Odůvodnění agenta v agentovi Azure SRE

Váš agent řeší problémy místo toho, aby se řídil pevnými scénáři. Protože vytváří Deep Context z vašeho kódu, minulých incidentů a infrastruktury, uvažuje o vašich systémech, ne o obecných. V chatovacím rozhraní můžete sledovat, jak sbírá důkazy, vybírá nástroje, klasifikuje riziko jednání a vysvětluje své myšlení.

Smyčka odůvodnění

Každá zpráva prochází stejným cyklem.

Agent nejprve pochopí váš požadavek a identifikuje potřebná data. Poté získává kontext paralelním dotazováním datových zdrojů, jako jsou logy, metriky, stav zdrojů, historie nasazení a paměť. Dále zvažuje důkazy, aby identifikovala vzorce a vytvořila závěry. Nakonec jedná nebo reaguje tím, že provádí bezpečné akce, žádá o schválení rizikových akcí nebo předkládá zjištění.

Pokud problém vyžaduje více práce, smyčka iteruje až 10krát za sekundu. Potom se váš agent zeptá, jestli má pokračovat.

Adaptivní myšlení

U složitějších problémů váš agent ukazuje své důvody v chatu. Skládací sekce Thinking uvádí každý krok s popisným názvem, například "Zkoumání problémů se zdravím Azure" nebo "Analýza aktivních upozornění", a uplynulým časem.

Váš agent automaticky upravuje hloubku svého uvažování. Kontrola stavu získá rychlou odpověď. Vícestupňový výpadek vyžaduje hlubší úvahy, které korelují důkazy napříč zdroji.

Hluboký kontext

Adaptivní uvažování sílí, když agent může čerpat z vašeho okolí. Hluboký kontext je nahromaděné porozumění danému prostředí agentem. Pochází ze tří kontextových zdrojů: propojení, znalostí a paměti a nástrojů pro pracovní prostor. Místo toho, aby váš agent začínal pokaždé od nuly, vytváří jasnější obraz o tom, jak vaše systémy fungují, a vnáší tento kontext do každého uvažovacího cyklu.

Tip

• Hluboký kontext pomáhá vašemu agentovi uvažovat z vašeho kódu, infrastruktury a provozní historie, nejen z obecných znalostí Azure.
• Pochází ze tří kontextových zdrojů: propojení, znalostí a paměti a nástrojů pro pracovní prostor.
• Propojené repozitáře zdrojového kódu umožňují agentovi číst, vyhledávat a orientovat se v kódu, když jsou povoleny nástroje pro pracovní prostor.

Operace se soubory a terminálové příkazy vyžadují nástroje pro pracovní prostor. Kontaktujte svého správce agenta nebo ho zapněte přes stránku Experimental Settings v portálu. Provádění Python je ve výchozím nastavení dostupné prostřednictvím Code Interpreteru. Když jsou nástroje pracovního prostoru povoleny, spouštění Pythonu probíhá v sandboxu pracovního prostoru místo ve výchozí relaci Code Interpreter.

Hluboký kontext není jediná funkce, kterou povolíte. To roste, když tyto zdroje kontextu spolupracují.

Zdroj kontextu	Co poskytuje	Jak ho přidat
Konektory	Live data z GitHub, Azure DevOps, Kusto, Azure Monitor a dalších služeb	Připojte zdroje dat služby. Viz konektory.
Znalosti a paměť	Nahrány runbooky, architektonické dokumentace, týmové postupy, uživatelské preference a fakta z minulých rozhovorů	Nahrajte znalosti, vytvořte dovednosti nebo řekněte agentovi, aby si pamatoval fakta. Viz Paměť a znalosti.
Nástroje pro pracovní prostor	Přímý přístup ke čtení, vyhledávání a analýze zdrojového kódu, spouštění terminálových příkazů a spouštění sandboxovaného Python	Připojte repozitář a povolte nástroje pracovního prostoru v Experimentálním nastavení.

Proč záleží na hlubokém kontextu

Odbornost vašeho týmu je na mnoha místech: zdrojový kód v GitHub, logy v Azure Monitor, konfigurace v YAML souborech, runbooky v zastaralém wiki a kmenové znalosti od seniorních inženýrů. Během incidentu často není nejtěžší přemýšlet o problému. Je to o získání dostatečného kontextu, abychom mohli začít.

