Del via

Bruk agentverktøy for å utvide, automatisere og forbedre agentene dine

Agenter blir sterkere når du utstyrer dem med spesialiserte verktøy som utvider deres kjernekapasiteter. 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 hostede og bring-your-own-maskiner for datamaskinbruk, samt veiledning om valg mellom tradisjonelle Robotic Process Automation (RPA) og Computer Using Agents (CUA)-tilnærminger.

Generer et svar ved å bruke AI-prompts

AI-prompts bruker et sett 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 prompter lagres i et promptbibliotek og støtter applikasjonslivssyklusstyring, rollebasert tilgangskontroll og deling.

Lær mer om hvordan du bruker prompts for å få agenten din til å utføre spesifikke oppgaver.

Bestem når du skal bruke AI-prompter kontra orkestratoren

Hver agent innebygd i Copilot Studio bruker orkestratoren for å avgjøre hvordan de skal svare ved å velge verktøy, temaer og kunnskap basert på systeminstruksjoner, brukerinput og kontekstuell informasjon. Orkestratoren er motoren bak generativ orkestrering, som planlegger handlinger og komponerer svar ved hjelp av agentens verktøy og beskrivelser.

Selv om orkestratordrevne svar kan virke som AI-prompter, tjener de to funksjonene forskjellige formål. AI-prompts er frittstående promptbaserte handlinger som gir skaperne dypere kontroll over modellkonfigurasjonen.

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

Orkestratoren bruker en fast systemprompt og verktøybeskrivelser for å velge de riktige byggeklossene for en gitt forespørsel. Skapere kan ikke redigere orkestratorens systemprompt, men de kan påvirke hvordan den oppfører seg gjennom agentinstruksjoner.

AI-prompts gir full kontroll over formatering, begrensninger og logikk, noe som gjør dem til det riktige valget for scenarioer som krever finjustert eller svært strukturert output. For eksempel, hvis du trenger stilistisk kontroll utover enkel formatering ("skriv et rimende dikt i ABAB-struktur med nøyaktig disse ordene"), er en prompt det beste valget.

Orkestratoren fungerer godt for enkle oppgaver som å trekke ut et enkelt navn fra tekst. For kompleks ekstraksjon, bruk AI-prompter. For eksempel å hente flere enheter fra en lang rapport og knytte dem til domenespesifikke relasjoner (for eksempel å hente ut flere navn fra en forsikringsrapport og identifisere eieren av bilreparasjonstjenesten som kun er tilknyttet én part i hendelsen).

Valget mellom orkestrator- og AI-prompter avhenger av hvor mye tilpasning som kreves. Hvis du trenger presis kontroll over modellens oppførsel eller utdata, velg AI-prompts. For situasjoner hvor generell resonnement, verktøyvalg og lett formatering er tilstrekkelig, er orkestratoren 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-kontakter at du beskriver hver handling og dens input, og 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. Bygg egendefinerte MCP-servere for tjenester der ingen finnes.

Fordeler med MCP inkluderer:

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

Vurder følgende begrensninger før du implementerer MCP-servere:

  • Du kan ikke berike verktøybeskrivelser med mer kontekst om når du skal aktivere.
  • Emner kan ikke kalle MCP-servere direkte.

Forstå når du skal bruke MCP

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

Bruk MCP når du trenger en standardisert, sentralt administrert måte å eksponere verktøy og ressurser til flere agenter uten konfigurasjon per klient. MCP-servere publiserer verktøy og ressurser som agenter automatisk kan oppdage, versjon og bruke konsekvent fordi MCP-serveren definerer verktøybeskrivelsene og deres input. I motsetning til dette krever det å legge til et API direkte at du manuelt beskriver formålet og definerer inputene per agent.

MCP er spesielt verdifullt når upstream-API-er endres ofte. I stedet for å oppdatere alle agenter som bruker API-et, endrer du definisjonen når den er på MCP-serveren, og alle agenter bruker automatisk den oppdaterte versjonen uten å publisere på nytt. Hvis det ikke finnes noen MCP-server, eller du raskt prototyper, er det raskere å kalle API-er direkte og unngår oppsettsoverhead som kreves for å introdusere hele MCP-livssyklusen.

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

Automatiser skrivebordsprosesser ved å bruke dataverktøyet

Ved å bruke dataverktøyet 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 en prompt. Agenten bestemmer hvordan de best kan nå sine mål. Under prosessen tar agenten et skjermbilde ved hvert steg, analyserer det for å bestemme neste handling, utfører denne handlingen, og gjentar denne syklusen til oppgaven er fullført. Skjermbilder tatt av agenten og resonnementssteg er tilgjengelige som en del av kjørehistorikken.

Vanlige situasjoner hvor en agent kan dra nytte av dataverktøyet inkluderer:

  • Dataregistrering: For hver rad i den innkommende CSV-filen, opprett salgsordren i SAP og skriv den genererte ordre-ID-en tilbake til filen.
  • Datautvinning: Gå til hver leverandørportal, søk i den oppførte SKU-en, hent ut pris, lager og ledetid, og sett inn resultatene med tidsstempel i databasen.
  • På tvers av apper: Eksporter dagens transaksjoner fra skrivebordsfinansklienten, naviger i QuickBooks, og legg hver oppføring til riktig konto.

Forstå hostede maskiner kontra å ta med din egen maskin

Agenter kan kalle datamaskinverktøyet på en Microsoft-hostet maskin eller en bring-your-own (BYO)-maskin. Hostede maskiner er tilgjengelige for umiddelbar bruk uten IT-konfigurasjon eller fakturering. De tilhører en delt pool av forhåndsprovisjonerte Windows 365 Cloud-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 produksjonsscenarier. De har støtte for Microsoft Entra ID, er Intune-registrert, og støtter både web- og skrivebordsautomatiseringsbruk. Bruk hostede 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.

Robotisert prosessautomatisering (RPA) vs. datamaskinbaserte agenter (CUA)

Robotisk prosessautomatisering (RPA) er automatiseringen 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 RPA CUA
Automatiseringstype Regelbasert LLM-drevet
Interaksjonsmetode UI-tre Visjon
Redigering Manus, kompleks Instruksjoner for naturlig språk
Beslutningstaking Forhåndsdefinerte regler Autonome visuelle beslutninger
Fleksibilitet Begrenset fleksibilitet Høy fleksibilitet
Feilbehandling Statisk feilhåndtering Selvkorrigering basert på visuell tilbakemelding

Bruk RPA når:

  • Kun generelt tilgjengelige (GA) funksjoner er tillatt.
  • Brukergrensesnittet er stabilt. Skjermene, feltene og velgerne endres sjelden.
  • Reglene er klare. Du kan fange beslutninger i regler.
  • Fart betyr noe. Høyt volum. Hvert sekund teller.
  • Et RPA-team eier den. Teamet har eksisterende kunnskap om utvikling og ledelse av RPA.

Bruk CUA når:

  • Brukergrensesnitt skifter eller varierer mye. Du jobber med flere apper og gjør hyppige redesign.
  • Du trenger det raskt. RPA-teamets etterslep er fullt.
  • Brukergrensesnitt er viktig. Oppgaven avhenger av hva som er synlig på skjermen, som diagrammer, farger og dynamiske oppsett.
  • Avgjørelser er uklare. Agenten må resonnere, velge neste steg eller korrigere seg selv.
  • Last updated on