microsoft.com/en-us/azure/ai-foundry/openai/how-to/role-based-access-control

高度な多段階推論、長時間のコンテキスト処理、および内部文書に基づく厳密な検証を必要とするサポートエージェントには、Azure AI Foundry モデルカタログの GPT-5.5 (または GPT-5.5-Pro) モデルが最適です。
GPT-5.5がこれらの要件に直接対応する方法は以下のとおりです。
高度な多段階推論：これらの最先端モデルは、応答を生成する前に、意図的な推論と反復的な計画立案を行います。これにより、エージェントは複雑なサポートクエリを分解し、代替案を分析し、複雑なカスタムプロンプトエンジニアリングを必要とせずに、幻覚を防ぐことができます。
根拠に基づいた、正確な対応：
これを単独で行うのではなく、Azure AI Search インデックスに接続された Foundry IQ とモデルを組み合わせましょう。Foundry IQ のエージェント型検索エンジンが適切なコンテキストを正確に取得し、GPT-5.5 が回答を生成して元のドキュメントを引用できるようにします。
長いコンテキストの処理:
GPT-5.5モデルは大規模なコンテキストウィンドウをサポートしており、重要なルールを見失うことなく、詳細な内部ドキュメントとともに膨大な過去の会話のやり取りを一度の処理で取り込むことができます。
注記：
GPT-5.5は大規模言語モデル（LLM）です。OpenAIの高度なトランスフォーマーアーキテクチャに基づいて構築されたフラッグシップLLMであると同時に、テキストと画像を単一の統合フレームワーク内でシームレスに処理できるネイティブなオムニモーダル機能も備えています。ただし、提供されている特定のカテゴリの中から選択する場合、その主要なコア分類は大規模言語モデル（LLM）です。
GPT-5.5に関する主な詳細
コアアーキテクチャ：OpenAIが構築した大規模言語モデル（LLM）。
主な焦点：複雑な推論、多段階の問題解決、コーディング、および自律的なエージェントワークフローに高度に最適化されています。
入出力機能：テキストと画像の入力に対応し、出力はテキストベースです。
参照：
https://developers.openai.com/api/docs/guides/reasoning

開発作業を最小限に抑えつつ要件を満たすには、Microsoft Foundry のネイティブなマルチエージェントワークフロー機能（Foundry エージェントサービスに直接組み込まれ、Foundry ポータルのビジュアルエディターまたは宣言型 YAML ファイルで管理されます）を活用することをお勧めします。このビジュアルでローコードのオーケストレーションレイヤーを使用することで、カスタムのグラフルーティングロジック、ステートマネージャー、またはコードでの手動ハンドオフを記述する必要がなくなります。
ソリューションに含めるべき最低限必要なアーキテクチャと機能は以下のとおりです。
1. オーケストレーション層：宣言型ワークフロー
コードファーストのオーケストレーターを作成する代わりに、Foundryワークフロー定義（YAMLまたはビジュアル）を定義する必要があります。
2. 状態管理：共有コンテキスト変数
3. エージェント構成とネイティブツール
参照：
https://devblogs.microsoft.com/foundry/introducing-multi-agent-workflows-in-foundry-agent-service/