Mulai cepat: Pengambilan agenik di portal Microsoft Azure

Nota

Fitur ini saat ini dalam pratinjau publik. Pratinjau ini disediakan tanpa perjanjian tingkat layanan dan tidak direkomendasikan untuk beban kerja produksi. Fitur tertentu mungkin tidak didukung atau mungkin memiliki kemampuan terbatas. Untuk informasi lebih lanjut, lihat Supplemental Terms of Use for Microsoft Azure Previews.

Dalam panduan mulai cepat ini, Anda menggunakan pengambilan agentik di portal Azure untuk membuat pengalaman pencarian percakapan yang digerakkan oleh dokumen yang diindeks di Azure AI Search dan model bahasa besar (LLM) dari Azure OpenAI pada Foundry Models.

Portal memandu Anda melalui proses pembuatan objek berikut:

• Sumber pengetahuan yang mereferensikan kontainer di Azure Blob Storage. Saat Anda membuat sumber pengetahuan blob, Azure AI Search secara otomatis menghasilkan indeks dan objek alur lainnya untuk menyerap dan memperkaya konten Anda untuk pengambilan agenik.

• Pangkalan pengetahuan yang menggunakan pengambilan agenik untuk menyimpulkan kebutuhan informasi yang mendasarinya, merencanakan dan menjalankan subkueri, dan merumuskan jawaban bahasa alami menggunakan mode output sintesis jawaban opsional.

Setelah itu, Anda menguji pangkalan pengetahuan dengan mengirimkan kueri kompleks yang memerlukan informasi dari beberapa dokumen dan meninjau jawaban yang disintesis.

Penting

Portal sekarang menggunakan REST API pratinjau versi 2025-11-01 untuk sumber pengetahuan dan basis pengetahuan. Jika sebelumnya Anda membuat objek pengambilan agen di portal, objek tersebut menggunakan pratinjau 2025-08-01 dan dapat mengalami perubahan yang mengganggu. Kami menyarankan agar Anda memigrasikan objek dan kode yang ada sesegera mungkin.

Prasyarat

• Sebuah akun Azure dengan langganan aktif. Buat akun secara gratis.

• Layanan Pencarian Azure AI di wilayah mana pun yang menyediakan pengambilan berbasis agen.

• Akun Azure Blob Storage.

• Proyek dan sumber daya Microsoft Foundry . Saat Anda membuat proyek, sumber daya dibuat secara otomatis.

• Untuk konversi teks ke vektor, model embedding yang diterapkan ke proyek Anda. Anda dapat menggunakan model apa pun text-embedding , seperti text-embedding-3-large.

• Untuk perencanaan kueri dan pembuatan jawaban, LLM yang telah disebarkan ke proyek Anda. Anda dapat menggunakan LLM yang didukung portal apa pun.

LLM yang didukung

Meskipun pemanggilan oleh agen secara terprogram mendukung beberapa LLM, portal saat ini hanya mendukung LLM berikut:

• gpt-4o
• gpt-4o-mini
• gpt-5
• gpt-5-mini
• gpt-5-nano

Mengonfigurasi akses

Sebelum memulai, pastikan Anda memiliki izin untuk mengakses konten dan operasi. Kami merekomendasikan ID Microsoft Entra untuk autentikasi dan akses berbasis peran untuk otorisasi. Anda harus menjadi Pemilik atau Administrator Akses Pengguna untuk menetapkan peran. Jika peran tidak layak, gunakan autentikasi berbasis kunci sebagai gantinya.

Untuk mengonfigurasi akses untuk panduan cepat ini, pilih setiap tab berikut.

Azure AI Search menyediakan alur pengambilan berbasis agen. Konfigurasikan akses untuk diri Anda dan layanan pencarian Anda untuk membaca dan menulis data, berinteraksi dengan layanan Azure lainnya, dan menjalankan alur.

Di layanan Pencarian Azure AI Anda:

1. Aktifkan akses berbasis peran.

2. Mengonfigurasi identitas terkelola yang ditetapkan sistem.

3. Tetapkan peran berikut untuk diri Anda sendiri.

   • Kontributor Layanan Pencarian

   • Kontributor Data Indeks Pencarian

   • Pembaca Data Indeks Pencarian

Azure Blob Storage

Azure Blob Storage menyimpan dokumen sumber Anda untuk pengindeksan dan pengambilan. Berikan izin layanan pencarian Anda untuk membaca, menulis, dan menghapus dokumen.

Di akun Azure Blob Storage Anda:

• Tambahkan Storage Blob Data Reader ke identitas layanan pencarian Anda.

Microsoft Foundry

Foundry menyediakan model Azure OpenAI yang digunakan untuk penyematan, perencanaan kueri, dan pembuatan jawaban. Berikan izin layanan pencarian Anda untuk menggunakan model ini.

Pada sumber daya Foundry Anda:

• Tetapkan Pengguna Layanan Kognitif ke identitas layanan pencarian Anda.

