Aplicar capacidades de orquestación generativa

La orquestación generativa es la evolución del desarrollo de agentes conversacionales en Copilot Studio. Introduce una capa de planificación impulsada por un gran modelo de lenguaje (LLM) que interpreta la intención del usuario, descompone solicitudes complejas, selecciona las herramientas y el conocimiento adecuados, y ejecuta planes de varios pasos con medidas para garantizar la seguridad y el cumplimiento. En lugar de depender únicamente de temas de conversación hechos a mano, la orquestación generativa compone bloques de creación reutilizables, acciones, temas, fuentes de conocimientos, agentes secundarios y desencadenantes autónomos, en flujos de trabajo inteligentes.

En Copilot Studio, habilitar la orquestación generativa ofrece mejores respuestas con menos scripting manual. En este artículo, descubrirá la arquitectura que subyace a la orquestación generativa, así como la forma de redactar instrucciones eficaces y de probar y ajustar sus agentes orquestados.

¿Por qué es importante la orquestación generativa?

Los diseños tradicionales basados en temas requieren múltiples temas elaborados manualmente, ramificaciones rígidas y lógica de relleno de campos manual. Este enfoque puede conducir a:

  • Amplios inventarios de temas con lógicas que se solapan.
  • Dificultad para manejar enunciados ambiguos o con múltiples intenciones.
  • Experiencias inconsistentes cuando los usuarios formulan las preguntas de forma diferente.
  • Alto coste de mantenimiento cuando cambian las API o las reglas de negocio.

La orquestación generativa resuelve estos desafíos mediante:

  • Reducción de la proliferación de temas mediante la composición de componentes reutilizables.
  • Automatización del completado de campos basado en definiciones de entrada.
  • Adaptación dinámica del estilo de respuesta y la estructura del plan.
  • Mejora de la relevancia mediante la recuperación semántica de conocimiento.
  • Habilitación de sugerencias proactivas de siguiente paso.

Arquitectura y componentes

En términos generales, un agente orquestador generativo consta de varios componentes clave que trabajan juntos:

  • Orquestador (planificador): es el cerebro del agente, basado en un LLM, que convierte una entrada, como un mensaje o evento de usuario, en un plan estructurado. El orquestador identifica las intenciones, elige qué herramientas, temas o agentes invocar en cada paso y define la secuencia y el flujo de datos entre los pasos. Genera una lista ordenada de pasos (un "plan") que el entorno de ejecución ejecuta, y asegura que cada paso cumpla con las directivas. Por ejemplo, busca la aprobación para acciones confidenciales.

  • Capa de conocimiento: un conjunto de fuentes de información, como bases de conocimiento internas, documentos, bases de datos y más, que el agente puede consultar para fundamentar sus respuestas. El orquestador utiliza esta capa para obtener información u orientación basada en hechos. Los resultados suelen incluir citas y metadatos, que el agente puede incorporar en las respuestas para mayor transparencia. La capa de conocimiento es de solo lectura y proporciona evidencia o contexto.

  • Herramientas y conectores: Acciones externas, API o flujos de automatización que el agente puede llamar como parte de un plan. Cada herramienta tiene una interfaz definida: parámetros de entrada (con los tipos esperados), variables de salida y, posiblemente, condiciones de error. Se trata, en esencia, de las "capacidades" del agente para realizar operaciones, como consultar un pedido, enviar un correo electrónico o ejecutar un script. Debe probar exhaustivamente las herramientas y asegurarse de que se comporten de forma determinista con los mismos valores de entrada, ya que el orquestador las considera funciones fiables.

  • Temas y agentes insertados: temas de conversación reutilizables o minidiálogos que encapsulan una lógica específica. En la orquestación generativa, el planificador puede invocar temas no solo mediante frases desencadenadoras, sino también cuando su propósito descrito coincide con la necesidad del usuario. Los agentes insertados se refieren a temas o rutinas pequeñas y enfocadas que se utilizan como pasos secundarios en un plan mayor. Se ejecutan dentro del contexto del agente principal y gestionan tareas discretas, de modo que el orquestador principal no tenga que programar explícitamente esos detalles.

  • Desencadenadores de eventos (autonomía): mecanismos que inician el orquestador sin un mensaje de usuario. Estos mecanismos pueden ser desencadenadores programados o desencadenadores basados en eventos, como la actualización de un registro de base de datos, que hacen que el agente lance un plan autónomamente. Cada desencadenador puede tener sus propias condiciones e instrucciones. Los desencadenadores autónomos permiten al agente actuar de forma proactiva, iniciando flujos de trabajo cuando se cumplen determinadas condiciones, en lugar de limitarse a reaccionar ante las entradas del usuario en el chat.

