יישם יכולות של תזמור גנרטיבי

תיאום גנרטיבי הוא ההתפתחות של פיתוח סוכני שיחה ב-Copilot Studio. היא מציגה שכבת תכנון מונחית של מודל שפה גדול (LLM) המפרשת את כוונת המשתמש, מפרת בקשות מורכבות, בוחרת את הכלים והידע המתאימים ומבצעת תוכניות מרובות שלבים עם מעקות בטיחות ותאימות. במקום להשתמש אך ורק בנושאים הקשורים לשיחה בכתב יד, תזמור גנטי מחבר אבני בניין הניתנות לשימוש חוזר - פעולות, נושאים, מקורות ידע, נציגי צאצא ומפעילים אוטונומים – בזרימות עבודה חכמות.

ב-Copilot Studio, הפעלת תזמור יוצר מספקת תשובות טובות יותר עם פחות תסרוט ידני. במאמר זה, תלמדו על הארכיטקטורה שמאחורי תזמור גנרטיבי, וכיצד לערוך הוראות יעילות ולבדוק ולכוונן את הסוכנים המתוזמרים שלכם.

למה תזמור גנרטיבי חשוב?

עיצובים מונחי-נושא מסורתיים דורשים נושאים מרובים בעבודת יד, יצירת התפצלות קפדנית ולוגיקת מילוי משבצות ידנית. גישה זו עשויה להוביל ל:

• רשימות מלאי נושא גדולות עם לוגיקה חופפת.
• קושי בטיפול במשמעיות רב-משמעיות או מרובות כוונות.
• חוויות לא עקביות כאשר משתמשים שואלים את צירוף המילים באופן שונה.
• עלות תחזוקה גבוהה כאשר ממשקי API או כללים עסקיים משתנים.

תזמור Generative פותר את האתגרים הבאים על-ידי:

• צמצום התפשטות הנושאים באמצעות הרכבת אבני בניין הניתנות לשימוש חוזר.
• הפיכת מילוי משבצת לאוטומטי בהתבסס על הגדרות קלט.
• התאמת סגנון התגובה ומבנה התוכנית באופן דינאמי.
• שיפור הרלוונטיות באמצעות אחזור ידע סמנטי.
• הפעלת הצעות של השלבים הבאים באופן יזום.

ארכיטקטורה ורכיבים

ברמה גבוהה, סוכן אורכסטרטור גנרטיבי מורכב מכמה רכיבים עיקריים שעובדים יחד:

• Orchestrator (planner): המוח המונע על-ידי LLM של הסוכן שהופכת קלט, כגון הודעת משתמש או אירוע, לתוכנית מובנית. ה- orchestrator מזהה את היעדים, בוחר אילו כלים, נושאים או סוכנים להפעיל עבור כל שלב, ומגדיר את הרצף ואת זרימת הנתונים בין השלבים. זה מפיק רשימת שלבים מסודרת ("תוכנית") שאותו מבצע זמן הריצה, ומבטיח שכל שלב עומד במדיניות. לדוגמה, היא מחפשת אישור עבור פעולות רגישות.

• שכבת ידע: ערכה של מקורות אחזור, כגון מאגרי ידע פנימיים, מסמכים, מסדי נתונים ועוד, שהסוכן יכול לבצע שאילתות כדי לבסס את תשובותיה. המתכנן משתמש בשכבה זו כדי להביא מידע עובדתי או הדרכה. התוצאות כוללות לעתים קרובות ציטוטים ומטה-נתונים, שהסוכן יכול לשלב בתגובות לשקיפות. שכבת הידע היא לקריאה בלבד ומספקת ראיות או הקשר.

• כלים ומחברים: פעולות חיצוניות, ממשקי API או זרימות אוטומציה שהסוכן יכול לקרוא לה כחלק מתוכנית. לכל כלי יש ממשק מוגדר: פרמטרי קלט (עם הסוגים הצפויים), משתני פלט ואולי גם תנאי שגיאה. הם למעשה "כישורים" של הסוכן לביצוע פעולות, כגון חיפוש הזמנה, שליחת דואר אלקטרוני או הפעלת קובץ Script. עליך לבדוק היטב כלים ולהבטיח שהם יפעלו באופן דטרמיניסטי בהתחשב באותם קלט, מאחר שה- orchestrator מתייחס אליהם כפונקציות מהימנה.

