Catatan
Akses ke halaman ini memerlukan otorisasi. Anda dapat mencoba masuk atau mengubah direktori.
Akses ke halaman ini memerlukan otorisasi. Anda dapat mencoba mengubah direktori.
Berlaku pada: Azure Logic Apps (Standar)
Penting
Kemampuan ini masih dalam pratinjau dan mengacu pada Ketentuan Penggunaan Tambahan untuk Pratinjau Microsoft Azure.
Azure Logic Apps mendukung alur kerja yang menyelesaikan tugas dengan menggunakan agen dengan model bahasa besar (LLM) di Azure OpenAI Service. Agen menggunakan proses berulang berulang untuk menyelesaikan masalah multi-langkah yang kompleks. Model bahasa besar adalah program yang dilatih untuk mengenali pola dan melakukan pekerjaan tanpa interaksi manusia, misalnya:
- Menganalisis, menginterpretasikan, dan menalar tentang informasi seperti instruksi, petunjuk, input, dan data lainnya.
- Buat keputusan, berdasarkan hasil dan data yang tersedia.
- Merumuskan dan mengembalikan jawaban kembali ke prompter, berdasarkan instruksi agen.
Anda dapat membangun alur kerja yang menggunakan agen otonom atau percakapan. Agen menggunakan bahasa alami untuk berkomunikasi dengan Anda dan model yang terhubung. Agen ini juga menggunakan output yang dihasilkan model untuk melakukan pekerjaan - dengan atau tanpa interaksi manusia. Model ini membantu agen menyediakan kemampuan berikut:
- Terima informasi tentang apa yang dilakukan agen, cara beroperasi, dan cara merespons.
- Menerima dan menanggapi permintaan (perintah) secara otonom atau melalui obrolan.
- Proses input, analisis data, dan buat pilihan, berdasarkan informasi yang tersedia.
- Pilih alat untuk menyelesaikan tugas yang diperlukan untuk memenuhi permintaan. Pada dasarnya, alat adalah urutan dengan satu atau beberapa tindakan yang menyelesaikan tugas. Alat hanya dapat menggunakan tindakan, bukan pemicu.
- Beradaptasi dengan lingkungan yang membutuhkan fleksibilitas dan bersifat fleksibel, dinamis, tidak dapat diprediksi, atau tidak stabil.
Dengan 1.400+ konektor yang dapat Anda gunakan untuk membangun alat di agen, alur kerja agen mendukung berbagai skenario yang dapat sangat mendapat manfaat dari kemampuan agen dan model. Berdasarkan kasus penggunaan Anda, agen dapat melakukan pekerjaan dengan atau tanpa interaksi manusia.
Diagram berikut menunjukkan contoh alur kerja agen yang Anda buat dalam panduan cara Membuat alur kerja agen AI dengan Azure Logic Apps. Alur kerja menggunakan agen untuk mendapatkan prakiraan cuaca dan mengirim prakiraan tersebut dalam email. Diagram memperlihatkan panel informasi agen tempat Anda menyiapkan agen dan memberikan instruksi tentang apa yang dilakukan agen:
Langkah-langkah tingkat tinggi ini menjelaskan cara kerja agen:
Agen menerima instruksi, perintah, dan input yang disediakan, seperti lokasi atau alamat email.
Untuk memahami permintaan (permintaan) dan tugas yang diperlukan untuk diselesaikan untuk perintah tersebut, agen menggunakan model yang disebarkan di Azure OpenAI Service untuk memproses, menganalisis, dan menginterpretasikan informasi yang disediakan.
Berdasarkan instruksi agen, model membantu merencanakan alat mana yang dipanggil agen untuk tugas yang diperlukan.
Agen mengembalikan hasil alat dan merespons pemicu.
Panduan konseptual ini menjelaskan konsep utama, perbedaan antara alur kerja agen dan non-agen, struktur agen, contoh skenario lainnya, dan informasi penagihan dasar.