Capas de control y límites de decisión

En un agente de grado de producción, no deje todas las decisiones a la IA. Normalmente, existen tres capas de control:

  • Capa determinista: Esta capa utiliza lógica tradicional basada en reglas que aún se impone para acciones críticas para la misión o irreversibles. Por ejemplo, al procesar un pago o eliminar un registro, puede usar un tema o flujo estrictamente autorizado que se ejecute paso a paso sin ninguna interpretación de la IA. Esta capa también puede incluir comprobaciones o validaciones explícitas para datos confidenciales. Si algo debe ocurrir exactamente como se especifica, manéjelo de manera determinista. Puede configurar el orquestador generativo para que no anule ni cambie estos flujos. En la práctica, podría evitar exponer tales acciones al planificador de IA o siempre envolverlas en un tema que requiera confirmación del usuario.

  • Capa híbrida (interceptación): Esta capa agrega cierta flexibilidad de IA sobre estructuras mayormente deterministas. Permite que el orquestador opere dentro de límites establecidos con posibilidad de intercepción humana o basada en reglas. Por ejemplo, un agente podría redactar automáticamente una respuesta o realizar una acción, pero puede insertar un paso de aprobación para que un supervisor la revise. O el agente podría gestionar una tarea hasta cierto límite de valor y luego tener que escalar. La capa híbrida predefine los puntos donde el plan autónomo de la IA se controla. Utilice este enfoque para procesos de riesgo medio: deje que la IA haga el trabajo pesado, pero mantenga a un humano involucrado para supervisar.

  • Capa de orquestación de IA: Esta capa es totalmente generativa. El planificador LLM tiene libertad (dentro de límites establecidos) para elaborar y ejecutar planes para consultas de bajo riesgo. La mayoría de las interacciones P+F, búsquedas de información o solicitudes sencillas de múltiples pasos entran en esta categoría. Para la mayoría de las preguntas de los usuarios, el agente puede decidir de forma autónoma cómo resolverlas y actuar. Esta capa ofrece la adaptabilidad y la potencia de la IA generativa. Está sujeto a directivas. Por ejemplo, la IA podría saber que no está permitido llamar a ciertas herramientas de administración ni revelar cierta información. El agente no necesita detenerse para pedir permiso para tareas rutinarias.

Defina explícitamente los límites de decisión. Revise qué acciones y temas:

  • Pueden ejecutarse sin confirmación (la IA puede ejecutarlos directamente)
  • Requieren la confirmación del usuario dentro de la conversación (por ejemplo, "¿Está seguro de que desea eliminar todos los registros?")
  • Requieren aprobación externa (p. ej., un administrador debe confirmar a través de un flujo de trabajo de aprobación)

Aplique estos límites mediante el diseño de sus temas, por ejemplo, agregando un nodo de confirmación, a través de las funciones de aprobación de la plataforma o mediante la lógica de los desencadenadores. Al aplicar un control por niveles, se garantiza que el agente funcione de forma segura: la IA se encarga de aquello en lo que destaca, mientras que los seres humanos o unas normas estrictas se ocupan de lo que la IA no debe decidir por sí sola.

Procedimientos recomendados para las instrucciones para el agente

Unas instrucciones para el agente redactadas correctamente influyen en la calidad de la generación del plan.

  • Relevancia contextual

    • Asegúrese de que las instrucciones hagan referencia únicamente a las herramientas y conocimientos disponibles para el agente.
    • Use los nombres exactos de las herramientas, los nombres de las variables y los identificadores de Power Fx.

  • Directrices conversacionales

    • Especifique el formato de respuesta (listas, tablas, negrita).
    • Proporcione pautas de estilo ("Ser conciso.", "Incluir citas.", "Proponer próximos pasos.").
    • Evite nombrar directamente fuentes de conocimientos específicas. Descríbalos en su lugar.

  • Determinar cuándo usar herramientas o conocimientos

    • Es preferible utilizar nombres de herramientas. Los nombres tienen más peso que las descripciones.
    • Describa las capacidades de conocimiento de forma genérica para evitar información incorrecta.