• נושאים וסוכנים מוטבעים: נושאי שיחה הניתנים לשימוש חוזר או דיאלוגים מצומצם שכוללים לוגיקה ספציפית. בתזמור גנרטיבי, המתכנן תוכניות יכול להפעיל נושאים לא רק על-ידי ביטויי טריגר, אלא גם בכל פעם שהמטרה המתוארת שלהם תואמת לצורך של המשתמש. סוכנים אינליין מתייחסים לנושאים קטנים, ממוקדים או פרוצדורות המשמשים כתתי-שלבים בתוך תוכנית גדולה יותר. הן פועלות בתוך ההקשר של הסוכן הראשי ומטפלות במשימות בודדות כך שהמתזמר הראשי לא יצטרך לתזמר בפירוט את הפרטים הללו.

• גורמים מפעילים של אירוע (אוטונומיה): מנגנונים המפעילים את המתזמור ללא הודעת משתמש. ניתן לתזמן מנגנונים אלה כגורמים מפעילים מתוזמנים או מבוססי אירועים, כמו עדכון רשומת מסד נתונים, שגורמים לסוכן להפעיל תוכנית באופן אוטומטי. לכל גורם מפעיל יכולים להיות תנאים והוראות משלו. גורמים מפעילים אוטומטיים מאפשרים לסוכן לפעול באופן יזום על-ידי התחלת זרימות עבודה כאשר מתקיימים תנאים מסוימים, במקום להגיב רק לקלט בצ'אט של המשתמש.

שליטה בשכבות ובגבולות ההחלטה

בסוכן ברמת ייצור, אל תשאיר כל החלטה לבינה מלאכותית. בדרך כלל, קיימות שלוש שכבות של פקד:

• שכבה דטרמיניסטית: שכבה זו משתמשת בלוגיקה מסורתית המבוססת על כללים שאתה עדיין אוכף עבור פעולות קריטיות למשימה או בלתי הפיך. לדוגמה, בעת עיבוד תשלום או מחיקת רשומה, אתם עשויים להשתמש בנושא או בזרימה המחברים באופן בלעדי שמבצע שלב אחר שלב ללא כל פרשנות של בינה מלאכותית. שכבה זו עשויה לכלול גם בדיקות מפורשות או אימותים עבור נתונים רגישים. אם משהו חייב להתרחש בדיוק כפי שצוין, טפל בו בדטרמיניסטיות. תוכל להגדיר את האורקסטרטור הגנרטיבי כך שלא יעקוף או ישנה זרימות אלה. בפועל, ייתכן שלא תחשוף פעולות אלה ללוח תכנון הבינה המלאכותית או שתגלוש אותן תמיד בנושא הדורש אישור משתמש.

• שכבת חיתוך היברידית: שכבה זו מוסיפה גמישות מסוימת בבינה מלאכותית סביב מבנים דטרמיניסטיים בעיקר. אתה מאפשר למארגן לפעול בתוך גבולות קבועים עם אפשרות ליירוט בידי אדם או על בסיס חוקים. לדוגמה, סוכן עשוי ליצור באופן אוטומטי טיוטת תגובה או לבצע פעולה, אך באפשרותך להוסיף שלב אישור כדי שמנהל יבחן אותה. לחלופין, הסוכן עשוי לטפל במשימה עד למגבלת ערכים מסוימים, ולאחר מכן להסלים אותה. השכבה ההיברידית מצביעה על נקודות שבהן התוכנית האוטומטית של הבינה המלאכותית מקבלת נקודת ביקורת. השתמש בגישה זו עבור תהליכים בסיכון בינוני: אפשר לבינה המלאכותית לבצע את הפעולות הקשות, אך לשמור על בן אדם בעניינים לפיקוח.

