Menambahkan dan mengonfigurasi sumber data di agen data Fabric

Agen Data di Microsoft Fabric memungkinkan organisasi untuk membangun pengalaman percakapan atas data perusahaan mereka. Dengan menghubungkan artefak Fabric ke Agen Data, pengguna dapat menerjemahkan pertanyaan bahasa alami ke dalam kueri yang tepat, memberdayakan pemangku kepentingan, dari analis hingga eksekutif, untuk membuka wawasan tanpa menulis satu baris kode pun. Artikel ini membahas setiap sumber data yang didukung Agen Data saat ini dan kemampuan konfigurasi yang tersedia untuk setiap sumber data.

Overview

Agen Data mendukung kategori sumber data berikut:

Kategori	Artifacts	Bahasa Kueri	Skenario Utama
SQL	Lakehouse, Data Warehouse, SQL Database, Database Tercermin	T-SQL	Analitik terstruktur melalui data relasional dan Delta Lake
Eventhouse	Eventhouse KQL Database	KQL	Kecerdasan real time dan analitik rangkaian waktu
Model Semantik	Model Semantik Power BI	DAX	Logika bisnis, pengukuran terhitung, dan metrik yang dikumpulkan
Grafik (pratinjau)	Model Grafik	GQL	Eksplorasi data yang kaya hubungan dan analitik grafik
Ontologi (pratinjau)	Ontologi Jaringan	Ontologi Asli	Pengetahuan domain dan konteks semantik untuk integrasi data
Pencarian Azure AI (pratinjau)	Indeks Pencarian Azure AI	Bahasa alami + pencarian	Pengambilan data yang tidak terstruktur (PDF, teks, konten yang diperkaya)

Tip

Satu Agen Data dapat menggabungkan hingga lima sumber data dalam kombinasi apa pun, memungkinkan Anda memadukan data terstruktur, real time, semantik, dan tidak terstruktur dalam satu pengalaman percakapan.

SQL

Artefak yang Didukung

• Lakehouse—Tabel Delta Lake muncul melalui Titik Akhir Analitik SQL.
• Data Warehouse—Full Fabric warehouse dengan area fitur T-SQL.
• SQL Database—database SQL bawaan Fabric.
• Mirrored Databases—Database eksternal yang dicerminkan ke dalam Fabric (misalnya, Azure SQL, Cosmos DB, Snowflake).

Setiap sumber SQL di Fabric dilengkapi dengan SQL Analytics Endpoint, antarmuka kueri T-SQL berperforma tinggi dan hanya-baca untuk data Delta OneLake. Agen Data memanfaatkan layanan NL2SQL bawaan yang:

1. Menerjemahkan pertanyaan bahasa alami pengguna ke dalam kueri T-SQL menggunakan skema, instruksi, dan contoh kueri yang disediakan pengguna.
2. Memvalidasi kueri yang dihasilkan terhadap pilihan skema untuk memastikannya hanya mereferensikan tabel dan tampilan yang disetujui.
3. Menjalankan kueri melalui Titik Akhir Analitik SQL dan mengembalikan hasil yang dapat dibaca manusia.

Eventhouse

Artefak yang Didukung

• Eventhouse KQL Database—penyimpanan Real-Time Intelligence Fabric untuk data streaming, berbasis peristiwa, dan rangkaian waktu.

Agen Data terhubung ke Titik Akhir Database Eventhouse KQL dan memanfaatkan NL2KQL bawaan Kusto yang memungkinkan kemampuan berikut:

1. Pertanyaan pengguna diterjemahkan ke dalam kueri KQL menggunakan skema yang dipilih dan instruksi atau contoh yang disediakan.
2. Kueri divalidasi untuk mengonfirmasi bahwa kueri hanya menyentuh entitas skema yang disetujui.
3. Berdasarkan persetujuan, kueri dijalankan terhadap mesin Kusto—dioptimalkan untuk beban kerja analitik latensi rendah dan throughput tinggi.

Model Semantik

Artefak yang Didukung

• Power BI Model Semantik—Himpunan data yang diterbitkan berisi tabel, hubungan, pengukuran, kolom terhitung, dan hierarki.

Setiap model semantik dalam Fabric mengekspos titik akhir XMLA, yang digunakan Agen Data untuk menjalankan kueri DAX. Layanan NL2DAX bawaan:

1. Menerjemahkan bahasa alami ke dalam kueri DAX, memanfaatkan metadata model (deskripsi tabel, sinonim kolom, definisi pengukuran, hubungan).
2. Memvalidasi kueri terhadap skema yang dipilih.
3. Dijalankan melalui Titik Akhir XMLA dan mengembalikan hasil yang diformat.