  • Instrucciones de ejecución autónoma

    • Defina la secuencia de acciones esperada para los flujos de trabajo de varios pasos.
    • Combine las instrucciones del proceso con indicaciones específicas.

Obtenga más información en Configurar instrucciones de alta calidad para la orquestación generativa.

Diseño de entradas y salidas de temas

Al redactar temas, preste especial atención a sus parámetros de entrada y salida en modo de orquestación generativa:

  • Defina parámetros de entrada claros con descripciones: si un tema o acción requiere cierta información (como "Nombre de usuario" para un tema de restablecimiento de contraseña), cree un parámetro de entrada para ese tema y asígnele un nombre descriptivo y un ejemplo. El orquestador utiliza estos nombres y descripciones para preguntar automáticamente al usuario si falta el valor. Utilizar una lista de valores aceptados o una fórmula de validación Power Fx para las entradas puede ayudar a garantizar que el bot recopile datos válidos (por ejemplo, restringir un código de país a dos letras).

  • Use las indicaciones automáticas: En modo generativo, el agente genera preguntas por sí mismo en lugar de requerir que agregue nodos de pregunta manualmente para pedir información que falta. Este enfoque supone un cambio importante respecto a los bots clásicos. La clave es que los nombres de sus datos de entrada sean fáciles de entender para las personas (por ejemplo, "fecha de inicio", "dirección de correo electrónico") para que la IA pueda formular una pregunta natural. Si la pregunta generada automáticamente por la IA no está redactada de forma óptima, considere la posibilidad de ajustar la descripción o el nombre de la entrada. Esta característica optimiza considerablemente los diálogos, pero requiere entradas claramente definidas.

  • Especifique las salidas para los temas cuando sea adecuado: Un tema puede producir variables de salida que el orquestador utiliza para compilar la respuesta final. Por ejemplo, un tema "Buscador de tiendas" podría producir NearestStoreLocation. Al proporcionar información en lugar de enviar un mensaje directamente al usuario, permite que el orquestador combine esa información con otros pasos de manera eficiente. Si el contenido de un tema forma parte de una respuesta compuesta, guárdelo como una variable de salida y permita que el orquestador se encargue de la comunicación final. Obtenga más información en Orquestar el comportamiento del agente con IA generativa.

  • Evite datos de "doble gestión" en las solicitudes: Si configura salidas, no alimente también esas salidas al LLM como contexto abierto. Por ejemplo, si una acción devuelve un texto resumen, pase dicho resumen como salida estructurada y deje que el orquestador lo incluya, en lugar de escribir una instrucción del tipo "El resultado de la acción dice {summary}." Este enfoque evita que el modelo genere contenido excesivo o repetitivo. Los resultados deben ser puntos de datos definitivos siempre que sea posible.

Encadenamiento de acciones, temas y conocimientos

Dado que el orquestador puede utilizar varias capacidades en un mismo turno, diseñe teniendo en cuenta la capacidad de composición:

  • Asigne a todo nombres y descripciones intuitivas: El planificador decide, en gran medida, si utilizar una herramienta o un tema en función de hasta qué punto su nombre y su descripción se ajustan a la solicitud del usuario. Utilice frases activas que se alineen con las intenciones del usuario. Por ejemplo, una herramienta llamada "TranslateText" con la descripción "Traduce texto a un idioma especificado" es más probable que sea seleccionada cuando el usuario pregunta sobre traducción, en comparación con una herramienta de nombre genérico como "Flow1". Los nombres importan más que nada. Evite nombres crípticos. Si el agente elige el tema equivocado, revise esos nombres y descripciones.

  • Proporcione un "conjunto de herramientas" enriquecido, pero selecciónelo cuidadosamente: conecte todas las acciones útiles que su escenario pueda necesitar (API, flujos, etc.) y defina temas para flujos importantes. Este enfoque ofrece a la IA más opciones para resolver consultas. No obstante, elimine o desactive las herramientas y los temas que considere irrelevantes o que supongan un riesgo para el agente, a fin de que no confundan al planificador. Un conjunto más pequeño de opciones de alta calidad es mejor que un conjunto exhaustivo con solapamientos. Las descripciones superpuestas pueden hacer que el agente pruebe varias cosas a la vez, lo cual puede no ser lo ideal.

