Der Daten-Agent in Microsoft Fabric ermöglicht es Organisationen, Konversationserlebnisse über ihre Unternehmensdaten zu erstellen. Durch das Verbinden von Fabric-Artefakten mit einem Daten-Agenten können Benutzer Fragen in natürlicher Sprache automatisch in präzise Abfragen umwandeln, wodurch Interessengruppe - von Analysten bis Führungskräften - befähigt werden, Einblicke zu gewinnen, ohne eine einzige Codezeile zu schreiben. Dieser Artikel führt durch jede Datenquelle, die der Daten-Agent heute unterstützt, und die für jede Datenquelle verfügbaren Konfigurationsfunktionen.
Übersicht
Der Daten-Agent unterstützt die folgenden Datenquellenkategorien:
| Kategorie |
Artifacts |
Abfragesprache |
Schlüsselszenario |
|
SQL |
Lakehouse, Data Warehouse, SQL-Datenbank, gespiegelte Datenbanken |
T-SQL |
Strukturierte Analysen über relationale und Delta Lake-Daten |
|
Eventhouse |
Eventhouse-KQL-Datenbank |
KQL |
Echtzeitintelligenz- und Zeitreihenanalyse |
|
Semantikmodell |
Power BI-Semantikmodelle |
DAX |
Geschäftslogik, berechnete Maßeinheiten und kuratierte Metriken |
|
Graph |
Graph-Modell |
GQL |
Beziehungsreiche Datensuche und Graphanalyse |
|
Ontologie |
Fabric Ontologie |
Ontologie-nativ |
Domänenwissen und semantischer Kontext für die Datenintegration |
|
Azure KI-Suche |
Azure KI-Suche-Index |
Natürliche Sprache + Suche |
Unstrukturierter Datenabruf (PDFs, Text, angereicherter Inhalt) |
Tip
Ein einzelner Daten-Agent kann bis zu fünf Datenquellen in jeder Kombination zusammenführen, sodass Sie strukturierte, Echtzeit-, semantische und unstrukturierte Daten in einer konversationellen Erfahrung integrieren können.
Unterstützte Artefakte
-
Lakehouse – Delta Lake-Tabellen werden über den SQL Analytics-Endpunkt angezeigt.
-
Data Warehouse – Full Fabric Warehouse mit T-SQL-Oberflächenfläche.
-
SQL-Datenbank – Fabric-native SQL-Datenbanken.
-
Mirrored Databases – Externe Datenbanken werden in Fabric gespiegelt (z. B. Azure SQL, Cosmos DB, Snowflake).
Jede SQL-Quelle in Fabric enthält einen SQL Analytics Endpoint, eine leistungsfähige, schreibgeschützte T-SQL-Abfrageoberfläche über OneLake Delta-Daten. Der Daten-Agent nutzt einen integrierten NL2SQL-Dienst , der:
- Übersetzt die Frage der natürlichen Sprache des Benutzers in eine T-SQL-Abfrage mithilfe des vom Benutzer bereitgestellten ausgewählten Schemas, Anweisungen und Beispielabfragen.
- Überprüft die generierte Abfrage anhand der Schemaauswahl, um sicherzustellen, dass nur auf genehmigte Tabellen und Ansichten verwiesen wird.
- Führt die Abfrage über den SQL Analytics-Endpunkt aus und gibt lesbare Ergebnisse zurück.
Unterstützte Artefakte
-
Eventhouse KQL-Datenbank – Fabrics Store für Echtzeit-Intelligenz für Streaming-, ereignisgesteuerte und Zeitreihendaten.
Der Daten-Agent stellt eine Verbindung zum Eventhouse-KQL-Datenbankendpunkt her und nutzt Kustos integrierte NL2KQL-Funktion, die folgende Möglichkeiten bietet:
- Die Frage des Benutzers wird mithilfe des ausgewählten Schemas und aller bereitgestellten Anweisungen oder Beispiele in eine KQL-Abfrage übersetzt.
- Die Abfrage wird überprüft, um zu bestätigen, dass sie nur die genehmigten Schemaentitäten berührt.
- Bei Genehmigung wird die Abfrage gegen die Kusto-Engine ausgeführt – optimiert für analytische Workloads mit geringer Latenz und hohem Durchsatz.