GQL (pratinjau)

Artefak yang Didukung

• Graph Model—Fabric artefak grafik yang menentukan simpul dan skema tepi.

Agen Data Grafik dapat menjalankan kueri GQL dan mengungkapkan wawasan dari sumber data grafik Anda di Fabric. Untuk mengonfigurasi agen tersebut, tambahkan model grafik atau set kueri grafik sebagai sumber data Anda.

Saat agen data menjalankan GQL terhadap sumber data graf, artefak Fabric Graph yang mendasarinya akan melakukan eksekusi kueri, yang menghasilkan konsumsi operasi graph operation.

Ontologi (pratinjau)

Artefak yang Didukung

• Fabric Ontology—Lapisan semantik yang menangkap pengetahuan domain, definisi entitas, dan hubungan.

Setelah ontologi dikonfigurasi di Fabric, ontologi dapat ditambahkan sebagai sumber data ke Agen Data. Agen menggunakan ontologi untuk memahami konteks domain dan menjawab pertanyaan yang membumi dalam model pengetahuan organisasi Anda.

Data Tidak Terstruktur (pratinjau)

Artefak yang Didukung

• Pencarian Azure AI Index—Indeks yang dibangun dalam Azure AI Foundry atas konten yang tidak terstruktur seperti PDF, file teks, dan dokumen lain yang diperkaya.

Agen Data terhubung langsung ke indeks Pencarian Azure AI Anda menggunakan URL sumber daya. Saat pengguna mengajukan pertanyaan, agen mengirim kueri (dengan identitas pengguna untuk kontrol akses) ke indeks pencarian, mengambil potongan dokumen yang paling relevan, dan menyusun jawaban akhir. Kutipan disertakan secara otomatis saat indeks berisi bidang URL atau jalur file.

Mengonfigurasi Sumber Data Anda

SQL

Konfigurasi yang Didukung oleh Sumber SQL

Konfigurasi	Dukungan	Details
Pilihan Skema	✅ Ya	Pilih Tabel, Tampilan, dan Fungsi tertentu untuk menentukan ruang lingkup agen.
Instruksi Agen	✅ Ya	Panduan agen tentang kapan dan bagaimana merutekan pertanyaan ke sumber ini.
Instruksi Sumber Data	✅ Ya	Berikan deskripsi tabel, logika gabungan, detail kolom kunci, dan terminologi bisnis ke NL2SQL.
Deskripsi Sumber Data	✅ Ya	Deskripsi yang membantu agen menentukan apakah sumber data ini relevan dengan pertanyaan pengguna.
Deskripsi Objek Skema (Pratinjau)	✅ Ya	Berikan konteks bisnis untuk tabel, kolom, dan elemen skema lainnya guna meningkatkan generasi query SQL. Tersedia hanya pada runtime pratinjau.
Topik (Pratinjau)	✅ Ya	Berikan hingga 1 juta karakter instruksi berbasis topik. Agen data mengambil bagian-bagian yang relevan untuk keperluan NL2SQL. Tersedia hanya pada runtime pratinjau.
Contoh kueri	✅ Ya	Berikan pasangan bahasa alami/SQL sehingga agen dapat mempelajari pola kueri yang kompleks. Contoh teratas secara otomatis diambil melalui kesamaan vektor.

Eventhouse

Konfigurasi yang Didukung untuk Sumber KQL Eventhouse

Konfigurasi	Dukungan	Details
Pilihan Skema	✅ Ya	Pilih Tabel tertentu, Tampilan Terwujud, Fungsi, dan Pintasan untuk ruang lingkup agen.
Instruksi Agen	✅ Ya	Panduan agen tentang kapan dan bagaimana merutekan pertanyaan ke sumber ini.
Instruksi Sumber Data	✅ Ya	Berikan konteks tentang tabel, MV, fungsi, dan pintasan ke NL2KQL.
Deskripsi Sumber Data	✅ Ya	Deskripsi yang membantu agen menentukan apakah sumber data ini relevan dengan pertanyaan pengguna.
Topics	❌ Tidak	Topik hanya didukung untuk sumber data SQL yang menggunakan NL2SQL pada runtime pratinjau.
Contoh kueri	✅ Ya	Sediakan pasangan bahasa alami/KQL untuk mengajarkan agregasi kompleks agen dan pola gabungan.

Model Semantik

Konfigurasi Didukung oleh Model Semantik

Konfigurasi	Dukungan	Details
Pilihan Skema	✅ Ya*	Pilih tabel untuk diekspos. Kontrol tingkat kolom tersedia saat Prep untuk AI dikonfigurasi dalam Power BI.
Instruksi Agen	✅ Ya	Pandu agen tentang kapan memilih model semantik untuk menjawab pertanyaan.
Instruksi Sumber Data	❌ Tidak*	Instruksi dikelola melalui Prep for AI (Instruksi AI dan Jawaban Terverifikasi) di sisi model semantik. Agen Data menghormati mereka saat mereka ada.
Deskripsi Sumber Data	❌ Tidak	Model Semantik tidak mendukung deskripsi sumber data.
Topics	❌ Tidak	Topik hanya didukung untuk sumber data SQL yang menggunakan NL2SQL pada runtime pratinjau.
Contoh kueri	❌ Tidak*	Saat ini tidak didukung untuk model semantik. Gunakan Jawaban Terverifikasi dalam Persiapan untuk AI untuk menyertakan contoh kueri DAX.

*Model semantik terutama dikonfigurasi melalui Prep untuk AI di Power BI, yang menawarkan Skema Data AI, Instruksi AI, dan Jawaban Terverifikasi.

GQL (pratinjau)

Konfigurasi yang Didukung Model Grafik

Konfigurasi	Dukungan	Details
Pilihan Skema	❌ Tidak	Graph tidak memungkinkan pengguna untuk membatasi Agent mereka pada node dan edge tertentu.
Instruksi Agen	✅ Ya	Panduan agen tentang kapan dan bagaimana merutekan pertanyaan ke sumber ini.
Instruksi Sumber Data	✅ Ya	Diteruskan ke mesin NL2GQL untuk memandu pembuatan kueri.
Deskripsi Sumber Data	✅ Ya	Deskripsi yang membantu agen menentukan apakah sumber data ini relevan dengan pertanyaan pengguna.
Topics	❌ Tidak	Topik hanya didukung untuk sumber data SQL yang menggunakan NL2SQL pada runtime pratinjau.
Contoh kueri	✅ Ya	Diteruskan ke NL2GQL untuk mengajarkan pola-pola traversal grafik yang lebih kompleks.

Ontologi (pratinjau)

Konfigurasi yang Didukung Ontologi

Konfigurasi	Dukungan	Details
Pilihan Skema	❌ Tidak	Tidak didukung untuk sumber data ontologi.
Instruksi Agen	✅ Ya	Pandu agen tentang kapan memilih model semantik untuk menjawab pertanyaan.
Instruksi Sumber Data	❌ Tidak	Tidak didukung untuk sumber data ontologi.
Deskripsi Sumber Data	✅ Ya	Deskripsi yang membantu agen menentukan apakah sumber data ini relevan dengan pertanyaan pengguna.
Topics	❌ Tidak	Topik hanya didukung untuk sumber data SQL yang menggunakan NL2SQL pada runtime pratinjau.
Contoh kueri	❌ Tidak	Tidak didukung untuk sumber data ontologi.

Data Tidak Terstruktur (pratinjau)

Konfigurasi Data Tidak Terstruktur

Setting	Details
Nama Tampilan	Nama kustom yang ditampilkan untuk indeks dalam antarmuka agen.
Jenis Pencarian	Pilih dari pencarian teks lengkap, hibrid, atau semantik tergantung pada konfigurasi indeks Anda.
Jumlah Dokumen	Kontrol berapa banyak dokumen yang diambil per kueri (disarankan: 3–20).
Konteks /Deskripsi	Deskripsikan konten indeks, bidang kunci, dan panduan penggunaan untuk membantu routing.
Instruksi Agen	Panduan bagaimana agen menginterpretasikan hasil pencarian dan menyusun jawaban akhir.
Topics	Tidak didukung. Topik hanya tersedia untuk sumber data SQL yang menggunakan NL2SQL pada runtime pratinjau.

Pelajari lebih lanjut

• Konsep Agen Data
• Konfigurasi Agen Data
• Praktik terbaik konfigurasi
• Panduan End-to-End
• Koneksikan Indeks Pencarian Azure AI
• Tambahkan model semantik Power BI