• שכבת תזמור של בינה מלאכותית: שכבה זו היא יוצרת במלואה. למתכנן LLM יש חופש (בתוך מעקות שמירה) לחיבור ולביצוע תוכניות עבור שאילתות בסיכון נמוך יותר. רוב האינטראקציות של שאלות ותשובות, בדיקות מידע או בקשות פשוטות של שלבים מרובים כלולות בקטגוריה זו. עבור רוב שאלות המשתמשים, הסוכן יכול להחליט באופן אוטומטי כיצד לפתור אותן ולבצע פעולה. שכבה זו מספקת את יכולת ההסתגלות והעוצמה של בינה מלאכותית גנאית. הוא מאוגד לפי מדיניות. לדוגמה, ייתכן שהבינה המלאכותית יודעת שהיא אינה מותרת להתקשר לכלי ניהול מסוימים או לחשוף מידע מסוים. הסוכן אינו צריך לעצור ולדרוש הרשאה עבור משימות שגרתיות.

בהינתן שכבות אלה, הגדר במפורש גבולות החלטה. בדוק אילו פעולות ונושאים:

• ניתן לבצע ללא אישור (הבינה המלאכותית יכולה פשוט לעשות זאת)
• דרוש אישור משתמש בתוך השיחה (לדוגמה, "האם אתה בטוח שברצונך למחוק את כל הרשומות?")
• דרוש אישור לא מקוון (לדוגמה, מנהל מערכת חייב לאשר באמצעות זרימת עבודה של אישור)

אכוף גבולות אלה באמצעות עיצוב הנושא שלך, לדוגמה על-ידי הוספת צומת אישור, באמצעות תכונות האישור של הפלטפורמה או באמצעות לוגיקה במפעילים (triggers). על-ידי שליטה בשכבות, אתם מבטיחים שהסוכן יפעל בבטחה – הבינה המלאכותית מטפלת במה שהיא טובה בו בזמן שבני אדם או כללים מחמירים מטפלים במה שהבינה המלאכותית לא אמורה להחליט לבד.

שיטות עבודה מומלצות עבור הוראות סוכן

הוראות סוכן שנכתבות כראוי משפיעות על איכות יצירת התוכניות.

• רלוונטיות הקשרית

  • ודא שההוראות כוללות רק כלים וידע הזמינים לסוכן.
  • השתמש בשמות הכלים המדויקים, בשמות המשתנים ובזהים של Power Fx.

• קווים מנחים של שיחות

  • ציין תבנית תגובה (רשימות, טבלאות, גופן מודגש).
  • ספק הדרכה מסוגננת ("תמציתית", "כלול ציטוטים", "הצע את השלבים הבאים").
  • הימנע ממתן שמות למקורות ידע ספציפיים ישירות. תאר אותם במקום זאת.

• קביעה מתי להשתמש בכלים או בידע

  • העדף להשתמש בשמות כלים. שמות נושאים משקל רב יותר מאשר תיאורים.
  • תאר יכולות ידע באופן כללי כדי להימנע ממידע שגוי.

• הוראות ביצוע אוטונום

  • הגדר את רצף הפעולות הצפוי עבור זרימות עבודה מרובות שלבים.
  • שלב הוראות תהליך עם הנחיות ספציפיות.

קבל מידע נוסף על קביעת תצורה של הוראות באיכות גבוהה לתזמור גנרטיבי.

תכנון קלטים ופלטים של נושאים

בעת עריכת נושאים, שים לב לפרמטרים של הקלט והפלט שלהם במצב תזמור generative:

• הגדר פרמטרי קלט ברורים עם תיאורים: אם נושא או פעולה מסוימים דורשים מידע מסוים (כגון "שם משתמש" עבור נושא איפוס סיסמה), צור קלט נושא עבורם ותן לו שם תיאורי ודוגמה. המתאם משתמש בשמות ובתיאורים אלה כדי לשאול את המשתמש באופן אוטומטי אם הערך חסר. שימוש ברשימה של ערכים מקובלים או נוסחת אימות של Power Fx עבור קלט יכול להבטיח שהבוט אוסף נתונים חוקיים (לדוגמה, הגבלת קידומת מדינה לשתי אותיות).