Hluboký kontext pomáhá tím, že vašemu agentovi umožňuje trvalý přístup k tímto zdrojům a možnost si zapamatovat, co se z každé interakce dozví.

Connectors

Konektory přivádějí aktuální data ze služeb do procesu uvažování. Váš agent může využívat propojené zdroje jako GitHub, Azure DevOps, Kusto, Azure Monitor a další služby k shromažďování důkazů o vašem prostředí, místo aby se spoléhal pouze na obecné znalosti Azure.

Některé konektory také postupně zdokonalují porozumění agenta. Když připojíte cluster Azure Data Explorer (Kusto), agent objeví databáze a tabulky, zdokumentuje schéma každé tabulky, píše popisy čitelné člověkem a vytváří dovednost Kusto pro vyšetřování s vedením dotazů.

Znalosti a paměť

Znalosti a paměť poskytují trvalý kontext, který váš agent přenáší napříč konverzacemi. Nahrané runbooky, architektonické příručky, týmové postupy, dovednosti a zapamatovaná fakta pomáhají agentovi sledovat fungování vašeho týmu.

Váš agent si pamatuje, co se učí. Po rozhovorech extrahuje strukturované aspekty, jako jsou úspěšnost nástrojů, kořenové příčiny, klíčové poznatky, služby Azure a příznaky. Tyto aspekty se stávají trvalými znalostmi pro budoucí výzkumy.

Na začátku každého rozhovoru váš agent hledá relevantní kontext v paměti , než odpoví.

Z čeho vychází	Jak zlepšuje odůvodnění
Přehledy relací	Učí se z minulých rozhovorů a dalších dostupných datových zdrojů
Podobné vzory příznaků	Rozpoznává opakující se vzorce a rychleji se dostává k pravděpodobným příčinám
Nahrané runbooky a dokumenty	Místo obecných rad postupujte podle postupů vašeho týmu.
Uživatelské předvolby	Pamatuje si kontext prostředí a předvolby odezvy.

Generování background insight agreguje minulé konverzace a další dostupné datové zdroje. Používá sémantické párování k generování, sladění a zpřesňování provozních poznatků v průběhu času.

Nástroje pro pracovní prostor

Nástroje Workspace dávají vašemu agentovi přímý přístup k vašemu propojenému repozitáři a prostředí pro vykonávání. Když je povolíte, agent může číst soubory, vyhledávat kód, analyzovat strukturu projektu, spouštět příkazy terminálu a během vyšetřování spouštět Python v pracovním sandboxu. Provádění Python je jinak dostupné ve výchozím nastavení prostřednictvím Code Interpreteru.

Když připojíte kódové úložiště, agent automaticky analyzuje jeho strukturu projektu, technologický stack, konfigurace nasazení a závislosti služeb. Poté se otevře PR, který přidá SREAGENT.md soubor do vašeho repozitáře.

Kdykoli můžete přidat další kontext:

• Připojte repozitáře: Připojte GitHub nebo Azure Repos, aby váš agent mohl číst váš zdrojový kód. Viz konektory.
• Nahrát znalostní dokumenty: Přidejte provozní manuály, příručky architektury a pracovní postupy týmu. Viz Paměť a znalosti.
• Řekněte svému agentovi, aby si pamatoval: Zadejte #remember do chatu a uložíte fakta, která by měl váš makléř znát. Viz Paměť a znalosti.
• Vytváření dovedností: Sestavení postupů pro odstraňování problémů pomocí nástrojů Podívejte se na Dovednosti.

Čím více znalostí poskytnete, například runbooky, architektonické dokumenty a týmové postupy, tím relevantnější se stává odůvodnění. Další informace najdete v tématu Paměť a znalosti.

Zabezpečení

Musíte povolit nástroje pro pracovní prostor prostřednictvím experimentálních nastavení, než agent může používat operace se soubory a terminálové příkazy, nebo směrovat spuštění Python do pracovního sandboxu. Samotné spuštění Python je ve výchozím nastavení dostupné prostřednictvím Code Interpreteru. Provádění kódu probíhá v sandboxované nebo izolované relaci, v závislosti na konfigurovaném sandboxovém režimu, odděleně od hostitele agenta. Příkazy pro zápis Azure CLI vyžadují explicitní souhlas uživatele před spuštěním.