Unterstützte Artefakte
-
Power BI Semantikmodelle – Veröffentlichte Datasets, die Tabellen, Beziehungen, Measures, berechnete Spalten und Hierarchien enthalten.
Jedes semantische Modell in Fabric macht einen XMLA-Endpunkt verfügbar, den der Daten-Agent zum Ausführen von DAX-Abfragen verwendet. Der integrierte NL2DAX-Dienst :
- Übersetzt natürliche Sprache in eine DAX-Abfrage, indem die Metadaten des Modells genutzt werden (Tabellenbeschreibungen, Spaltensynonyme, Measure-Definitionen, Beziehungen).
- Überprüft die Abfrage anhand des ausgewählten Schemas.
- Wird über den XMLA-Endpunkt ausgeführt und gibt formatierte Ergebnisse zurück.
Unterstützte Artefakte
-
Graph Model – Grafik-Artefakte, die Knoten- und Kantenschemas definieren.
Der Graph-Daten-Agent kann GQL-Abfragen ausführen und Einblicke aus Ihren Graph-Datenquellen in Fabric anzeigen. Um einen solchen Agent zu konfigurieren, fügen Sie ein Diagrammmodell oder ein Diagrammabfrageset als Datenquelle hinzu.
Wenn der Daten-Agent GQL für eine Graph-Datenquelle ausführt, führt das zugrunde liegende Fabric Graph-Artefakt die Abfrage aus, wodurch ein Verbrauch an Graph-Operation entsteht.
Unterstützte Artefakte
-
Fabric Ontology – Eine semantische Ebene, die Domänenwissen, Entitätsdefinitionen und Beziehungen erfasst.
Nachdem eine Ontologie in Fabric konfiguriert wurde, kann sie dem Daten-Agent als Datenquelle hinzugefügt werden. Der Agent verwendet die Ontologie, um den Domänenkontext zu verstehen und Fragen zu beantworten, die im Wissensmodell Ihrer Organisation basieren.
Unterstützte Artefakte
-
Azure KI-Suche Index – Indizes, die in Azure AI Foundry
über unstrukturierte Inhalte wie PDFs, Textdateien und andere erweiterte Dokumente erstellt wurden.
Der Data Agent stellt eine direkte Verbindung mit Ihrem Azure KI-Suche Index mithilfe einer Ressourcen-URL her. Wenn ein Benutzer eine Frage stellt, sendet der Agent die Abfrage (mit der Identität des Benutzers für die Zugriffssteuerung) an den Suchindex, ruft die relevantesten Dokumentblöcke ab und verfasst eine endgültige Antwort. Zitate werden automatisch eingeschlossen, wenn der Index URL- oder Dateipfadfelder enthält.
Unterstützte SQL-Datenquellen-Konfigurationen
| Konfiguration |
Supported |
Details |
| Schemaauswahl |
✅ Ja |
Wählen Sie bestimmte Tabellen, Ansichten und Funktionen aus, um den Agent zu beschränken. |
| Agent-Anweisungen |
✅ Ja |
Leiten Sie den Agent, wann und wie Sie Fragen an diese Quelle weiterleiten. |
| Anweisungen zur Datenquelle |
✅ Ja |
Stellen Sie Tabellenbeschreibungen, Verknüpfungslogik, Wichtige Spaltendetails und Geschäftsterminologie für NL2SQL bereit. |
| Datenquellenbeschreibung |
✅ Ja |
Beschreibung, mit der der Agent ermitteln kann, ob diese Datenquelle für die Frage des Benutzers relevant ist. |
| Beispielabfragen |
✅ Ja |
Stellen Sie Paare aus natürlicher Sprache und SQL zur Verfügung, damit der Agent komplexe Abfragemuster erlernen kann. Die wichtigsten Beispiele werden automatisch über die Vektorähnlichkeit abgerufen. |
Unterstützte Konfigurationen für Eventhouse-KQL-Quellen
| Konfiguration |
Supported |
Details |
| Schemaauswahl |
✅ Ja |
Wählen Sie bestimmte Tabellen, Materialisierte Ansichten, Funktionen und Verknüpfungen aus, um den Agenten zu beschränken. |
| Agent-Anweisungen |
✅ Ja |
Leiten Sie den Agent, wann und wie Sie Fragen an diese Quelle weiterleiten. |
| Anweisungen zur Datenquelle |
✅ Ja |