• השתמש בהנחיות אוטומטיות: במצב Generative, הסוכן יוצר שאלות בעצמו במקום לדרוש ממך להוסיף באופן ידני צמתי שאלות כדי לבקש מידע חסר. גישה זו היא שינוי משמעותי מבוטים קלאסיים. המפתח הוא על שמות הקלט להיות ידידותיים למשתמש (לדוגמה, "תאריך התחלה", "כתובת דואר אלקטרוני") כדי שהבינה המלאכותית תוכל ליצור שאלה טבעית. אם השאלה שנוצרה באופן אוטומטי של הבינה המלאכותית אינה מיוספרת באופן אידיאלי, שקול למקד את התיאור או השם של הקלט. תכונה זו מייעלת דיאלוגים באופן משמעותי, אך היא מסתמכת על קלטים שצוינו היטב.

• ציין פלטים לנושאים היכן שמתאים: נושא יכול להפיק משתני פלט שבהם המתאם משתמש כדי להרכיב את התשובה הסופית. לדוגמה, נושא "Store Finder" עשוי ליצור פלט NearestStoreLocation. על-ידי פלט מידע במקום שליחת הודעה ישירות למשתמש, אתה מאפשר ל- orchestrator לשלב מידע זה עם שלבים אחרים בצורה מבוקרת. אם תוכן של נושא נמצא בשימוש בתשובה גדולה יותר, לכוד אותו כמשתנה פלט ותן ל- orchestrator לטפל בהעברת ההודעות הסופית. קבל מידע נוסף בניהול התנהגות סוכנים עם בינה מלאכותית גנרטיבית.

• הימנע מ"טיפול כפול" בנתונים בהנחיות: אם אתה מגדיר פלטים, אל תזין גם את הפלטים האלה ל-LLM כהקשר פתוח. לדוגמה, אם פעולה מחזירה טקסט סיכום, העברת סיכום זה כפלט מובנים ותן ל- orchestrator לכלול אותו, במקום לכתוב הוראה כגון "תוצאת הפעולה מציינת {summary}". גישה זו מונעת מהמודל לעשות יותר או לחזור על התוכן. פלטים צריכים להיות נקודות נתונים סופיות בכל פעם שהדבר אפשרי.

פעולות שרשרת, נושאים וידע

מאחר שה- orchestrator יכול להשתמש ביכולות מרובות בשלב אחד, תכנן מראש עם יכולת קומפוזיציה:

• תן לכל דבר שמות ותיאורים אינטואיטיביים: המתכנן מחליט בכמויות גדולות להשתמש בכלי או בנושא בהתבסס על טיב התאמה בין השם והתיאור לבקשת המשתמש. השתמש בצירופי מילים פעילים המיושרים לכוונת המשתמש. לדוגמה, קיימת אפשרות לבחור כלי בשם "TranslateText" עם התיאור "תרגום טקסט לשפה שצוינה" כאשר המשתמש שואל על תרגום, לעומת שם כללי "Flow1". שמות חשובים יותר מכל דבר. הימנע משמות מוצפן. אם הסוכן בוחר את הנושא הלא נכון, בקר שוב בשמות ובתיאורים אלה.

• ספק ערכת כלים עשירה אך תעד אותה: חבר את כל הפעולות השימושיות שייתכן שהתרחיש שלך צריך (ממשקי API, זרימות וכן הלאה) ועורך נושאים עבור זרימות חשובות. גישה זו מספקת לבינה מלאכותית אפשרויות נוספות לפתרון שאילתות. עם זאת, הסר או בטל כלים ונושאים שאתה יודע שהם לא רלוונטיים או מסוכנת עבור הסוכן, כדי שהם לא יתבלבלו עם המתכנן. קבוצה קטנה יותר של אפשרויות איכותיות עדיפה על ערכה מלאה עם חפיפות. תיאורים חופפים עלולים לגרום לנציג לנסות פעולות מרובות בו-זמנית, וייתכן שלא יהיה צורך בכך.

