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 untuk: Azure Logic Apps (Consumption + Standard)
Penting
Kemampuan alur kerja agen konsumsi dalam pratinjau dan tunduk pada Ketentuan Penggunaan Tambahan untuk Pratinjau Microsoft Azure.
Artikel ini membahas alur kerja agen AI yang mengotomatisasi proses bisnis yang dapat diprediksi dan stabil. Untuk proses yang tidak dapat diprediksi atau sulit didefinisikan, lihat Azure Logic Apps Automation.
Azure Logic Apps mendukung alur kerja yang menyelesaikan tugas dengan menggunakan perulangan agen dengan model bahasa besar (LLM). Loop agen menggunakan proses iteratif untuk menyelesaikan masalah kompleks yang terdiri dari banyak langkah. LLM adalah program terlatih yang 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 siklus agen otonom atau percakapan. Perulangan agen menggunakan bahasa alami untuk berkomunikasi dengan Anda dan model yang terhubung. Agen ini juga menggunakan output yang dihasilkan model untuk melakukan pekerjaan baik dengan atau tanpa interaksi manusia. Model ini membantu agen loop menyediakan kemampuan berikut:
- Terima informasi tentang peran agen, cara beroperasi, dan cara merespons.
- Menerima dan menanggapi instruksi dan permintaan, atau perintah.
- Proses input, analisis data, dan buat pilihan, berdasarkan informasi yang tersedia.
- Pilih alat untuk menyelesaikan tugas yang diperlukan untuk memenuhi permintaan. Alat pada dasarnya adalah urutan dengan satu atau beberapa tindakan yang menyelesaikan tugas.
- 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 untuk digunakan perulangan agen, alur kerja agen mendukung berbagai skenario yang sangat mendapat manfaat dari perulangan agen dan kemampuan model. Berdasarkan skenario Anda, buat alur kerja agenik otonom tanpa interaksi manusia atau alur kerja agenik percakapan dengan interaksi manusia agar paling sesuai dengan kebutuhan solusi Anda.
Gambaran umum ini mencakup area berikut:
- Alur kerja agen versus non-agen
- Konsep kunci Agent loop
- Alur kerja agen otonom versus percakapan
- Struktur agen
- Skenario contoh
- Autentikasi dan Otorisasi
- Informasi penagihan dasar
Siap membangun sekarang? Langsung ke:
Alur kerja agen versus non-agen
Alur kerja yang menggunakan loop agen dapat berkembang melampaui batasan yang ditetapkan pada alur kerja nonagen:
Alur kerja agen dapat beradaptasi dengan lingkungan di mana kejadian tak terduga terjadi, memilih alat berdasarkan prompt dan data yang tersedia, menangani data tidak terstruktur, memberikan lebih banyak adaptabilitas dan fleksibilitas, terus meningkatkan kinerjanya, serta mendukung skenario kompleks.
Alur kerja non-agen bekerja paling baik di lingkungan yang stabil, mengikuti aturan yang telah ditentukan, dan melakukan tugas statis, dapat diprediksi, dan berulang.
Tabel berikut ini menyediakan lebih banyak perbandingan antara alur kerja agenik dan alur kerja nonagentik:
| Aspek | Agen | Nonagen |
|---|---|---|
| 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. |
Konsep utama
Bagian-bagian berikut memperkenalkan konsep-konsep utama. Untuk panduan langsung tentang konsep-konsep ini, lihat:
| Konsep | Deskripsi |
|---|---|
| Perulangan agen | Tindakan bawaan yang menggunakan proses berulang terstruktur untuk menyelesaikan masalah multi-langkah yang kompleks. Perulangan 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. Agen dapat menerima instruksi, bekerja dengan layanan, sistem, aplikasi, dan data dengan memanggil alat yang Anda buat dengan tindakan bawaan di Azure Logic Apps, dan merespons dengan hasilnya. Agen dapat memproses informasi, membuat pilihan, dan menyelesaikan tugas dengan menggunakan model yang disebarkan, misalnya, di Azure OpenAI Service. Catatan: Alur kerja agenik dapat menyertakan beberapa agen secara berurutan. Anda tidak dapat menambahkan agen secara langsung sebagai alat di agen lain. 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 Apa itu model bahasa besar? |
| 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. Misalnya, lihat Membuat alat untuk mendapatkan cuaca. |
| Parameter dari agen | Parameter yang Anda definisikan pada alat atau parameter aksi sehingga agen dapat mengirimkan output model saja sebagai input untuk aksi di alat tersebut. Parameter agen diatur ke satu alat, menerima nilai hanya saat agen memanggil alat, dan dapat mengambil nilai berbeda setiap kali agen memanggil alat yang sama. Untuk detail dan contoh, lihat Buat parameter agen. |
| Konteks | Agen mempertahankan riwayat log dengan menyimpan jumlah maksimum token atau pesan sebagai konteks dan meneruskan konteks tersebut ke dalam model untuk interaksi berikutnya. Setiap model memiliki batas panjang konteks yang berbeda. |
Parameter agen berbeda dari parameter tradisional dalam cara-cara berikut:
Parameter agen hanya berlaku untuk alat tempat Anda mendefinisikannya. 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 menggunakan nilai yang ditetapkan saat 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.