Penting

Pengambilan berbasis agensi memiliki dua model penagihan berbasis token:

• Penagihan dari Azure AI Pencarian untuk pengambilan berbasis agen.
• Penagihan dari Azure OpenAI untuk perencanaan kueri dan sintesis jawaban.

Untuk informasi selengkapnya, lihat Ketersediaan dan harga pemulihan agentik.

Menyiapkan data sampel

Panduan cepat ini menggunakan contoh dokumen JSON dari e-book NASA 'Bumi di Malam Hari', tetapi Anda juga dapat menggunakan berkas Anda sendiri. Dokumen-dokumen menjelaskan topik sains umum dan gambar Bumi di malam hari seperti yang diamati dari luar angkasa.

Untuk menyiapkan data sampel untuk pengenalan cepat ini:

1. Masuk ke portal Microsoft Azure dan pilih akun Azure Blob Storage Anda.

2. Dari panel kiri, pilih penyimpanan data>Kontainer.

3. Buat kontainer bernama earth-at-night-data.

4. Unggah sampel dokumen JSON ke kontainer.

Membuat sumber pengetahuan

Sumber pengetahuan adalah referensi yang dapat digunakan kembali ke data sumber Anda. Di bagian ini, Anda membuat sumber pengetahuan blob, yang memicu pembuatan sumber data, skillset, indeks, dan pengindeks untuk mengotomatiskan pengindeksan dan pengayaan data. Anda meninjau objek ini di bagian selanjutnya.

Anda juga mengonfigurasi vektorizer, yang menggunakan model penyematan yang disebarkan untuk mengonversi teks menjadi vektor dan mencocokkan dokumen berdasarkan kesamaan semantik. Vektorizer, bidang vektor, dan vektor akan ditambahkan ke indeks yang dihasilkan secara otomatis.

Untuk membuat sumber pengetahuan untuk panduan cepat ini:

1. Masuk ke portal Microsoft Azure dan pilih layanan pencarian Anda.

2. Dari panel kiri, pilih Pengambilan agenik>Sumber pengetahuan.

3. Pilih Tambahkan sumber> pengetahuanTambahkan sumber pengetahuan.

4. Pilih Azure Blob.

5. Masukkan earth-at-night-ks untuk nama tersebut, lalu pilih langganan, akun penyimpanan, dan kontainer Anda dengan data sampel.

6. Pilih kotak centang Autentikasi menggunakan identitas terkelola . Biarkan jenis identitas sebagai Ditentukan oleh sistem.

7. Pilih Tambahkan vektorizer.

8. Pilih Azure AI Foundry sebagai jenis, lalu pilih langganan, proyek, dan penyebaran model embedding Anda.

9. Pilih Identitas yang ditetapkan sistem untuk jenis autentikasi.

10. Buat sumber pengetahuan.

    

Membuat basis pengetahuan

Pangkalan pengetahuan menggunakan sumber pengetahuan Anda dan LLM yang disebarkan untuk mengatur pengambilan berbasis agen. Saat pengguna mengirimkan kueri yang kompleks, LLM menghasilkan subkueri yang dikirim secara bersamaan ke sumber pengetahuan Anda. Azure AI Search kemudian secara semantik memberi peringkat hasil untuk relevansi dan menggabungkan hasil terbaik menjadi satu respons terpadu.

Mode output menentukan bagaimana pangkalan pengetahuan merumuskan jawaban. Anda dapat menggunakan data ekstraktif untuk konten verbatim atau sintesis jawaban untuk pembuatan jawaban bahasa alami. Secara default, portal menggunakan sintesis jawaban.

Untuk membuat basis pengetahuan untuk panduan cepat ini:

1. Dari panel kiri, pilih Pengambilan agenik>Pangkalan pengetahuan.

2. Pilih Tambahkan pangkalan pengetahuan> pengetahuan.

3. Masukkan earth-at-night-kb untuk nama tersebut.

4. Di bawah Model penyelesaian obrolan, pilih Tambahkan penyebaran model.

5. Pilih Azure AI Foundry untuk jenisnya, lalu pilih langganan, proyek, dan penyebaran LLM Anda.

6. Pilih Identitas yang ditetapkan sistem untuk jenis autentikasi.

7. Simpan penerapan model.

8. Di bawah Sumber pengetahuan, pilih earth-at-night-ks.

9. Buat pangkalan pengetahuan.

   

Uji pengambilan agenik

Portal ini menyediakan taman bermain obrolan tempat Anda dapat mengirimkan retrieve permintaan ke pangkalan pengetahuan, yang responsnya mencakup referensi ke sumber pengetahuan Anda dan informasi debug tentang proses pengambilan.

Untuk mengkueri pangkalan pengetahuan:

1. Gunakan kotak obrolan untuk mengirim kueri berikut.

   Why do suburban belts display larger December brightening than urban cores even though absolute light levels are higher downtown? Why is the Phoenix nighttime street grid is so sharply visible from space, whereas large stretches of the interstate between midwestern cities remain comparatively dim?
   

