Použití nástrojů k rozšíření, automatizaci a vylepšení agentů

Agenti se stávají výkonnějšími, když je vybavíte specializovanými nástroji, které rozšiřují jejich základní schopnosti. Copilot Studio nabízí tři hlavní kategorie nástrojů agentů:

Tento článek vysvětluje, jak fungují jednotlivé typy nástrojů, kdy je používat a jak vám mohou pomoci vytvořit schopnější a efektivnější agenty. Dozvíte se také o rozdílech mezi hostovanými a vlastními počítači v rámci scénářů používání počítače, a získáte doporučení, jak volit mezi tradiční robotickou automatizací procesů (RPA) a agenty pro používání počítače (CUA).

Generování odpovědi pomocí výzev AI

Výzvy AI využívají soubor pokynů k získání odpovědi od modelu AI. Do těchto pokynů můžete zahrnout proměnné pro vložení dalšího textu nebo dokumentů. Výstup je obvykle poskytován v prostém textu nebo ve formátu JSON. Můžete vybrat libovolný model AI zabudovaný do Copilot Studio nebo nasazený prostřednictvím Microsoft Foundry ke generování odpovědi.

Výzvy lze spouštět jako nástroj agenta nebo v rámci tématu. Všechny výzvy jsou ukládány do knihovny výzev a podporují správu životního cyklu aplikací, řízení přístupu na základě rolí a sdílení.

Další informace najdete v části Používání výzev k zadání konkrétních úkolů agentovi.

Zvážení, kdy použít výzvy AI nebo orchestrátor

Každý agent vytvořený v Copilot Studio používá orchestrátor ke stanovení odpovědi výběrem vhodných nástrojů, témat a znalostních bází na základě systémových pokynů, uživatelských vstupů a kontextových informací. Orchestrátor je motorem generativní orchestrace, který plánuje akce a vytváří odpovědi pomocí nástrojů a popisů agenta.

Ačkoliv se odpovědi řízené orchestrátorem mohou zdát podobné výzvám AI, tyto dvě funkce slouží odlišným účelům. Výzvy AI jsou samostatné akce založené na výzvách, které tvůrcům dávají větší kontrolu nad konfigurací modelu.

Výzvy AI podporují širší škálu modelů, včetně těch dostupných prostřednictvím Microsoft Foundry. Podporují také funkce jako ukotvení v Dataverse, vstupní soubory a interpret kódu.

Orchestrátor používá pevně danou systémovou výzvu a popisy nástrojů k výběru správných stavebních bloků pro daný požadavek. Tvůrci nemohou upravovat systémovou výzvu orchestrátoru, ale mohou ovlivnit jeho chování pomocí pokynů agenta.

Výzvy AI poskytují plnou kontrolu nad formátováním, omezeními a logikou, což z nich činí správnou volbu pro scénáře, které vyžadují precizně upravený nebo vysoce strukturovaný výstup. Například pokud potřebujete stylistickou kontrolu nad rámec jednoduchého formátování („napiš rýmovanou báseň ve struktuře ABAB s použitím těchto přesných slov“), je výzva vhodnější možností.

Orchestrátor dobře funguje pro jednoduché úkoly, jako je extrakce jednoho jména z textu. Pro složitou extrakci použijte výzvy AI. Například extrahování více entit z dlouhé zprávy a jejich propojení s doménově specifickými vztahy (například extrahování více jmen z pojistné zprávy a určení majitele autoservisu spojeného pouze s jednou stranou incidentu).

Rozhodnutí mezi orchestrátorem a výzvami AI závisí na úrovni potřebných vlastních nastavení. Pokud potřebujete přesnou kontrolu nad chováním nebo výstupem modelu, zvolte výzvy AI. V situacích, kdy postačuje obecné uvažování, volba nástrojů a lehké formátování, je orchestrátor tou správnou volbou.

Integrace nástrojů agentů pomocí MCP

Model Context Protocol (MCP) je univerzální rozhraní, které umožňuje modelům AI komunikovat s externími nástroji, zdroji dat a uživatelskými prostředími v konzistentní a škálovatelné podobě.

Oproti tomu konektory Power Platform vyžadují, abyste popsali každou akci a její vstupy a aktualizovali tyto popisy, jakmile budou k dispozici nové definice. Vytváření vlastního kódu pro integraci každého nástroje je složitější a méně škálovatelné.

Využijte servery MCP poskytované v Copilot Studio pro služby Microsoft, jako jsou Outlook, Dataverse a GitHub, nebo pro služby třetích stran, jako jsou Salesforce a JIRA. Vytvořte vlastní servery MCP pro služby, které je nemají.

Výhody MCP zahrnují následující:

  • Standardizovaný kontext pro modely AI
  • Bezproblémová integrace s Copilot Studio
  • Zlepšená efektivita vývojářů a uživatelská zkušenost
  • Zásady správného řízení, monitorování a rozšiřitelnost

Před implementací serverů MCP zvažte následující omezení:

  • Nelze obohatit popisy nástrojů o podrobnější kontext, kdy je vhodné je vyvolat.
  • Témata nemohou přímo volat servery MCP.

Kdy použít MCP

Stejných výsledků můžete v aplikaci Copilot Studio dosáhnout pomocí několika různých integračních přístupů. Je důležité pochopit, kdy použít servery Model Context Protocol (MCP) oproti jednodušším možnostem, jako jsou konektory Power Platform nebo přímé volání rozhraní REST API.

MCP používejte, když potřebujete standardizovaný, centrálně spravovaný způsob, jak zpřístupnit nástroje a zdroje více agentům bez nutnosti individuální konfigurace každého klienta. Servery MCP publikují nástroje a prostředky, které agenti mohou automaticky objevovat, spravovat jejich verze a používat konzistentně, protože server MCP definuje popisy nástrojů a jejich vstupy. Oproti tomu při přímém přidání rozhraní API musíte ručně popsat jeho účel a definovat jeho vstupy pro každého agenta.

MCP je obzvlášť cenný, když se často mění následná rozhraní API. Místo aktualizace každého agenta, který rozhraní API využívá, stačí definici jednou upravit na serveru MCP a všichni agenti automaticky začnou používat aktualizovanou verzi bez nutnosti opětovného publikování. Pokud neexistuje server MCP nebo rychle prototypujete, přímé volání rozhraní API je rychlejší a nevyžaduje složité nastavení potřebné k zavedení celého životního cyklu MCP.

Aby bylo možné používat MCP, musí být povolena generativní orchestrace. Další informace najdete v části Jak funguje MCP?

Automatizace procesů na počítači pomocí nástroje pro používání počítače

Použitím nástroje pro používání počítače může agent ovládat počítač bez nutnosti automatizačních skriptů nebo rozhraní API. Místo používání skriptů nebo API konfigurujete agenta pomocí výzvy. Agent určuje, jak nejlépe dosáhnout svých cílů. Během procesu agent pořizuje screenshot v každém kroku, analyzuje ho, aby rozhodl o další akci, vykoná tuto akci a opakuje tento cyklus, dokud úkol není dokončen. Screenshoty pořízené agentem a odůvodnění jsou k dispozici jako součást historie spuštění.

Běžné scénáře, kdy může agent využít nástroj pro používání počítače, zahrnují:

  • Zadávání dat: Pro každý řádek v příchozím souboru CSV vytvořte prodejní objednávku v SAP a zapište vygenerované ID objednávky zpět do souboru.
  • Získávání dat: Navštivte portál každého dodavatele, vyhledejte uvedené SKU, získejte cenu, zásoby a dodací lhůtu a vložte výsledky s časovým razítkem do databáze.
  • Napříč aplikacemi: Exportujte denní transakce z desktopového finančního klienta, navigujte v QuickBooks a zaúčtujte každý záznam na správný účet.

Rozdíl mezi hostovanými a vlastními počítači

Agenti mohou použít nástroj pro práci s počítačem na počítači hostovaném společností Microsoft nebo na vlastním počítači (BYO). Hostované počítače jsou k dispozici pro okamžité použití bez IT konfigurace nebo fakturování. Patří do sdíleného fondu předem zřízených cloudových počítačů Windows 365, které nejsou připojené k klientovi zákazníka. Vlastní počítače musí být předem nasazeny ve virtuální síti zákazníka. Vlastní počítače musíte registrovat a spravovat v Power Automate.

Vlastní počítače používejte ve scénářích výroby. Mají podporu Microsoft Entra ID, jsou zaregistrovány v Intune a podporují webovou i desktopovou automatizaci. Hostované počítače používejte pouze k prototypování kvůli jejich omezeným možnostem. Na jednoho uživatele je k dispozici pouze jeden cloudový počítač a využití lze omezovat podle poptávky.

Další informace najdete v tématu Konfigurace, kde je spuštěno použití počítače.

Robotická automatizace procesů (RPA) vs. agenti používající počítače (CUA)

Robotická automatizace procesů (RPA) je automatizace počítače pomocí skriptu. Můžete ji aplikovat na mnoho stejných situací jako CUA. Je však důležité pochopit rozdíly mezi RPA a CUA.

Aspekt RPA CUA
Typ automatizace Na základě pravidel Řízené LLM
Metoda interakce Strom uživatelského rozhraní Pohled
Vytváření obsahu Složitý skript Pokyny v přirozeném jazyce
Rozhodování Předdefinovaná pravidla Autonomní rozhodování založené na vizuálních údajích
Flexibilita Omezená flexibilita Vysoká flexibilita
Zpracování chyb Statické zpracování chyb Automatická korekce na základě vizuální zpětné vazby

Použijte RPA v těchto situacích:

  • Jsou povoleny pouze funkce s obecnou dostupností (GA).
  • Uživatelské rozhraní je stabilní. Obrazovky, pole a voliče se málokdy mění.
  • Pravidla jsou jasná. Rozhodnutí můžete zachytit v pravidlech.
  • Rychlost je důležitá. Vysoký objem. Každá sekunda se počítá.
  • Tým RPA jej vlastní. Tým má znalosti vývoje a správy RPA.

Použijte CUA v těchto situacích:

  • Uživatelská rozhraní se mění nebo výrazně liší. Pracujete s více aplikacemi a často měníte návrhy.
  • Potřebujete rychlý výsledek. Backlog týmu RPA je plný.
  • Uživatelské rozhraní je důležité. Úkol závisí na tom, co je na obrazovce viditelné, například grafy, barvy a dynamické rozložení.
  • Rozhodnutí jsou nejasná. Agent musí uvažovat, zvolit další krok nebo se sám opravit.
  • Last updated on