Seorang agen dapat memanggil alat yang sama beberapa kali dengan nilai parameter agen yang berbeda, bahkan ketika alat tersebut ada dalam iterasi loop yang sama. Misalnya, alat dapat memeriksa cuaca di Seattle dan London.
Alur kerja agensi otonom versus agensi percakapan
Untuk membantu Anda lebih memahami perbedaan jenis alur kerja agenik ini, bagian berikut ini menjelaskan dan menampilkan contoh untuk setiap jenis alur kerja agenik. Kedua jenis alur kerja menggunakan loop agen dan alat untuk mendapatkan kondisi cuaca terkini dan mengirimkan informasi tersebut melalui email. Semua agen memiliki panel informasi tempat Anda menyiapkan agen dengan model yang Anda inginkan dan memberikan instruksi tentang peran agen, fungsinya, dan cara merespons.
Alur kerja agenik otonom
Langkah-langkah tingkat tinggi berikut menjelaskan perilaku untuk alur kerja agenik otonom dasar:
Alur kerja dimulai dengan pemicu yang didukung yang tersedia.
Secara opsional, nol atau lebih tindakan dapat berjalan antara pemicu dan agen.
Agen menerima instruksi sistem dan perintah atau input yang bukan dari manusia, seperti keluaran dari pemicu atau tindakan sebelumnya.
Agen menggunakan model Azure OpenAI atau API LLM dari sumber berikut untuk menafsirkan dan memahami instruksi serta permintaan, tergantung apakah Anda menggunakan alur kerja agen Konsumsi atau Standar. Loop agen juga menggunakan model untuk memproses dan menganalisis input yang diberikan.
Aplikasi logika Sumber model Konsumsi Microsoft Foundry Standar - Sumber daya Layanan Azure OpenAI
- Proyek Microsoft Foundry (pratinjau)
- Akun Azure API Management dengan LLM API (pratinjau)Model ini membantu merencanakan alat apa yang perlu digunakan agen untuk melakukan tugas yang diperlukan, berdasarkan instruksi agen.
Agen mengembalikan hasil alat dan merespons pemanggil alur kerja atau penerima yang ditentukan.
Cuplikan layar berikut menunjukkan contoh dasar alur kerja agenik otonom:
Alur kerja percakapan berbasis agen
Langkah-langkah tingkat tinggi berikut menjelaskan perilaku untuk alur kerja agenik percakapan dasar:
Alur kerja selalu dimulai dengan pemicu bernama Saat sesi obrolan dimulai.
Secara opsional, nol atau lebih tindakan dapat berjalan antara pemicu dan agen.
Agen menerima instruksi sistem dan perintah atau input yang disediakan manusia melalui antarmuka obrolan terintegrasi, misalnya, Apa cuaca di Seattle?
Agen menggunakan model Azure OpenAI atau API LLM dari sumber berikut untuk menafsirkan dan memahami instruksi serta permintaan, tergantung apakah Anda menggunakan alur kerja agen Konsumsi atau Standar. Loop agen juga menggunakan model untuk memproses dan menganalisis input yang diberikan.
Aplikasi logika Sumber model Konsumsi Microsoft Foundry Standar - Sumber daya Layanan Azure OpenAI
- Akun Azure API Management dengan LLM API (pratinjau)Berdasarkan instruksi agen, model membantu merencanakan alat mana yang dipanggil agen untuk tugas yang diperlukan.
