Sdílet prostřednictvím

Konfigurace a používání agentů AI

Agenti umělé inteligence (AI) mění způsob, jakým lidé a aplikace pracují s daty integrací velkých jazykových modelů (LLM) s externími nástroji a databázemi. Agenti zjednodušují složité pracovní postupy, zlepšují přesnost načítání informací a poskytují intuitivní rozhraní přirozeného jazyka pro vaše data. Tento článek popisuje, jak vytrénovat agenta AI, aby porozuměl FinOps, specifikaci Open Cost and Usage (FOCUS) FinOps a připojil se k datům v instanci centra FinOps.


Požadavky


Konfigurace GitHub Copilotu ve VS Code

Nejjednodušší způsob, jak začít s centrem FinOps využívajícím AI, je režim agenta GitHub Copilot.

  1. Zaregistrujte si GitHub Copilot Free , pokud nemáte GitHub Copilot.

  2. Nainstalujte Node.js 20 nebo novější.

  3. Nainstalujte VS Code.

  4. Otevřete pracovní prostor a uložte pokyny Copilotu GitHubu pro centra FinOps.

    1. Otevřete VS Code.
    2. Otevřete složku nebo pracovní prostor, kde se chcete připojit k instanci centra FinOps.
    3. Vytvořte .github složku v kořenovém adresáři pracovního prostoru.
    4. Stáhněte pokyny k GitHub Copilot pro FinOps a extrahujte je do složky .github.

  5. Nainstalujte GitHub Copilot a Azure MCP:

Podrobnosti o serveru Azure MCP najdete v tématu Azure MCP na GitHubu.


Připojení z jiných platforem AI

Centra FinOps používají protokol MCP (Model Context Protocol) k připojení a dotazování dat v Azure Data Exploreru pomocí serveru Azure MCP. Kromě GitHub Copilotu existuje mnoho oblíbených klientů, kteří podporují servery MCP, jako je Claude, Continue a další. I když jsme netestovali pokyny s jinými klienty, možná budete moct znovu použít některé nebo všechny pokyny pro AI pro centra FinOps s jinými klienty . Pokud zjistíte nějaké mezery nebo vylepšení, vyzkoušejte pokyny u klientů, které používáte, a vytvořte žádost o změnu nebo odešlete žádost o přijetí změn .

Další informace o serveru Azure MCP najdete v tématu Azure MCP na GitHubu.


Dotazování center FinOps s využitím AI

Po instalaci serveru Azure MCP a konfiguraci klienta AI použijte následující ukázkový postup pro připojení a dotazování instance centra FinOps. Tyto kroky jsou založené na režimu agenta Copilot GitHubu s pokyny k umělé inteligenci pro centra FinOps. V jiných klientech můžou fungovat jinak.

Připojení k centru

Pokud používáte GitHub Copilot, začněte otevřením chatu v režimu agenta:

Pokyny pro AI pro centra FinOps jsou předem nakonfigurované pro úlohy FinOps a už víte, jak najít a připojit se k instanci centra FinOps. Začněte tím, že se zeptáte, jestli se chcete připojit k instanci centra FinOps:

/ftk-hubs-connect

Copilot by se měl automaticky připojit k instanci centra FinOps. Pokud jich máte víc, měli byste vidět jejich seznam. Můžete požádat o připojení podle skupiny prostředků, názvu centra, názvu clusteru, krátkého identifikátoru URI clusteru (název a umístění clusteru) nebo úplného identifikátoru URI clusteru.

Při připojování k centru se může zobrazit výzva k použití přihlašovacích údajů. Zvolte Pokračovat.

Zbývající kroky použijí funkce FinOps k předvedení příkladu typu otázek, které můžete položit.

Příjem dat: Získání času poslední aktualizace

Vaše dotazy jsou jenom tak úplné jako vaše data. Začněte tím, že zkontrolujete, kdy byla data naposledy načtena do instance centra FinOps. To by mělo být součástí prvního kroku připojení. Můžete se také zeptat přímo:

When was my data last refreshed?

Export služby Cost Management obvykle běží každých 24 hodin. Pokud používáte spravované exporty, můžete plán nakonfigurovat tak, aby běžel častěji. Pokud data nejsou up-to-date, zkontrolujte exporty služby Cost Management.

Přidělení: Náklady podle skupiny prostředků

Nejběžnější způsob přidělování nákladů v Azure je podle skupiny prostředků. Pokud chcete identifikovat skupiny prostředků s největšími náklady, zeptejte se:

What are the top resource groups by cost?

