Implementasi agen Copilot Studio Anda memerlukan perhatian yang cermat terhadap integrasi, saluran, alat, desain topik, dan perilaku pengisian slot untuk memastikan agen Copilot bekerja dengan andal dalam skala besar. Bagian ini memberikan pertanyaan praktis dan panduan praktik terbaik untuk membantu Anda memvalidasi pilihan implementasi.
Validasi kesiapan implementasi
Gunakan daftar periksa berikut untuk memastikan agen Anda andal secara teknis, berkinerja baik, dan siap digunakan di lingkungan produksi.
Kemampuan AI dan perencanaan fitur
| Selesai? |
Tugas |
| ✓ |
Apakah Anda telah mengidentifikasi kemampuan AI (orkestrasi generatif, jawaban generatif, pembuat generatif, perintah AI, penggunaan komputer, persetujuan) yang dibutuhkan oleh skenario Anda? |
| ✓ |
Apakah Anda telah menentukan tujuan, cakupan, dan batasan untuk setiap kemampuan yang dipilih? |
| ✓ |
Apakah Anda telah menilai risiko atau persyaratan tata kelola untuk kemampuan hak istimewa tinggi (misalnya, tindakan, agen terhubung, penggunaan komputer)? |
| ✓ |
Apakah Anda telah memvalidasi bahwa sumber pengetahuan akurat, terstruktur dengan baik, dan siap untuk digunakan sebagai dasar? |
| ✓ |
Apakah Anda telah mengonfirmasi cara konten yang dihasilkan AI akan ditinjau, divalidasi, atau ditimpa bila diperlukan? |
Desain orkestrasi generatif
| Selesai? |
Tugas |
| ✓ |
Apakah Anda telah mendefinisikan dengan jelas alat, topik, tindakan, dan agen turunan atau agen terkait dengan nama dan deskripsi yang bermakna? |
| ✓ |
Apakah Anda telah menentukan batas keputusan untuk hal-hal yang dapat ditindaklanjuti AI secara mandiri dibandingkan dengan hal-hal yang memerlukan konfirmasi atau persetujuan manusia? |
| ✓ |
Apakah Anda mendesain input dan output topik serta tindakan sehingga orchestrator dapat secara otomatis memberikan petunjuk dan merangkai langkah-langkah secara alami? |
| ✓ |
Apakah Anda telah memastikan alat berperilaku deterministik dan menyertakan validasi untuk parameter kritis? |
| ✓ |
Apakah Anda telah menentukan pedoman untuk orkestrator tentang kapan harus menggunakan pengetahuan, kapan harus menggunakan alat, dan kapan harus melakukan perencanaan bertahap? |
Pembuatan yang Diaugmentasi Pengambilan
| Selesai? |
Tugas |
| ✓ |
Apakah Anda telah memvalidasi bahwa semua sumber pengetahuan yang digunakan untuk Retrieval Augmented Generation (RAG) berisi konten yang akurat, terbaru, dan disetujui, serta bahwa data yang usang atau dilarang telah dihapus? |
| ✓ |
Apakah Anda telah memverifikasi bahwa format dokumen, ukuran file, dan aturan pengindeksan (SharePoint, Dataverse, data kustom, Pencarian Azure AI, file yang diunggah) sesuai batasan dan perilaku setiap penyedia RAG? |
| ✓ |
Apakah Anda telah menetapkan tata kelola tentang cara konten baru ditambahkan, diperbarui, atau dihentikan dari sumber pengetahuan, memastikan bahwa RAG hanya mengambil data perusahaan yang divalidasi? |
Integrasi
| Selesai? |
Tugas |
| ✓ |
Apakah Anda telah mengidentifikasi sistem mana yang harus diintegrasikan dengan agen Anda dan memilih pola integrasi yang sesuai (konektor, HTTP, alur kerja, API, Model Context Protocol)? |
| ✓ |
Apakah Anda telah mengonfirmasi persyaratan autentikasi dan memutuskan antara kredensial pengguna serta kredensial pembuat untuk setiap integrasi? |
| ✓ |
Apakah Anda telah mengevaluasi batas API, batasan performa, dan volume yang diharapkan untuk semua layanan yang dipanggil agen Anda? |
| ✓ |
Apakah Anda telah merancang perilaku penanganan kesalahan yang sesuai untuk setiap jalur integrasi? |
| Selesai? |
Tugas |
| ✓ |
Apakah Anda telah mengevaluasi apakah suatu kemampuan sebaiknya diimplementasikan melalui alat, alur kerja, server MCP, atau perintah? |
| ✓ |
Apakah Anda telah memastikan setiap alat memiliki nama, deskripsi, input, dan output yang jelas sehingga orkestrator dapat memilihnya dengan andal? |
| ✓ |
Apakah Anda telah mengonfirmasi apakah model atau konfigurasi lanjutan memerlukan penggunaan perintah AI, bukan orkestrator? |
| ✓ |
Apakah Anda telah menguji setiap alat secara mandiri untuk memeriksa muatan, skema, penanganan kesalahan, dan karakteristik performa? |
| ✓ |
Apakah Anda menilai panggilan skenario untuk agen turunan atau agen terhubung, bukan sekadar alat? |
Saluran, klien, dan penyerahan
| Selesai? |
Tugas |
| ✓ |
Apakah Anda telah memilih saluran yang tepat untuk audiens dan memastikan format pesan yang didukung setiap saluran, seperti Markdown, Kartu Adaptif, dan gambar? |