Untuk informasi selengkapnya, lihat dokumentasi berikut:
Konsep utama
Tabel berikut ini menyediakan pengenalan dasar untuk konsep utama:
| Konsep | Deskripsi |
|---|---|
| Agen | Tindakan bawaan yang menggunakan proses berulang terstruktur untuk menyelesaikan masalah multi-langkah yang kompleks. Agen ini dapat berinteraksi dengan manusia dengan menggunakan antarmuka obrolan dan bekerja dengan layanan, sistem, aplikasi, dan data dengan memanggil alat yang Anda buat dengan tindakan bawaan di Azure Logic Apps. Agen dapat memproses informasi, membuat pilihan, dan menyelesaikan tugas dengan menggunakan model yang disebarkan di Azure OpenAI Service. Catatan: Alur kerja agen dapat menyertakan beberapa agen secara berurutan. Anda tidak dapat menambahkan agen secara langsung sebagai alat di agen lain. Namun, agen dapat menggunakan agen lain dengan memenuhi persyaratan berikut: - Agen sekunder ada di alur kerja agen lain dalam aplikasi logika Standar yang sama. - Alur kerja agen sekunder harus dimulai dengan pemicu yang membuat titik akhir yang dapat dipanggil, seperti pemicu Permintaan. - Agen "induk" harus memiliki alat yang menjalankan tindakan bernama Alur kerja panggilan di aplikasi logika ini. Anda dapat menggunakan tindakan ini untuk menjalankan alur kerja agen sekunder. Untuk informasi selengkapnya, lihat Apa itu agen AI? |
| Model bahasa besar (LLM) | Program yang dilatih untuk mengenali pola dan melakukan pekerjaan tanpa campur tangan manusia. Untuk informasi selengkapnya, lihat model Azure OpenAI Service. |
| Perulangan agenik | Nama lain untuk agen yang menggunakan proses iteratif terstruktur untuk menyelesaikan masalah multi-langkah yang kompleks. Agen mencapai tujuan ini dengan secara berulang mengikuti langkah-langkah berikut: 1. Pikirkan: Kumpulkan, proses, dan analisis informasi dan input yang tersedia, seperti teks, gambar, audio, data sensor, dan sebagainya, dari sumber data tertentu. Terapkan model alasan, logika, atau pembelajaran untuk memahami permintaan, membuat rencana atau solusi, dan memilih tindakan terbaik untuk menjawab atau memenuhi permintaan dengan bantuan dari model AI generatif. 2. Bertindak: Berdasarkan pilihan yang dibuat dan tersedia alat, selesaikan tugas di dunia digital atau nyata. 3. Pelajari (Opsional): Sesuaikan perilakunya sendiri dari waktu ke waktu dengan menggunakan umpan balik atau informasi lainnya. |
| Alat | Alat berisi satu atau beberapa tindakan yang melakukan tugas untuk agen. Misalnya, alat dapat mengirim email, bekerja dengan sumber data, melakukan penghitungan atau konversi, berinteraksi dengan API, dan sebagainya. Untuk informasi selengkapnya, lihat dokumentasi berikut ini: - Batasan dan masalah yang diketahui - Membuat alat untuk mendapatkan prakiraan cuaca |
| Parameter dari agen | Parameter yang Anda buat pada alat atau dalam parameter aksi, berdasarkan kasus penggunaan untuk parameter agen. Anda membuat parameter agen sehingga agen dapat meneruskan output khusus model sebagai input parameter untuk tindakan dalam alat. Anda tidak memerlukan parameter agen untuk nilai dari sumber non-model. Untuk informasi selengkapnya, lihat Membuat parameter agen. Parameter agen berbeda dari parameter tradisional dengan cara berikut: - Parameter agen hanya berlaku untuk alat tempat Anda menentukannya. Pembatasan ini