• תן אמון במתכנן, בתוך סיבה: לאחר שהרכיבים מוגדרים היטב, אפשר ל- orchestrator לשלב ולבצע התאמה. לדוגמה, אם המשתמש שואל משהו שניתן לטפל בו באמצעות מאמר ידע או API של נתונים חיים, המתכנן עשוי לבחור להשתמש בשניהם - לאחזר את הידע לרקע ולהתקשר ל- API לקבלת המידע הנוכחי. גישה זו יכולה לספק תשובה מעולה. אמץ אוטונומיה זו, אך צפה מוקדם כדי להבטיח בחירות טובות.

• טפל בכוונת מרובה: אם שאילתת משתמש שואלת באופן מהותי שני דברים נפרדים (כגון "פתח חשבון חדש ושלח לי את הפרטים"), המתכנן הגנטי מנסה למלא את שניהם על-ידי הפעלת הרצפים הרלוונטיים. אתה לא צריך לתסריט באופן ידני את ההסתעפות עבור ריבוי כוונות. תפקידך כמפתח הוא להבטיח שכל תת-פעילות (פתיחת חשבון, שליחת פרטים) מכוסה על-ידי כלי או נושא מסוים, ושפלט הנתונים והקלט שלהם מתחברים במידת הצורך.

• תן לידע להשלים נושאים וכלים: התזמורתן יכול לקרוא לחיפוש ידע באופן יזום, לא רק כחלופה. אם מוגדר לך מאגר ידע עשיר, הסוכן עשוי לענות על חלק מהשאילתה באמצעות מקטע מאמר ידע גם אם פעולה מכסה חלק אחר. אופן פעולה זה מתוכנן. שמור על מאגר הידע שלך מעודכן במידע שאינו זמין בקלות באמצעות כלים.

• שים לב להיקף השימוש בידע: בשלב זה, אין באפשרותך לכפות על הסוכן להשתמש במאמר ידע ספציפי לפי דרישה. הבינה המלאכותית בוחרת מאמרים רלוונטיים המבוססים על השאילתה. כמו כן, שים לב למגבלות. לדוגמה, נושאי מערכת כגון "ריבוי נושאים תואמים" אינם בשימוש במצב generative, מאחר ש- planner מטפל בה באופן שונה. קבל מידע נוסף על מגבלות מוכרות אחרות עבור תזמור generative.

בדיקה וכוונון של הסוכן המתוכם

תזמור Generative משנה לוגיקה מסוימת מהעיצוב המפורש ל"מוח" של הבינה המלאכותית. בדיקה איטרטיבית מבטיחה שהיא תנהג כמתוכנן. להלן שיטות עבודה מומלצות לבדיקה ולשיפור הסוכן המתוכם שלך:

• השתמש במפות הפעילות: Copilot Studio מספק מפה של פעילות במהלך הבדיקה, המציגה את השלבים שבהם החליט המתכנן. לאחר ששאל את הסוכן שלך שאילתה מורכבת, בדוק את התוכנית: אילו נושאים או פעולות הופעלו? באיזה סדר? האם הוא שאל שאלה מתאימה להמשך טיפול? אם הסוכן בחר נושא שגוי או החמצת כלי, ייתכן שיהיה עליך למקד תיאורי רכיבים או להתאים הוראות.

• סקור תעתיקים: לאחר שהסוכן מתפרסם, עיין בתעתיקים או ביומני הרישום של השיחה באופן קבוע. חפש הזיה או אי-דיוקים בתשובות. אם המשתמשים מספקים משוב כגון "זה לא נכון", חזור ובדוק מדוע הסוכן חשב שזה נכון. טיפול בבעיות על-ידי הוספת עובדות חסרות לבסיס הידע, הוראות מהדקות או במקרים מסוימים, הוספת נושא חדש לטיפול בפער. קבל מידע נוסף תחת חילוץ וניתוח של תעתיקים של שיחות סוכן (ארכיטקטורת הפניה).