2. Tinjau jawaban yang disintesis dan didukung kutipan, yang harus mirip dengan contoh berikut.

   Suburban belts show larger December brightening in satellite nighttime lights than urban cores mainly because of relative (percentage) change effects and differences in how light is used and distributed. Areas with lower baseline light (suburbs, residential streets) can increase lighting use or reflect more light in winter and so show a bigger percent change, while bright urban cores are already near sensor saturation so their relative increase is small. The retrieved material explains that brightest lights are generally the most urbanized but not necessarily the most populated, and that poor or low‑light areas can have large populations but low availability or use of electric lights; thus lower‑light suburbs can exhibit larger relative changes when seasonal lighting rises.
   

3. Pilih ikon debug untuk meninjau log aktivitas, yang seharusnya mirip dengan JSON berikut.

   [
     {
       "type": "modelQueryPlanning",
       "id": 0,
       "inputTokens": 1518,
       "outputTokens": 284,
       "elapsedMs": 3001
     },
     {
       "type": "azureBlob",
       "id": 1,
       "knowledgeSourceName": "earth-at-night-ks",
       "queryTime": "2025-12-12T18:54:28.792Z",
       "count": 1,
       "elapsedMs": 456,
       "azureBlobArguments": {
         "search": "causes of December brightening in satellite nighttime lights suburban vs urban cores"
       }
     },
     {
       "type": "azureBlob",
       "id": 2,
       "knowledgeSourceName": "earth-at-night-ks",
       "queryTime": "2025-12-12T18:54:29.389Z",
       "count": 3,
       "elapsedMs": 596,
       "azureBlobArguments": {
         "search": "factors affecting seasonal variation in nighttime lights December winter brightening suburban belts urban cores"
       }
     },
     {
       "type": "azureBlob",
       "id": 3,
       "knowledgeSourceName": "earth-at-night-ks",
       "queryTime": "2025-12-12T18:54:29.862Z",
       "count": 6,
       "elapsedMs": 472,
       "azureBlobArguments": {
         "search": "why is Phoenix street grid highly visible at night from space compared to dim interstates in the Midwest reasons lighting patterns road lighting urban form"
       }
     },
     {
       "type": "agenticReasoning",
       "id": 4,
       "retrievalReasoningEffort": {
         "kind": "low"
       },
       "reasoningTokens": 111243
     },
     {
       "type": "modelAnswerSynthesis",
       "id": 5,
       "inputTokens": 7514,
       "outputTokens": 1058,
       "elapsedMs": 12334
     }
   ]
   

   Log aktivitas menawarkan wawasan tentang langkah-langkah yang diambil selama pengambilan, termasuk perencanaan dan eksekusi kueri, peringkat semantik, dan sintesis jawaban. Untuk informasi selengkapnya, lihat Meninjau array aktivitas.

Meninjau objek yang dibuat

Azure AI Search secara otomatis menghasilkan sumber data, set keterampilan, indeks, dan pengindeks untuk setiap sumber pengetahuan blob. Objek-objek ini membentuk alur end-to-end untuk pengambilan data, pengayaan, pembagian, dan vektorisasi. Anda dapat meninjau objek ini untuk mempelajari bagaimana data Anda diproses untuk pengambilan agenik.

Untuk meninjau objek yang dihasilkan secara otomatis:

1. Dari panel kiri, pilih Manajemen pencarian.

2. Periksa sumber data untuk memverifikasi koneksi ke kontainer penyimpanan blob Anda.

3. Periksa set keterampilan untuk melihat bagaimana konten Anda dipotong dan di-vektorisasi menggunakan model penyematan Anda.

4. Periksa indeks untuk melihat bagaimana konten Anda diindeks dan diekspos untuk pengambilan, termasuk bidang mana yang dapat dicari dan dapat difilter dan bidang mana yang menyimpan vektor untuk pencarian kesamaan.

5. Periksa pengindeks untuk pesan keberhasilan atau kegagalan. Kesalahan koneksi atau kuota muncul di sini.

Membersihkan sumber daya

Saat Anda bekerja di langganan Anda sendiri, ada baiknya untuk menyelesaikan proyek dengan menentukan apakah Anda masih memerlukan sumber daya yang Anda buat. Sumber daya yang dibiarkan berjalan dapat dikenakan biaya.

Di portal Microsoft Azure, Anda dapat mengelola sumber daya Azure AI Search, Azure Blob Storage, dan Foundry dengan memilih Semua sumber daya atau Grup sumber daya dari panel kiri.

Anda juga dapat menghapus sumber pengetahuan dan pangkalan pengetahuan di halaman portal masing-masing. Saat Anda menghapus sumber pengetahuan, portal meminta Anda untuk menghapus sumber data, set keterampilan, indeks, dan pengindeks terkait.

Langkah selanjutnya

Pelajari selengkapnya tentang pengambilan dengan berwawasan agen