berarti Anda tidak dapat berbagi parameter agen dengan alat lain. Sebagai perbandingan, Anda dapat berbagi parameter tradisional secara global dengan operasi dan struktur alur kontrol dalam alur kerja. - Parameter agen tidak memiliki nilai yang telah ditentukan ketika alur kerja mulai berjalan. Parameter agen menerima nilai hanya jika agen memanggil alat dengan menggunakan argumen tertentu. Argumen ini menjadi parameter agen untuk memanggil alat. - Agen dapat memanggil alat yang sama beberapa kali dengan nilai parameter agen yang berbeda, bahkan ketika alat itu ada dalam iterasi perulangan yang sama. Misalnya, alat dapat memeriksa cuaca di Seattle dan London. |
| Saluran | Saluran input dan output di antarmuka obrolan agen. Agen memiliki tab Saluran yang mengontrol apakah Anda dapat bertukar pesan dengan agen di antarmuka obrolan. Untuk informasi selengkapnya, lihat dokumentasi berikut ini: - Batasan untuk antarmuka obrolan agen - tab Saluran - Menyiapkan interaksi obrolan untuk agen |
| Konteks | Agen mempertahankan riwayat obrolan dengan menyimpan jumlah maksimum token atau pesan sebagai konteks dan meneruskan konteks tersebut ke dalam model untuk interaksi obrolan berikutnya. Setiap model memiliki batas panjang konteks yang berbeda. Untuk informasi selengkapnya, lihat Batasan untuk panjang konteks riwayat obrolan (batas token). |
Perbedaan antara alur kerja agen dan non-agen
Alur kerja yang menggunakan agen dapat berkembang melampaui batas yang diberlakukan pada alur kerja non-agen. Alur kerja agen dapat beradaptasi dengan lingkungan tempat peristiwa tak terduga terjadi, memilih alat mana yang akan digunakan berdasarkan perintah, input, dan data yang tersedia, terus meningkatkan performanya, menangani data yang tidak terstruktur, mendukung skenario kompleks, dan memberikan tingkat kemampuan beradaptasi dan fleksibilitas yang lebih tinggi. Alur kerja non-agen berfungsi paling baik di lingkungan yang stabil, mengikuti aturan yang telah ditentukan sebelumnya, dan melakukan tugas yang statis, dapat diprediksi, dan berulang.
Tabel berikut ini menyediakan lebih banyak perbandingan antara alur kerja agen dan alur kerja non-agen:
| Aspek | Agen | Non-agen |
|---|---|---|
| Logika | Buat pilihan berdasarkan informasi tentang tugas yang akan dilakukan, berdasarkan input dan informasi lain yang tersedia, dan ambil tindakan. | Ikuti aturan yang telah ditentukan sebelumnya dan urutan tetap. |
| Manajemen tugas | Perlakukan tugas sebagai entitas terpisah | Tidak berlaku |
| Struktur data | Menangani dan memproses data yang tidak terstruktur. | Menangani dan memproses data terstruktur dengan pola yang dapat diprediksi. |
| Adaptabilitas | Mendeteksi dan menanggapi perubahan kondisi dan lingkungan, membuat keputusan, dan beradaptasi dengan input baru secara real time. | Mungkin bergumul dengan lingkungan yang mengalami perubahan tak terduga atau dinamis. |
Menjelajahi struktur alur kerja agen
Untuk membangun alur kerja agen di Azure Logic Apps penyewa tunggal untuk solusi otomatisasi dan integrasi Anda, buat alur kerja Standar dan pilih jenis Agen . Jenis alur kerja ini mencakup semua kemampuan yang ada dalam alur kerja stateful Standar beserta kemampuan agen, dan dirancang khusus untuk bekerja dengan agen. Alur kerja secara otomatis menyertakan agen default kosong.