• לבצע איטרציה עם שינויים קטנים: לעתים קרובות ניתן לשפר סוכן גנארי על-ידי ביצוע שינויים עדינים. לדוגמה, אם פלט הסוכן מילולי מדי או לא בתבנית הרצויה, שנה את ההוראות לגבי הסגנון והתבנית ובדוק שוב. אם הוא מפעיל כלי לא נחוץ בכל פעם, ייתכן שהתיאור של הכלי רחב מדי ובאפשרותך למקד אותו כך שהוא יופעל רק בהתאם לצורך. בצע שינוי אחד בכל פעם ותבחין בהשפעה על החלטות הסוכן.

• ספק עריכות לדוגמה (בקפידה): ייתכן שנוסיף שתי שאילתות משתמש לדוגמה בתיאור של נושא כדי לעזור ל- LLM להבין מתי להשתמש בנושא זה. לדוגמה: "מטרה: איפוס סיסמת משתמש. לדוגמה, המשתמש עשוי לומר 'שכחתי את הסיסמה שלי' או 'אפס את הגישה לחשבון Contoso שלי'." דוגמאות אלה מספקות למודל רמזים נוספים. אל תגזים, ושמור על תיאורים תמציתיים וממוקדים. למודל כבר יש הקשר רב - פשוט ודא שהמטה-נתונים ברורים.

• נטר את מדדי הביצועים: ככל שהשימוש גדל, שים לב למדדים עיקריים כגון שיעור ההצלחה (האם הסוכן פתר בפועל את בקשת המשתמש?), שיעור החזרה (באיזו תדירות הוא אמר "מצטערים, אני לא יכול לעזור עם זה") ושביעות הרצון של המשתמש אם זמין. גם במהלך הבדיקה, ספירות פשוטות של תדירות השימוש בכל נושא וכלי יכולות לרמוז על ההתאמות הדרושות. לדוגמה, אם נושא טריוויאלי של שיחה קטנה מופעל לעתים קרובות מדי ומוסיף רעש, הפוך אותו ללא זמין או צמצם את התיאור שלו. עיין בהדרכה כיצד לבדוק את ביצועי הסוכנים שלך.

מערכות Generative לומדות באופן משתמע מהתצורות והתיקונים שלך. כל שיפור בהוראות או במטה-נתונים משפר את ההחלטה הבאה של הבינה המלאכותית. לאורך זמן, הסוכן המתוכם שלך הופך למדויק ויעיל יותר בטיפול בשאילתות.

גורמים מפעילים מותאמים אישית בתיאום גנרטיבי

גורמים מפעילים של נושאים זמינים במיוחד עבור תיאום גנרטיבי. באמצעות גורמים מפעילים אלה, באפשרותך להתחבר למחזור החיים של הסוכן ולהזריק לוגיקה מותאמת אישית בנקודות קריטיות בתהליך התזמור. שלושה גורמים מפעילים עיקריים זמינים:

טריגר	כאשר הוא מופעל	מטרה
על ידע נדרש	ממש לפני שהסוכן מבצע שאילתת מאגר ידע	גורם מפעיל זה מאפשר לך ליירט את הרגע שבו המתכנן עומד לחפש את מקורות הידע. הוא מספק גישה לקריאה בלבד למילות SearchPhrase המפתח או למילות המפתח שהסוכן מתכוון להשתמש בהן, ומשתנה מערכת כדי לספק תוצאות חיפוש מותאמות אישית. לדוגמה, באפשרותך ללכוד את השאילתה ולנתב אותה לאינדקס קנייני או להוסיף נתונים נוספים לתוצאות. זהו גורם מפעיל מתקדם ("סודי") - הוא אינו גלוי בממשק המשתמש כברירת מחדל, ויש להפוך אותו לזמין כעת באמצעות עריכת YAML (על-ידי מתן שם לנושא באופן מדויק OnKnowledgeRequested). השתמש בו אם עליך להגדיל או להתאים אישית את שלב אחזור הידע, כגון סינון תוצאות מסוימות או מיזוג נתונים חיצוניים לתשובת הידע.
תגובת בינה מלאכותית נוצרה	לאחר שהבינה המלאכותית תחבר תשובה לטיוטה, אך לפני שהיא תישלח למשתמש	הסוכן מפעיל טריגר זה לאחר שהוא בונה את טקסט התגובה הסופי (בהתבסס על כל כלי ופלט הנושא) וכולל לפני שהוא מספק אותו. שלב זה מעניק לך הזדמנות לשנות באופן תיכנותי את התשובה או את הציטוטים שלה. לדוגמה, ייתכן שתעבד לאחר עיבוד הטקסט כדי לתקן עיצוב כלשהו, או להחליף כתובות URL גולמיות בקישורי מעקב ידידותיים. באפשרותך גם להחליט לעקוף את התגובה. הגורם המפעיל יכול ליצור הודעה מותאמת אישית משלו, ContinueResponse ובאפשרותך להשתמש בדגל כדי לציין אם יש לשלוח או לא לשלוח את תגובת הבינה המלאכותית המקורית. השתמש במפעיל זה להתאמות או שיפורים בשנייה האחרונה בתשובת הבינה המלאכותית, כגון צירוף בקשה לסקר, או ביצוע מחדש של משהו שהבינה המלאכותית כללה, אך אתם רוצים להסיר. שימוש רב בגורם מפעיל זה עשוי להצביע על לוגיקה כלשהי שיכולה הייתה להיכלל בהוראות הראשיות. השתמש בו כדי לשלוט באופן דק בעת הצורך.
התוכנית הושלמה	לאחר ביצוע התוכנית כולה והתגובה נשלחת	לאחר סיום תוכנית, כלומר כל השלבים שהסתיים והמשתמש רואה את התשובה, מופעל גורם מפעיל זה. בדרך כלל, השתמש בו כדי להתחיל את כל תהליכי סיום השיחה. שימוש נפוץ הוא לנתב מחדש את השיחה לנושא סיום ספציפי או לסקר. לדוגמה, ייתכן שיש לך נושא סיום צ'אט שמהודות למשתמש או מספק את השלבים הבאים. באמצעות On Plan Complete, באפשרותך לקרוא לנושא זה באופן אוטומטי. עם זאת, היזהר: ייתכן שאינך מעוניין לסיים את השיחה לאחר כל שאלה של משתמש, במיוחד אם משתמש עשוי לשאול שאלות המשך. הוסף לוגיקה כדי להסתיים רק אם מוגדר משתנה הקשר מסוים או אם התוכנית פתרה סוג מסוים של בקשה. למעשה, השתמש באפשרות On Plan Complete לצורך פעולות ניקוי או סגירה מבוקרת בהתאם לצורך.

יכולות תזמור הג'נטיביות יותר

העמיקו את הבנתכם במודל התזמור של Copilot Studio בעזרת יכולות מתקדמות שמרחיבות את האופן שבו סוכנים מתכננים, פועלים ומשתפים פעולה:

• עצב יכולות של סוכן אוטונומטרי: בנה סוכנים שפעלו באופן יזום באמצעות גורמים מפעילים, גבולות החלטה ו מעקות שמירה.
• גלה דפוסי תיאום מרובי סוכנים: למד כיצד סוכנים מרובים מתואמים, מאצילים משימות ומחליפים הקשר כדי לפתור זרימות עבודה מורכבות.
• התחבר למקורות ידע מותאמים אישית: השתמש במפעיל OnKnowledgeRequested כדי לשלב את ממשקי ה-API של החיפוש ומקורות הנתונים שלך בתהליך אחזור הידע של הסוכן.

מידע קשור

• שאלות נפוצות לשימוש בתזמורת הג'יניטיבית
• לתזמר את התנהגות הסוכנים עם בינה מלאכותית יוצרת
• הגדרת הוראות באיכות גבוהה עבור תזמור גנרטיבי