Agen mengembalikan hasil alat dan merespons melalui antarmuka obrolan ke prompter manusia.
Cuplikan layar berikut menunjukkan contoh dasar alur kerja agenik percakapan:
Cuplikan layar berikut menunjukkan antarmuka obrolan terintegrasi yang dapat Anda akses dari toolbar perancang atau menu bilah samping alur kerja di portal Microsoft Azure:
Alur kerja agenik percakapan juga mendukung klien obrolan eksternal yang dapat digunakan orang lain di luar portal Microsoft Azure. Untuk menyediakan dan mengamankan akses bagi klien obrolan eksternal ini, Anda perlu menyiapkan Autentikasi dan Otorisasi Produksi.
Struktur alur kerja Agentic
Untuk membangun alur kerja agenik baru, buat aplikasi logika Konsumsi di Azure Logic Apps multipenyewa atau aplikasi logika Standar di Azure Logic Apps penyewa tunggal dan pilih salah satu jenis alur kerja berikut:
- Agen Mandiri
- Agen Percakapan
Jenis alur kerja ini mencakup semua fitur dalam alur kerja berstatus Konsumsi atau Standar dan dirancang untuk beroperasi khusus dengan kemampuan agen. Jenis alur kerja ini secara otomatis menyertakan agen kosong.
Misalnya, cuplikan layar berikut menunjukkan alur kerja agenik otonom baru:
Cuplikan layar berikut menunjukkan alur kerja agen percakapan baru:
Untuk membangun salah satu alur kerja ini langkah demi langkah, lihat:
Di Aplikasi logika Standar, jika Anda memiliki alur kerja Stateful yang sudah ada, cuplikan layar berikut menunjukkan bagaimana Anda dapat menambahkan tindakan Agen untuk menyertakan agen otonom dan kemampuan LLM:
Meskipun alur kerja agenik Konsumsi secara otomatis disiapkan dengan model yang akan digunakan oleh agen, alur kerja agenik Standar mengharuskan Anda menyiapkan koneksi ke model yang dapat digunakan oleh agen.
Nota
Panel koneksi memperlihatkan persyaratan koneksi yang berbeda, berdasarkan jenis alur kerja Anda dan sumber model yang dipilih.
Agen 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, misalnya:
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 lebih banyak skenario alur kerja agen
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 order kerja dengan progres dan status pekerjaan.
- Tutup perintah kerja saat pekerjaan selesai.
- Beri tahu pihak-pihak yang sesuai tentang pekerjaan yang telah selesai.
Autentikasi dan otorisasi
Alur kerja agen percakapan berkomunikasi dengan berbagai jenis penelpon, seperti orang, agen, server Model Context Protocol (MCP), broker alat, dan layanan eksternal. Pemanggil ini bisa berasal dari jaringan dinamis, tidak dikenal, atau tidak dipercaya, jadi Anda harus mengautentikasi dan mengotorisasi setiap penelepon.
Pilih opsi yang sesuai dengan tahap Anda:
- Desain dan pengujian: Portal Azure menggunakan kunci pengembang untuk autentikasi dan otorisasi atas nama Anda.
- Produksi: Atur otentikasi produksi dan otorisasi untuk tipe aplikasi logika Anda.
Autentikasi dan otorisasi kunci pengembang
Untuk aktivitas nonproduksi saja, seperti desain, pengembangan, dan validasi cepat, portal Microsoft Azure menyediakan, mengelola, dan menggunakan kunci pengembang untuk menjalankan alur kerja Anda atas nama Anda.
Apa itu kunci pengembang?
Kunci pengembang adalah mekanisme autentikasi kenyamanan yang hanya digunakan oleh portal Microsoft Azure untuk menjalankan alur kerja Anda selama tahap desain, pengembangan, dan pengujian cepat di portal Microsoft Azure. Selama tahap ini, kunci pengembang memungkinkan Anda melewati kebutuhan untuk menyiapkan Easy Auth secara manual atau menyalin URL callback pemicu dengan tanda tangan akses bersama (SAS). Kunci ditautkan ke pengguna dan penyewa tertentu hanya berdasarkan token pembawa Azure Resource Manager, yang merupakan token akses yang mengautentikasi permintaan ke REST API Azure Resource Manager.