Stellen Sie Kontext zu Tabellen, MVs, Funktionen und Verknüpfungen zu NL2KQL bereit. |
| Datenquellenbeschreibung |
✅ Ja |
Beschreibung, mit der der Agent ermitteln kann, ob diese Datenquelle für die Frage des Benutzers relevant ist. |
| Beispielabfragen |
✅ Ja |
Stellen Sie Natürliche Sprache/KQL-Paare bereit, um den Agent bei komplexen Aggregations- und Verknüpfungsmustern zu unterrichten. |
Unterstützte Konfigurationen des semantischen Modells
| Konfiguration |
Supported |
Details |
| Schemaauswahl |
✅ Ja* |
Wählen Sie Tabellen aus, die verfügbar gemacht werden sollen. Steuerelement auf Spaltenebene ist verfügbar, wenn Prep für AI in Power BI konfiguriert ist. |
| Agent-Anweisungen |
✅ Ja |
Geben Sie dem Agenten Anweisungen, wann er das semantische Modell auswählen soll, um Fragen zu beantworten. |
| Anweisungen zur Datenquelle |
❌ Nein* |
Anweisungen werden über Prep für KI (KI-Anweisungen und überprüfte Antworten) auf der Semantikmodellseite verwaltet. Datenagent berücksichtigt sie, sofern vorhanden. |
| Datenquellenbeschreibung |
❌ Nein |
Semantische Modelle unterstützen keine Datenquellenbeschreibungen. |
| Beispielabfragen |
❌ Nein* |
Für semantische Modelle zurzeit nicht unterstützt. Verwenden Sie überprüfte Antworten in der Vorbereitung auf KI, um Beispiel-DAX-Abfragen zu integrieren. |
*Semantische Modelle werden hauptsächlich über Prep for AI in Power BI konfiguriert, das KI-Daten-Schemata, KI-Anweisungen und verifizierte Antworten bietet.
Unterstützte Graph-Modellkonfigurationen
| Konfiguration |
Supported |
Details |
| Schemaauswahl |
❌ Nein |
Graph erlaubt es einem Benutzer nicht, seinen Agent auf bestimmte Knoten und Kanten zu beschränken. |
| Agent-Anweisungen |
✅ Ja |
Leiten Sie den Agent, wann und wie Sie Fragen an diese Quelle weiterleiten. |
| Anweisungen zur Datenquelle |
✅ Ja |
Wird an das NL2GQL-Modul übergeben, um die Abfragegenerierung zu leiten. |
| Datenquellenbeschreibung |
✅ Ja |
Beschreibung, mit der der Agent ermitteln kann, ob diese Datenquelle für die Frage des Benutzers relevant ist. |
| Beispielabfragen |
✅ Ja |
Wird an NL2GQL übergeben, um komplexe Graphdurchlaufmuster zu lehren. |
Von Ontologien unterstützte Konfigurationen
| Konfiguration |
Supported |
Details |
| Schemaauswahl |
❌ Nein |
Wird für Ontologiedatenquellen nicht unterstützt. |
| Agent-Anweisungen |
✅ Ja |
Geben Sie dem Agenten Anweisungen, wann er das semantische Modell auswählen soll, um Fragen zu beantworten. |
| Anweisungen zur Datenquelle |
❌ Nein |
Wird für Ontologiedatenquellen nicht unterstützt. |
| Datenquellenbeschreibung |
✅ Ja |
Beschreibung, mit der der Agent ermitteln kann, ob diese Datenquelle für die Frage des Benutzers relevant ist. |
| Beispielabfragen |
❌ Nein |
Wird für Ontologiedatenquellen nicht unterstützt. |
Unstrukturierte Datenkonfigurationen
| Setting |
Details |
| Anzeigename |
Benutzerdefinierter Name, der für den Index in der Agent-Oberfläche angezeigt wird. |
| Suchtyp |
Wählen Sie je nach Indexkonfiguration aus Volltext, Hybrid oder semantischer Suche aus. |
| Anzahl der Dokumente |
Steuern Sie, wie viele Dokumente pro Abfrage abgerufen werden (empfohlen: 3–20). |
| Kontext/ Beschreibung |
Beschreiben Sie die Indexinhalte, Schlüsselfelder und Verwendungsanleitungen zum Routing. |
| Agent-Anweisungen |
Anleitung, wie der Agent Suchergebnisse interpretiert und die endgültige Antwort verfasst. |
Weitere Informationen