| ✓ |
Apakah Anda telah memvalidasi perilaku klien dan memastikan pengguna memiliki pengalaman yang konsisten di seluruh Teams, Obrolan Web, seluler, atau aplikasi kustom? |
| ✓ |
Apakah Anda telah menentukan apakah implementasi Anda memerlukan penyerahan agen secara langsung dan memilih pola yang sesuai, baik Bot-as-an-Agent atau Bot-in-the-Loop? |
| ✓ |
Apakah Anda sudah memastikan bahwa kredit, latensi, dan perilaku pengambilalihan oleh agen dapat diterima untuk model penyerahan agen yang Anda pilih? |
Topik, frasa pemicu, dan pengisian slot
| Selesai? |
Tugas |
| ✓ |
Apakah Anda telah menyusun topik sehingga masing-masing memiliki tujuan yang jelas dan menghindari tanggung jawab yang tumpang tindih? |
| ✓ |
Apakah Anda telah merancang frasa pemicu yang efektif yang mendukung sinonim, variasi, dan kosakata domain? |
| ✓ |
Apakah Anda telah menentukan entitas dan aturan pengisian slot untuk memastikan agen mengumpulkan informasi yang diperlukan secara efisien? |
| ✓ |
Apakah Anda telah mengevaluasi apakah entitas kustom, seperti daftar tertutup atau RegEx, diperlukan untuk menghindari kebingungan NLU? |
| ✓ |
Apakah Anda telah memvalidasi perilaku fallback dan memastikan agen menyelesaikan informasi yang hilang atau tidak jelas dengan baik? |
Keterangan praktik terbaik
-
Beri nama komponen dengan jelas dan disengaja: Gunakan nama yang berorientasi pada tindakan dan dapat dibaca manusia untuk alat, topik, dan agen yang terhubung agar orkestrator dapat secara konsisten memilih komponen yang tepat.
-
Rancang input dan output dengan tujuan: Gunakan nama input yang ringkas dan ramah manusia serta output terstruktur agar orkestrator dapat memberikan perintah secara otomatis dengan alami dan merantai langkah secara andal.
-
Jaga agar kemampuan tetap modular dan dapat digunakan kembali: Jadikan topik, alat, dan agen yang terhubung sebagai penyusun baris. Jangan menduplikasi logika di antara alur atau komponen.
-
Utamakan batasan keselamatan sejak dini: Identifikasi tindakan yang dapat dilakukan AI secara mandiri, tindakan yang memerlukan konfirmasi, dan tindakan yang memerlukan persetujuan manusia untuk mencegah perilaku yang tidak diinginkan.
-
Kurasi sumber pengetahuan berkualitas tinggi: Pastikan agar basis pengetahuan tetap kecil tetapi akurat untuk mengurangi penggunaan konteks dan pencarian pengetahuan. Hapus konten usang atau berisik untuk meningkatkan kualitas dasar dan mengurangi informasi yang salah.
-
Pilih pola integrasi yang paling sederhana terlebih dahulu: Utamakan konektor atau alur kerja bawaan, kecuali skenario Anda memang memerlukan API kustom atau server MCP. Alur yang lebih sederhana lebih mudah dipelihar dan dilacak kesalahannya.
-
Tentukan perilaku alat dengan jelas dan konsisten: Berikan setiap alat nama, deskripsi, set input, dan output yang bermakna, agar orkestrator dapat memilihnya dengan tepat dan menghasilkan rencana yang stabil.
-
Validasi autentikasi sejak dini: Hindari kejutan dengan memastikan apakah skenario memerlukan autentikasi pengguna, kredensial pembuat, atau akses aman melalui identitas terkelola.
-
Desain untuk latensi dan performa: Jaga agar kueri API tetap efisien, kurangi ukuran muatan, dan hindari menghubungkan integrasi yang lambat untuk mempertahankan pengalaman percakapan yang responsif.
-
Uji alat, alur kerja, dan perintah secara terpisah: Validasi input, output, dan status kesalahan satu per satu sebelum menyambungkannya ke topik atau orkestrator.
-
Rancang perilaku saluran secara cermat: Identifikasi saluran yang mendukung Markdown, kartu adaptif, foto, atau tata letak kustom, dan sesuaikan pesan Anda agar sesuai dengan kemampuan saluran tersebut.
-
Susun topik untuk kejelasan dan kemudahan pemeliharaan: Jaga agar topik tetap fokus, hindari tumpang tindih, dan pastikan setiap topik menyelesaikan satu tugas yang terdefinisi dengan baik.
-
Rancang frasa pemicu yang sesuai bahasa pengguna: Sertakan variasi, sinonim, dan pola frasa umum untuk meningkatkan pengenalan niat dan mengurangi frekuensi fallback.
-
Gunakan entitas untuk mengurangi pertanyaan yang tidak diperlukan: Gunakan entitas bawaan dan kustom untuk mengekstrak informasi dari pesan awal pengguna, mengurangi hambatan, dan mempercepat alur kerja.
-
Uji kasus edge pengisian slot secara menyeluruh: Validasi bagaimana agen berperilaku saat pengguna memberikan beberapa nilai, informasi yang tidak lengkap, atau input yang ambigu, dan perbaiki entitas untuk mengurangi kebingungan.