Portal secara otomatis menyuntikkan kunci pengembang saat Anda menggunakan pengalaman pengujian bawaan di perancang alur kerja seperti menjalankan alur kerja, memanggil pemicu Permintaan , atau berinteraksi dengan alur kerja agenik percakapan di antarmuka obrolan internal. Kunci secara implisit terikat ke sesi penyewa dan pengguna portal yang masuk, sehingga Anda tidak dapat mendistribusikan kunci secara eksternal karena pengikatan ini, yang hanya didasarkan pada token pembawa ARM.
Batasan kunci pengembang
Daftar berikut menjelaskan batasan penggunaan dan desain kunci pengembang:
- Kuncinya bukan pengganti Easy Auth, identitas terkelola, kredensial federasi, atau URL panggilan balik yang ditandatangani dalam skenario produksi.
- Kunci tidak dirancang untuk kelompok penelepon yang besar atau tidak tepercaya, alat untuk agen, atau klien otomatisasi.
- Kuncinya bukan mekanisme otorisasi per pengguna karena kurangnya cakupan dan peran terperinci.
- Kunci tidak diatur oleh kebijakan Akses Bersyarat pada lapisan eksekusi permintaan, hanya di lapisan masuk portal.
- Kunci tidak ditujukan untuk penggunaan terprogram atau CI/CD.
Untuk perbandingan antara kunci pengembang dan Easy Auth, lihat Easy Auth versus kunci pengembang.
Kasus penggunaan utama pengembang
Tabel berikut ini menjelaskan skenario yang sesuai dan tidak pantas untuk menggunakan kunci pengembang:
| Skenario yang sesuai | Skenario yang tidak pantas |
|---|---|
| Pengujian cepat di perancang sebelum Anda meresmikan autentikasi. | Alur kerja Anda memerlukan otomatisasi deterministik yang menggunakan prinsipal layanan dan Easy Auth atau SAS yang ditandatangani sebagai alternatif. |
| Periksa struktur alur kerja, pengikatan, atau pemicu dasar dan perilaku tindakan. | - Penelepon alur kerja Anda mencakup agen eksternal, server MCP, atau klien percakapan. - Anda berencana untuk menerbitkan titik akhir alur kerja Anda di luar penyewa Anda. |
| Sandbox sementara atau prototipe percobaan yang kemudian mengadopsi pengamanan URL menggunakan Easy Auth atau SAS. | Alur kerja Anda memerlukan identitas per pengguna yang dapat diaudit, pencabutan token, kebijakan Akses Bersyarat, atau penegakan hak istimewa terkecil. |
Autentikasi dan otorisasi produksi
Saat alur kerja agenik percakapan Anda siap untuk produksi, Bagian berikut menjelaskan opsi nonproduksi dan produksi untuk mengautentikasi penelepon dan mengotorisasi akses mereka ke alur kerja agenik.
| Aplikasi logika | Autentikasi dan otorisasi |
|---|---|
| Konsumsi | OAuth 2.0 dengan ID Microsoft Entra |
| Standar | Easy Auth, juga dikenal sebagai Autentikasi App Service, pada sumber daya aplikasi logika Anda memungkinkan klien obrolan eksternal di luar portal Azure yang bisa digunakan oleh orang lain setelah Anda menyiapkan Easy Auth. Lihat Easy Auth untuk aplikasi logika Anda. |
Untuk informasi selengkapnya tentang autentikasi dan otorisasi produksi, lihat tab untuk jenis aplikasi logika Anda.
OAuth 2.0 dengan ID Microsoft Entra untuk aplikasi logika Anda
Untuk alur kerja agen percakapan Konsumsi dalam produksi, lindungi akses ke klien obrolan Anda dengan OAuth 2.0 dengan Microsoft Entra ID dengan mengatur kebijakan otorisasi agen pada sumber daya aplikasi logika Anda. Lihat Migrasi ke autentikasi produksi.
Penagihan
Konsumsi: Penagihan menggunakan model bayar sesuai pemakaian. Harga siklus agen didasarkan pada jumlah token yang digunakan dalam setiap tindakan agen dan muncul sebagai Unit Enterprise pada tagihan Anda. Untuk informasi harga tertentu, lihat Harga Azure Logic Apps.
Standar: Meskipun alur kerja agenik tidak dikenakan biaya tambahan, penggunaan model AI dikenakan biaya. Untuk informasi selengkapnya, lihat Kalkulator Harga Azure.