Můžete se také zeptat na předplatná (SubAccountName v FOCUS), fakturační sekce nebo dokonce tagy.

Zprávy a analytika: Největší změny v trendech nákladů

Poslední dva příklady byly poměrně jednoduché. Zkusme něco složitějšího tím, že požádáme o analýzu trendů v průběhu času. Copilot nejprve provede nějaký výzkum, aby navrhl plán. A vzhledem ke složitosti vás Copilot může také požádat, abyste zkontrolovali a schválili dotaz KQL, který se provede za účelem provedení analýzy.

Analyze cloud service spending trends over the past 3 months. Show the top 5 services with the highest increase and top 5 with the highest decrease in cost, including percentage changes.

Pokud se zobrazí výzva ke schválení dotazu, můžete nástroj Copilot říct, aby dotaz upravil nebo spustil na základě vašich potřeb.

Vzhledem ke složitosti tohoto dotazu můžete chtít požádat o dotaz, abyste ho mohli spustit sami. Stejné dotazy můžete kdykoli spustit z portálu Průzkumník dat. Nebo požádejte Copilot, aby vám poskytl odkaz ke spuštění dotazu:

Give me a link to run this query myself.

Správa anomálií: Identifikace anomálií

Teď se podíváme na anomálie:

Are there any unusual spikes in cost over the last 3 months?

Měli byste získat souhrn toho, co bylo nalezeno, bez ohledu na to, zda byly nalezeny anomálie či nikoliv. Toto je další místo, kde můžete chtít požádat o odkaz na dotaz, abyste si zobrazili podrobnosti pro sebe. Můžete také požádat o dotaz nebo ho dokonce nechat vysvětlit.

Show me the query with comments on each line to explain what the line does.

To by mělo používat integrované funkce detekce anomálií v Průzkumníku dat. Zeptejte se Copilota, aby vysvětlil cokoliv, čemu nerozumíte. To může být skvělá příležitost naučit se KQL. Řekněte Copilotu, aby změnil dotaz nebo ho vylepšil tak, aby vyhovoval vašim potřebám.

V mém případě se mezi každý okomentovaný řádek přidaly prázdné řádky. Pokud chcete tento příkaz spustit, budete muset vybrat veškerý text v editoru dotazů Průzkumníka dat a vybrat Spustit.

Prognózování: Odhad nákladů na konci měsíce projektu

Detekce anomálií spočívá v předpovídání nákladů na den na základě prognózy. Takže pokud vám Copilot může pomoct analyzovat historické prognózy pomocí integrovaných funkcí Průzkumníka dat, můžete také projektovat budoucí náklady:

Show me the cost for last month, this month, and the forecasted cost by the end of the month for the subscriptions that have the highest cost this month.

Optimalizace rychlosti: Kvantifikace úspor

Teď se podíváme na úspory. Pojďme hledat úspory z vyjednaných slev i slev na závazky a kvantifikovat efektivní úspoře (ESR), abychom získali představu o tom, jak pracujeme s naším úsilím o optimalizaci sazeb:

What was my cost last month, how much did I save on commitment discounts, and how much did I save with my negotiated discounts? Show my total savings and effective savings rate.

Prozkoumání dat

Toto je jen pár příkladů typů požadavků, na které můžete získat odpovědi. Položte si vlastní otázky a otestujte, jak vám AI může pomoct. Mějte na paměti, že AI je omezená na to, co se učí, a data, která má k dispozici. Pokud najdete scénář, který není pokrytý nebo je možné ho vylepšit, podělte se prosím o výzvu, jakou odpověď jste obdrželi a jak byste ji chtěli vidět vylepšenou jako žádost o změnu sady nástrojů FinOps.


Váš názor

Dejte nám vědět, jak si vedeme, pomocí rychlé zpětné vazby. Tyto recenze používáme k vylepšení a rozšíření nástrojů a prostředků FinOps.

Poskytnout zpětnou vazbu

Pokud hledáte něco konkrétního, hlasujte pro existující nebo vytvořte nový nápad. Sdílejte nápady s ostatními, abyste získali více hlasů. Zaměřujeme se na nápady s nejvíce hlasy.

Hlasovat o nápadech nebo je navrhovat


Související obsah

Související funkce FinOps:

Související produkty:

Související řešení: