Freigeben über

Python-Tools in Azure SRE-Agent

Python-Tools erweitern Ihren Azure SRE-Agent über integrierte Azure-Funktionen hinaus. Erstellen Sie benutzerdefinierte Tools, die eine Verbindung mit internen APIs, lokalen Datenbanken, Multicloudplattformen und proprietären Systemen mithilfe von Python-Code herstellen. Beschreiben Sie, was Sie in einfachem Englisch benötigen, vorhandene Skripts einfügen oder HTTP-Endpunkte umschließen und dann testen und bereitstellen, ohne einen Neustart auszuführen.

Tipp

  • Erweitern Sie Ihren Agent, um Systeme zu erreichen, für die er keine integrierte Unterstützung bietet.
  • Stellen Sie eine Verbindung mit internen APIs, lokalen Datenbanken und Multicloudplattformen her.
  • Codieren sie benutzerdefinierte Geschäftslogik (SLA-Berechnungen, Kostenmodelle, Complianceregeln).

Das Problem

Ihr Agent verfügt über leistungsstarke integrierte Tools für Azure, einschließlich Kusto-Abfragen, Azure Monitor- und ARM-Vorgängen. Ihre Organisation lebt jedoch nicht vollständig in Azure:

  • Interne Systeme: CMDB-Datenbanken, benutzerdefinierte Ticketingsysteme und interne APIs, die nur in Ihrer Organisation verwendet werden.
  • Multicloud: Datadog-Dashboards, Splunk-Protokolle und AWS CloudWatch-Metriken zusammen mit Azure.
  • Legacy-Infrastruktur: Lokale Datenbanken, proprietäre Protokolle und Systeme ohne moderne APIs.
  • Benutzerdefinierte Geschäftslogik: SLA-Berechnungen, die für Ihre Verträge, Kostenzuordnungsformeln und Kapazitätsplanungsmodelle spezifisch sind.

Der Agent kann Azure-Probleme diagnostizieren, kann aber nicht zu Ihren internen Systemen gelangen oder die eindeutige Logik Ihrer Organisation anwenden, es sei denn, Sie erweitern sie.

Funktionsweise von Python-Tools

Mit Python-Tools können Sie Ihren Agent über neue Funktionen unterrichten. Beschreiben Sie, was Sie benötigen, generieren Sie den Code, testen Sie ihn und stellen Sie es bereit. Ihr Agent kann dann Systeme erreichen und Logik anwenden, die noch nicht möglich war.

Screenshot des Python-Tooldialogfelds.

Der generierte Code folgt einem konsistenten Muster:

  • Eine main() Funktion, die eingegebene Parameter akzeptiert.
  • JSON-serialisierbare Rückgabewerte.
  • Beschreibende Docstrings, die die Logik erläutern.

Bevor Sie das Tool erstellen, testen Sie es mit echten Eingaben im Playground. Geben Sie Parameterwerte ein, wählen Sie "Testen" aus, und sehen Sie tatsächliche Ergebnisse, nicht nur die Syntaxüberprüfung.

Screenshot des Test-Playgrounds mit erfolgreicher Ausführung mit SLA-Berechnungsergebnis.

Nachdem Sie das Tool getestet haben, wählen Sie " Tool erstellen" aus. Ihr Agent kann ihn sofort ohne Neustart und ohne Bereitstellungspipeline verwenden.

Python-Tools im Vergleich zu MCP-Connectors

Für Drittanbieterplattformen gibt es zwei Optionen.

Vorgehensweise Am besten geeignet für: Beispiele
MCP-Steckverbinder Beliebte Plattformen mit Standard-APIs Datadog, Splunk, ServiceNow, GitHub
Python-Tools Interne Systeme, benutzerdefinierte Logik, Plattformen ohne MCP Ihre CMDB, proprietäre APIs, benutzerdefinierte Berechnungen

Verwenden Sie MCP-Connectors, wenn ein Connector für Ihre Plattform vorhanden ist. MCP bietet strukturierte Schemas, Authentifizierungsverwaltung und konsistentes Verhalten.

Verwenden Sie Python-Tools, wenn Sie interne Systeme erreichen, benutzerdefinierte Geschäftslogik codieren oder ohne MCP-Unterstützung eine Verbindung mit Plattformen herstellen müssen.

Was macht dies anders

In der folgenden Tabelle werden die Agentfunktionen mit und ohne Python-Tools verglichen.

Ohne Python-Tools Mit Python-Tools
Agent kann nur integrierte Funktionen verwenden Agent erreicht jedes System, das Python aufrufen kann
Interne APIs erfordern separate Workflows Interne Systeme werden Agent-Tools
Benutzerdefinierte Logik befindet sich in externen Skripts Geschäftsregeln, die in Agentunterhaltungen ausgeführt werden
On-Premise-Systeme werden vom Agenten getrennt. Hybridumgebungen sind voll zugänglich

Python-Tools verwandeln Ihren Agent von einem azure-nativen Assistenten in eine erweiterbare Plattform, die mit Ihrer gesamten Infrastruktur arbeitet.

Vor und nachher

Vorher Nach
"Unsere CMDB ist lokal, Agent kann es nicht sehen" Python-Tool mit Netzwerkzugriff, das interne Systeme abfragt
"Wir haben benutzerdefinierte SLA-Formeln, die niemand automatisiert hat" Codieren Sie Ihre Formeln als Tool; der Agent wendet sie automatisch an.
"Complianceberichte benötigen eine spezifische PDF-Formatierung" Generieren von Berichten mit ReportLab, die über den Agent bereitgestellt werden

Voraussetzungen

  • Ersteller-Zugriff auf einen Azure SRE-Agent.
  • Für HTTP-Endpunkte: URL und Authentifizierungsdaten für Ihre Zielsysteme.

Erstellen eines Python-Tools

Sie können Python-Tools mithilfe von drei Ansätzen erstellen.

Vorgehensweise Sie stellen folgendes bereit: Der Agent führt aus Am besten geeignet für:
Beschreiben in einfachem Englisch "SLA aus Betriebszeit und Ausfallzeit berechnen" Generiert vollständigen Python-Code Schnelle benutzerdefinierte Logik, keine Codierung erforderlich
Vorhandenen Code einfügen Ihre Python-Funktion Verpackt es als Werkzeug Migrieren vorhandener Skripts, komplexer Logik
Aufrufen von HTTP-Endpunkten Endpunkt-URL und Authentifizierung Ruft Ihre API über HTTP auf Azure-Funktionen, Lambda, interne APIs, Webhooks

Option 1: Der KI erlauben, den Code zu schreiben

Beschreiben Sie, was Sie im Dialogfeld benötigen, und wählen Sie "Generieren" aus. KI erstellt eine funktionierende Python-Funktion mit typierten Parametern, Fehlerbehandlung und Docstrings.

Sie beschreiben Folgendes: "Berechnung der Einhaltung der SLA aus Betriebszeit- und Ausfallzeitsminuten und gibt an, ob der Schwellenwert von 99,9 % erreicht wird"

Agent generiert: Eine vollständige main() Funktion, die zum Testen und Bereitstellen bereit ist.

Option 2: Eigenen Code mitbringen

Fügen Sie vorhandene Python in die Registerkarte "Code " ein. Die Funktion muss diesem Muster folgen:

def main(param1: str, param2: int) -> dict:
    # Your logic here
    return {"result": "value"}

Option 3: Aufrufen von HTTP-Endpunkten

Umschließen Sie einen beliebigen HTTP-Endpunkt (Azure Functions, AWS Lambda, interne APIs oder Webhooks) als Python-Tool:

def main(input_data: str) -> dict:
    import requests

    # Azure Function with function key
    response = requests.post(
        "https://<FUNCTION_APP_NAME>.azurewebsites.net/api/<ENDPOINT>?code=<FUNCTION_KEY>",
        json={"data": input_data}
    )

    # Or internal API with bearer token
    # response = requests.get(
    #     "https://internal-api.corp/resource",
    #     headers={"Authorization": "Bearer <API_TOKEN>"}
    # )

    return response.json()

Hinweis

Python-Tools haben ausgehenden Netzwerkzugriff. Sie können jeden beliebigen HTTP-Endpunkt aufrufen, den Ihr Netzwerk zulässt. Fügen Sie für authentifizierte Endpunkte API-Schlüssel oder Token in Headern oder Abfrageparametern ein.

Beispielszenarien

Die folgenden Beispiele veranschaulichen allgemeine Anwendungsfälle für Python-Tools.

Interne CMDB-Abfrage:

def main(server_name: str) -> dict:
    """Query internal CMDB for server configuration."""
    import requests
    response = requests.get(f"https://cmdb.internal.corp/api/servers/{server_name}")
    return response.json()

Benutzerdefinierte SLA-Berechnung:

def main(uptime_minutes: int, downtime_minutes: int) -> dict:
    """Calculate SLA using your organization's formula."""
    total = uptime_minutes + downtime_minutes
    sla = (uptime_minutes / total) * 100 if total > 0 else 100.0
    return {"sla_percent": round(sla, 4), "meets_target": sla >= 99.9}

Erstellung von Complianceberichten:

def main(incidents: list, month: str) -> dict:
    """Generate PDF compliance report."""
    from reportlab.platypus import SimpleDocTemplate
    doc = SimpleDocTemplate(f"/mnt/data/compliance-{month}.pdf")
    # Build report...
    return {"report_path": f"/api/files/compliance-{month}.pdf"}

Überprüfen, ob Ihr Tool funktioniert

Nachdem Sie das Tool erstellt haben, testen Sie es in einem neuen Chat:

Calculate SLA for 43185 minutes uptime and 15 minutes downtime

Ihr Agent sollte erkennen, dass die Aufgabe Ihrem Tool entspricht und sie automatisch aufruft.

Ausführungsumgebung

In der folgenden Tabelle wird die Ausführungsumgebung für Python-Tools beschrieben.

Eigentum Wert
Timeout 5 bis 900 Sekunden (Standard: 120)
Isolation Neuer Container pro Ausführung
File-System /mnt/data für temporäre Dateien
Network Ausgehende Konnektivität aktiviert
Pakete 700+ vorinstalliert (Pandas, Anforderungen, Azure-Identität, Reportlab und mehr)
State Keine Persistenz zwischen Aufrufen

Authentifizierung für Azure-Ressourcen

Python-Tools können sich bei Azure-Ressourcen authentifizieren, indem verwaltete Identitäten mit voreingestellten Bereichen verwendet werden.

Geltungsbereich Access
ARM Azure Resource Manager (management.azure.com)
Key Vault Geheime Schlüssel, Zertifikate (vault.azure.net)
Lagerung Blob, Warteschlange, Tabellenspeicher (storage.azure.com)

Aktivieren Sie die Authentifizierung auf der Registerkarte " Identität " beim Erstellen eines Tools.

Einschränkungen

  • Kein beständiger Zustand: Jede Ausführung beginnt neu. Speichern Sie die Ergebnisse bei Bedarf extern.
  • Maximaler Timeout: 900 Sekunden (15 Minuten) für lang andauernde Vorgänge.
  • Keine GPU: Cpu-only-Ausführungsumgebung.
  • JSON-Ausgabe erforderlich: Rückgabewerte müssen JSON-serialisierbar sein.

Nächster Schritt

Erstellen eines Python-Tools

Verwandte Inhalte

  • Last updated on