Di perancang alur kerja, agen memiliki panel informasi tempat Anda membuat koneksi antara alur kerja Anda dan model yang disebarkan di sumber daya Azure OpenAI. Dalam antarmuka yang sama, agen juga mengharuskan Anda memberikan instruksi yang menjelaskan peran yang dapat dimainkan agen, tugas yang dapat dilakukan agen, dan informasi preskriptif spesifik lainnya yang membantu agen merespons permintaan, menjawab pertanyaan, dan melakukan tugas yang diminta:
Agen kosong yang terhubung ke model dapat merespons permintaan yang hanya menggunakan kemampuan model, sehingga agen tidak perlu menyertakan alat. Namun, agar agen dapat menggunakan tindakan yang tersedia di Azure Logic Apps, agen memerlukan Anda untuk membuat alat. Anda dapat mulai membuat alat dengan terlebih dahulu menambahkan tindakan dari galeri konektor.
Diagram berikut menunjukkan galeri tempat Anda dapat menelusuri dan memilih tindakan untuk membuat alat:
Diagram berikut menunjukkan agen cuaca yang bisa mendapatkan prakiraan cuaca dan mengirim prakiraan tersebut dalam email:
Contoh skenario lainnya
Bagian berikut ini menjelaskan beberapa cara lagi agar agen dapat menyelesaikan tugas dalam alur kerja:
Agen pinjaman hipotret
Bayangkan bank Anda menggunakan agen kredit pemilikan rumah yang memproses pinjaman secara otonom atau dengan intervensi manusia jika diperlukan dengan melaksanakan tugas-tugas berikut dalam satu rangkaian tindakan yang terencana:
- Berbicara dengan pelanggan guna menjawab pertanyaan.
- Tinjau aplikasi pinjaman.
- Kumpulkan informasi keuangan untuk menilai kelayakan pinjaman.
- Mengambil dan menganalisis data risiko.
- Minta dan ringkas penilaian real estat saat dikirimkan.
- Sertakan pengulas manusia untuk kasus tepi.
- Menyetujui atau menolak aplikasi.
- Mengkomunikasikan keputusan kepada pihak terkait.
Agen pemenuhan pesanan
Misalkan bisnis Anda menggunakan agen pemenuhan pesanan untuk melakukan tugas-tugas berikut:
- Libatkan dengan pelanggan untuk menjawab pertanyaan produk, berdasarkan pengetahuan perusahaan.
- Buat pesanan tetapi serahkan kepada manusia saat diperlukan.
- Berikan dukungan 24/7 dengan eskalasi cerdas.
Anda juga dapat memiliki agen yang mengatur pekerjaan di seluruh agen lain. Misalnya, Anda mungkin memiliki tim agen, seperti penulis, peninjau, dan penerbit, yang bekerja sama untuk membuat dan mendistribusikan laporan penjualan.
Agen untuk mengelola pesanan kerja fasilitas
Untuk mendukung tim fasilitas internal, agen perintah kerja melakukan tugas-tugas berikut:
- Berkonversi dengan karyawan dan menyediakan opsi untuk permintaan layanan.
- Buka perintah kerja berdasarkan pilihan karyawan.
- Kirim perintah kerja ke tim layanan yang sesuai.
- Perbarui pesanan kerja dengan perkembangan dan status pekerjaan.
- Tutup perintah kerja saat pekerjaan selesai.
- Beri tahu pihak-pihak yang sesuai tentang pekerjaan yang telah selesai.
Penagihan
Meskipun alur kerja agen tidak dikenakan biaya tambahan di Azure Logic Apps, penggunaan model di Azure OpenAI Service dikenakan biaya. Untuk informasi selengkapnya, lihat harga Azure OpenAI Service di .
Langkah selanjutnya
Dalam gambaran umum ini, Anda mempelajari tentang manfaat yang diberikan alur kerja agen dan perbedaannya dengan alur kerja non-agen. Untuk mulai membuat alur kerja agen, lihat panduan cara berikut ini: