Bruk agentverktøy for å utvide, automatisere og forbedre agentene dine

Agentene blir mer kraftfulle når du utstyrer dem med spesialiserte verktøy som utvider deres kjernefunksjoner. Copilot Studio tilbyr tre hovedkategorier av agentverktøy:

Denne artikkelen utforsker hvordan hver verktøytype fungerer, når du bør bruke dem, og hvordan de kan hjelpe deg med å bygge mer kapable og effektive agenter. Du lærer også om forskjellene mellom vertsbaserte og egne maskiner for datamaskinbruk scenarioer, samt råd om valg mellom tradisjonelle robotautomatisering (RPA) og Computer Using Agents (CUA)-tilnærminger.

Generer et svar ved å bruke AI-instrukser

AI-spørsmål bruker et sett med instruksjoner for å generere et svar fra en AI-modell. Du kan inkludere variabler for å sette inn mer tekst eller dokumenter i disse instruksjonene. Utdataene leveres vanligvis enten i ren tekst eller JSON-format. Du kan velge hvilken som helst AI-modell som er innebygd i Copilot Studio eller distribuert gjennom Microsoft Foundry for å generere svaret.

Du kan bruke prompts som et agentverktøy eller fra et emne. Alle spørsmål lagres i et spørsmålbibliotek og støtter styring av applikasjonens livssyklus, rollebasert tilgangskontroll og deling.

Finn ut mer om hvordan du bruker spørsmål for å få agenten til å utføre bestemte oppgaver.

Bestem når du skal bruke AI-instrukser kontra iverksetteren

Hver agent bygget i Copilot Studio bruker iverksetteren til å avgjøre hvordan de skal svare ved å velge verktøy, temaer og kunnskapsbaser basert på systeminstruksjoner, brukerinput og kontekstuell informasjon. Iverksetteren er motoren bak generativ iverksetting, som planlegger handlinger og setter sammen svar ved hjelp av agentens verktøy og beskrivelser.

Selv om iverksetterdrevne svar kan virke like AI-spørsmål, har de to kapabilitetene forskjellige formål. AI-instrukser er frittstående instruksbaserte handlinger som gir skaperne dypere kontroll over modellkonfigurasjonen.

AI-instrukswe støtter et bredere spekter av modeller, inkludert de som er tilgjengelige gjennom Microsoft Foundry. De støtter også funksjoner som Dataverse-forankring, filinnganger, og kodefortolker.

Iverksetter bruker et fast systemspørsmål og verktøybeskrivelser for å velge de riktige byggeblokkene for en gitt forespørsel. Skapere kan ikke redigere iverksetterens systeminstruks, men de kan påvirke hvordan den oppfører seg gjennom agentinstruksjoner.

AI-spørsmål gir full kontroll over formatering, begrensninger og logikk, og er det riktige valget for scenarioer som krever finjustert eller svært strukturert utdata. For eksempel, hvis du trenger stilistisk kontroll utover enkel formatering ("skriv et rimende dikt i ABAB-struktur med akkurat disse ordene"), er et spørsmål det beste alternativet.

Iverksetteren fungerer godt for enkle oppgaver som å trekke ut et enkelt navn fra tekst. For kompleks ekstraksjon, bruk AI-spørsmål. F.eks. å hente flere entiteter fra en lang rapport og opprette en kobling mellom dem og domenespesifikke relasjoner (f.eks. å hente ut flere navn fra en forsikringsrapport og identifisere eieren av bilreparasjonstjenesten som kun er tilknyttet én part i hendelsen).

Valget mellom iverksetter og AI-spørsmål avhenger av graden av tilpasning som kreves. Hvis du trenger presis kontroll over modellens oppførsel eller output, velg AI-spørsmål. For situasjoner hvor generell resonnement, verktøyvalg og lett formatering er tilstrekkelig, er iverksetteren det riktige valget.

Integrer agentverktøy ved å bruke MCP

Model Context Protocol (MCP) er et universelt grensesnitt som AI-modeller bruker for å samhandle med eksterne verktøy, datakilder og brukermiljøer på en konsistent og skalerbar måte.

Til sammenligning krever Power Platform-koblinger at du beskriver hver handling og dens innganger, og at du oppdaterer disse beskrivelsene etter hvert som nye definisjoner blir tilgjengelige. Egendefinert koding og integrasjon for hvert verktøy er mer komplekst og mindre skalerbart.

Bruk MCP-serverne som følger med Copilot Studio for Microsoft-tjenester som Outlook, Dataverse og GitHub, eller tredjepartstjenester som Salesforce og JIRA. Opprett egendefinerte MCP-servere for tjenester som mangler slike servere.

Fordelene av MCP omfatter følgende:

  • Standardisert kontekst for AI-modeller
  • Sømløs integrasjon med Copilot Studio
  • Forbedret effektivitet for utviklere og brukeropplevelse
  • Styring, overvåking og utvidbarhet

Vurder følgende begrensninger før du implementerer MCP-servere:

  • Du kan ikke berike verktøybeskrivelser med mer kontekst om når de skal kalles opp.
  • Emner kan ikke kalle MCP-servere direkte.

Forstå når du skal bruke MCP

Du kan oppnå de samme resultatene i Copilot Studio gjennom flere integrasjonsmåter. Det er viktig å forstå når du skal bruke Model Context Protocol (MCP)-servere i stedet for enklere alternativer som Power Platform-koblinger eller direkte REST API-kall.

Bruk MCP når du trenger en standardisert, sentralt administrert måte å gjøre verktøy og ressurser tilgjengelig for flere agenter uten konfigurasjon per klient. MCP-servere publiserer verktøy og ressurser som agenter automatisk kan oppdage, versjonere og bruke konsekvent, fordi MCP-serveren definerer verktøybeskrivelsene og deres inndata. I motsetning må du manuelt beskrive formålet med API-et og definere inndataene for hver agent.

MCP er særlig nyttig når oppstrøms-API-er hyppig endres. I stedet for å oppdatere hver agent som bruker API-et, endrer du definisjonen én gang på MCP-serveren, og alle agenter bruker automatisk den oppdaterte versjonen uten å måtte publisere på nytt. Hvis det ikke finnes en MCP-server, eller du utvikler prototyper raskt, er det mer effektivt å bruke API-er direkte og du slipper oppsettarbeidet som kreves for å introdusere hele MCP-livssyklusen.

Generativ iverksetting må være aktivert for å bruke MCP. Les mer i Hvordan fungerer MCP?

Automatiser skrivebordsprosesser ved å bruke datamaskinbruk-verktøyet

Ved å bruke datamaskinbruk-verktøyet kan en agent operere en datamaskin uten behov for automatiseringsskript eller API-er. I stedet for å bruke skript eller API-er, konfigurerer du agenten ved å bruke et spørsmål. Agenten avgjør hvordan den best kan nå sine mål. Underveis i prosessen tar agenten et skjermbilde på hvert trinn, analyserer det for å avgjøre neste handling, utfører den handlingen og gjentar prosessen til oppgaven er fullført. Skjermbilder tatt av agenten og resonnementtrinn er tilgjengelige som en del av kjøringsloggen.

Vanlige scenarioer der en agent kan dra nytte av verktøyet for datamaskinbruk inkluderer:

  • Dataregistrering: For hver rad i den innkommende CSV-filen, opprett en salgsordre i SAP og legg den genererte ordre-ID-en inn i filen.
  • Datainnhenting: Gå til hver leverandørportal, søk etter den oppførte SKU-en, hent ut pris, lager og ledetid, og legg inn resultatene med tidsstempel i databasen.
  • På tvers av apper: Eksporter dagens transaksjoner fra skrivebordsfinansprogrammet, naviger i QuickBooks, og bokfør hver transaksjon på riktig konto.

Forstå vertsbaserte maskiner kontra å ta med din egen maskin

Agenter kan bruke datamaskinbruksverktøyet på en Microsoft-vertsbasert maskin eller en (BYO)-maskin. Vertsbaserte maskiner er tilgjengelige for umiddelbar bruk uten IT-konfigurasjon eller fakturering. De inngår i en delt pulje av forhåndskonfigurerte Windows 365 Sky-PC-er som ikke er Entra-tilknyttet kundens leietaker. BYO-maskiner må være klargjort på forhånd innenfor kundens eget virtuelle nettverk. Du må registrere og administrere BYO-maskiner i Power Automate.

Bruk BYO-maskiner til produksjonsscenarioer. De har støtte for Microsoft Entra ID, er Intune-tilmeldt og støtter både nett- og skrivebordsautomatisering. Bruk vertsbaserte maskiner kun til prototyping på grunn av deres begrensede muligheter. Kun én Cloud-PC er tilgjengelig per bruker om gangen, og bruken kan begrenses basert på etterspørsel.

Finn ut mer i Konfigurer hvor datamaskinbruk kjører.

Robotautomatisering (RPA) vs. Computer Using Agents (CUA)

Robotautomatisering (RPA) er automatisering av en datamaskin ved bruk av et skript. Du kan bruke det i mange av de samme situasjonene som CUA. Det er imidlertid viktig å forstå forskjellene mellom RPA og CUA.

Aspekt Robotautomatisering CUA
Automatiseringstype Regelbasert LLM-drevet
Interaksjonsmetode UI-tre Syn
Redigering Komplekst skript Instruksjoner i naturlig språk
Beslutningstakning Forhåndsdefinerte regler Autonome beslutninger basert på visuell informasjon
Fleksibilitet Begrenset fleksibilitet Høy fleksibilitet
Feilbehandling Statisk feilhåndtering Selvkorreksjon basert på visuell tilbakemelding

Bruk RPA når:

  • Kun generelt tilgjengelige (GA) funksjoner er tillatt.
  • Brukergrensesnittet er stabilt. Skjermene, feltene og selektorer endres sjelden.
  • Reglene er klare. Du kan fange beslutninger i regler.
  • Hastighet er viktig. Høyt volum. Hvert sekund teller.
  • Et RPA-team har ansvar for prosessen. Teamet har kompetanse innen RPA-utvikling og -administrasjon.

Bruk CUA når:

  • Brukergrensesnitt endres eller varierer betydelig. Du arbeider med flere apper og hyppige redesign.
  • Du trenger det raskt. RPA-teamets backlog er full.
  • Brukergrensesnitt er viktig. Oppgaven avhenger av det som er synlig på skjermen, for eksempel diagrammer, farger og dynamiske oppsett.
  • Avgjørelser er uklare. Agenten må resonnere, velge neste trinn eller korrigere seg selv.
  • Last updated on