Výběr nástroje

S tímto kontextem si váš agent vybírá nástroje podle problému. Začíná se všemi nástroji registrovanými v aktuálním vlastním agentu a pak filtruje podle platformy pomocí pouze nástrojů incidentů pro připojenou platformu incidentů. Dále filtruje publikovaný seznam tak, aby obsahoval jenom nástroje, které zpřístupníte, a upravuje se, jak se během konverzace objevují nové informace .

Každý přizpůsobený agent má vlastní sadu nástrojů. Když váš agent deleguje na jiného vlastního agenta, dostupné nástroje se automaticky změní.

Další informace o dostupných nástrojích najdete v tématu Nástroje.

Paralelní spouštění

Když váš agent identifikuje nezávislé operace, tedy akce, které nezávisí na výstupu ostatních, provádí je současně v jednom tahu místo toho, aby je spouštěl jednu po druhé.

Pokud například váš agent potřebuje zkontrolovat stav podu, stav služby a historii nasazení, spustí všechny tři příkazy paralelně místo čekání na dokončení každého z nich před zahájením dalšího. Tento přístup snižuje zvraty v rozumování a urychluje vyšetřování.

Příkazy na úrovni nástroje řídí paralelní provádění tím, že modelu říkají: "Pokud jsou příkazy nezávislé a mohou běžet paralelně, proveďte více volání nástroje v jedné zprávě."

Klasifikace akcí

Váš agent klasifikuje každou akci ještě před jejím spuštěním.

Klasifikace	Chování	Příklady
Bezpečné	Provede se okamžitě.	Vyhledávání v protokolech, kontrola stavu prostředků, seznam nasazení
Opatrný	Provede se stručným vysvětlením.	Odesílání e-mailů, publikování zpráv Teams
Destruktivní	Vyžaduje potvrzení.	Restartování aplikace, škálování prostředků, úprava konfigurací

Způsob, jakým váš agent zpracovává jednotlivé typy, závisí na vašem režimu spuštění.

Režim spuštění	Bezpečný	Opatrný	Destruktivní
Recenze	Provede	Provede	Žádá o schválení
Autonomní	Provede	Provede	Provede

Správa konverzací

Několik mechanismů udržuje dlouhé rozhovory na správné cestě.

Mechanismus	Jak funguje
Komprese	Když budou konverzace dlouhé, váš agent shrnuje dřívější kontext při zachování klíčových zjištění. Tuto akci můžete aktivovat ručně pomocí /compact příkazu.
Automatické opakované pokusy	Pokud dojde k přerušení služby uprostřed odpovědi, váš agent to automaticky znovu zkusí.
Zpracování chyb	Pokud model narazí na dočasný problém, váš agent zobrazí jasnou zprávu ("model dočasně zažívá problémy") místo obecné vnitřní chyby.

Zrušení

Když zvolíte Stop, váš agent zastaví všechny operace a zabrání opakování zrušené úlohy. Vaše další zpráva začíná znovu, pokud výslovně nezměníte zrušenou žádost.

Boundaries

Uvažování má své hranice.

Co zdůvodnění dělá	Co to nedělá
Shromažďuje důkazy z více zdrojů paralelně.	Zajistěte nalezení hlavní příčiny, i když nejsou k dispozici dostatečné důkazy
Klasifikuje akce a respektuje režim spuštění.	Automatické opravy bez potvrzení v režimu kontroly
Vysvětluje jeho myšlení krok za krokem	Sdílet metodologii šetření mezi samostatnými agenty
Upravuje hloubku rozumování podle složitosti problému.	Nahrazení lidského úsudku pro kritická rozhodnutí

Další krok

Prozkoumejte testovací prostředí agenta

Související obsah

• Analýza základní příčiny: Hloubkové šetření s hypotetickými stromy
• Konektory: Připojte zdrojový kód, Azure zdroje a další kontextové zdroje
• Paměť a znalosti: Jak si agent pamatuje kontext napříč konverzacemi
• Režimy spuštění: Kontrola a autonomní chování
• Nástroje: Integrované a vlastní funkce nástrojů
• Dovednosti: Postupy šetření specifické pro doménu
• Spuštění kódu Python: Spusť Python během vyšetřování
• Plánované úkoly: Provádět opakovaná vyšetřování a kontroly