  • Confíe en el planificador, dentro de límites razonables: Una vez que los componentes estén bien definidos, permita que el orquestador mezcle y seleccione. Por ejemplo, si el usuario formula una consulta que podría resolverse mediante un artículo de la base de conocimientos o una API de datos en tiempo real, el planificador podría optar por utilizar ambos: recuperar la información de la base de conocimientos como contexto y consultar la API para obtener datos actualizados. Este enfoque puede dar una respuesta superior. Adopte esta autonomía, pero supervise al principio para asegurar que se tomen decisiones acertadas.

  • Gestione múltiples intenciones: Si una consulta del usuario solicita dos cosas distintas (como "abre una nueva cuenta y envíame los detalles"), el planificador generativo intenta cumplir ambas invocando las secuencias relevantes por separado. No necesita escribir manualmente la ramificación para múltiples intenciones. Su trabajo como desarrollador es asegurarse de que cada subtarea (apertura de cuenta, envío de detalles) esté cubierta por alguna herramienta o tema, y que sus salidas y entradas se conecten si es necesario.

  • Deje que el conocimiento complemente temas y herramientas: el orquestador puede llamar a la búsqueda de artículos de conocimientos de forma proactiva, no solo como respaldo. Si tiene una base de conocimiento amplia configurada, el agente podría responder parte de una consulta con un fragmento de un artículo de la base de conocimiento, incluso si una acción cubre otra parte. Este comportamiento se debe al diseño. Mantenga su base de conocimientos actualizada con información que no esté fácilmente disponible a través de herramientas.

  • Tenga en cuenta el alcance en el uso del conocimiento: Actualmente, no puede obligar al agente a utilizar un artículo de conocimiento específico bajo demanda. La IA elige los artículos relevantes en función de la consulta. Tenga en cuenta también las limitaciones. Por ejemplo, temas del sistema como "Coincidencia de múltiples temas" no se usan en modo generativo, ya que el planificador gestiona la desambiguación de forma diferente. Obtenga más información sobre otras limitaciones conocidas de la orquestación generativa.

Pruebas y optimización del agente orquestado

La orquestación generativa traslada parte de la lógica del diseño explícito al "cerebro" de la IA. Las pruebas iterativas aseguran que se comporte como se espera. Aquí tiene los procedimientos recomendados para probar y mejorar su agente orquestado:

  • Utilice el mapa de actividades: Copilot Studio proporciona un mapa de actividades durante las pruebas, mostrando los pasos que el orquestador eligió. Después de hacerle una consulta compleja a su agente, revise el plan: ¿Qué temas o acciones se invocaron? ¿En qué orden? ¿Hizo una pregunta de seguimiento adecuada? Si el agente eligió el tema equivocado o no utilizó una herramienta, puede que tenga que refinar las descripciones de los componentes o ajustar las instrucciones.

  • Revise las transcripciones: Una vez que se publique el agente, revise regularmente las transcripciones o registros de la conversación. Busque alucinaciones o inexactitudes en las respuestas. Si los usuarios proporcionan comentarios como "eso no es correcto", retroceda para averiguar por qué el agente pensó que lo era. Aborde los problemas agregando los datos que faltan a la base de conocimientos, precisando las instrucciones o, en algunos casos, agregando un nuevo tema para subsanar esa laguna. Para más información, consulte Extraer y analizar las transcripciones de conversaciones de agentes (arquitectura de referencia).

  • Itere con pequeños cambios: A menudo puede mejorar un agente generativo introduciendo cambios sutiles. Por ejemplo, si las respuestas del agente son demasiado extensas o no tienen el formato deseado, modifique las instrucciones sobre estilo y formato y vuelva a probar. Si está invocando una herramienta innecesaria cada vez, quizá la descripción de la herramienta sea demasiado general y puedas refinarla para que solo se invoque cuando sea apropiado. Haga un cambio por vez y observe cómo afecta a las decisiones del agente.

  • Proporcione ejemplos de enunciados (con cuidado): Puede que descubra que agregar un par de ejemplos de consultas de usuario en la descripción de un tema puede ayudar al LLM a entender cuándo usar ese tema. Por ejemplo: "Propósito: Restablecer la contraseña de un usuario. Por ejemplo, un usuario podría decir "Olvidé mi contraseña" o "restablecer el acceso a mi cuenta de Contoso". Estos ejemplos le proporcionan pistas adicionales al modelo. Evite excesos y mantenga las descripciones breves y claras. El modelo ya cuenta con una gran cantidad de contexto; solo tiene que asegurarse de que sus metadatos sean claros.

  • Supervisar las métricas de rendimiento: A medida que aumenta el uso, preste atención a indicadores clave como la tasa de éxito (¿resolvió realmente el agente la solicitud del usuario?), la tasa de rechazo (con qué frecuencia respondió "Lo siento, no puedo ayudarle con eso") y la satisfacción del usuario, si está disponible. Incluso durante la fase de pruebas, un simple recuento de la frecuencia con la que se utiliza cada tema y cada herramienta puede dar pistas sobre los ajustes necesarios. Por ejemplo, si un tema trivial de conversación se utiliza demasiado y causa ruido, desactívelo o limite su descripción. Revise la guía sobre cómo evaluar el rendimiento de sus agentes.

Los sistemas generativos aprenden implícitamente de sus configuraciones y correcciones. Cada mejora en las instrucciones o en los metadatos hace que la siguiente decisión de la IA sea mejor. Con el tiempo, su agente orquestado se vuelve más preciso y eficiente al gestionar consultas.

Desencadenadores personalizados en orquestación generativa

Los desencadenadores de temas están disponibles de manera específica para la orquestación generativa. Al utilizar estos desencadenadores, puede intervenir en el ciclo de vida del agente e insertar lógica personalizada en puntos críticos del proceso de orquestación. Hay tres desencadenadores principales disponibles:

Desencadenador Cuándo se activa Finalidad
Cuando se solicita el conocimiento Justo antes de que el agente realice una consulta en la base de conocimientos Este desencadenador le permite interceptar el momento en que el orquestador está a punto de buscar en los orígenes de conocimientos. Proporciona acceso de solo lectura a las SearchPhrase o a las palabras clave que el agente pretende usar, y una variable del sistema para suministrar resultados personalizados de búsqueda. Por ejemplo, podría detectar la consulta y enrutarla a un índice propietario o inyectar más datos en los resultados.
Este es un desencadenador avanzado ("secreto"), no es visible en la interfaz de usuario predeterminada y actualmente debe habilitarse mediante una edición en YAML (nombrando un tema exactamente como OnKnowledgeRequested). Úselo si necesita ampliar o personalizar el paso de recuperación de conocimiento, como filtrar ciertos resultados o fusionar datos externos en la respuesta de conocimiento.
Se ha generado una respuesta de IA Después de que la IA genere un borrador de respuesta, pero antes de que se envíe al usuario El agente activa este desencadenador una vez que genera el texto final de la respuesta (basándose en los resultados de todas las herramientas y temas) y justo antes de entregarlo. Este paso le brinda la oportunidad de modificar programáticamente la respuesta o sus citas. Por ejemplo, podría procesar el texto posteriormente para corregir cualquier error de formato o sustituir las URL sin formato por enlaces de seguimiento más fáciles de usar. Incluso puede decidir sobrescribir la respuesta. El desencadenador puede generar un mensaje personalizado, y puede usar un indicador ContinueResponse para indicar si la respuesta original de la IA debe enviarse o no.
Utilice este desencadenador para realizar ajustes o mejoras de última hora en la respuesta de la IA, como agregar una indicación de encuesta o eliminar algo que la IA incluyó pero que desea quitar. El uso intensivo de este desencadenador podría indicar cierta lógica que podría haber estado en las instrucciones principales. Úselo para un control minucioso cuando sea necesario.
Cuando se completa un plan Una vez que todo el plan se haya ejecutado y se haya enviado la respuesta Una vez finalizado el plan, es decir, cuando todos los pasos se han completado y el usuario ve la respuesta, se activa este desencadenador. Normalmente, úselo para iniciar cualquier proceso de cierre de conversación. Un uso común es redirigir la conversación hacia un tema de cierre específico o hacia una encuesta. Por ejemplo, podría tener un tema de fin de chat que agradezca al usuario o proporcione los siguientes pasos. Al usar Cuando se completa un plan, puedes llamar automáticamente a ese tema específico.
Sin embargo, tenga cuidado: probablemente no quiera finalizar la conversación tras cada pregunta del usuario, especialmente si el usuario podría hacer preguntas de seguimiento. Agregue lógica para finalizar solo si se establece una determinada variable de contexto o si el plan resolvió un tipo particular de solicitud. En esencia, utilice Cuando se completa un plan para las acciones de limpieza o para un cierre ordenado cuando sea pertinente.

Más capacidades de orquestación generativa

Profundice su comprensión del modelo de orquestación de Copilot Studio con capacidades avanzadas que extienden la forma en que los agentes planifican, actúan y colaboran:

  • Last updated on