Agent danych w Microsoft Fabric umożliwia organizacjom tworzenie środowisk konwersacyjnych na danych przedsiębiorstwa. Łącząc Fabric artefakty z agentem danych, użytkownicy mogą tłumaczyć pytania języka naturalnego na dokładne zapytania, umożliwiając uczestnikom projektu, od analityków do kadry kierowniczej, odblokowywanie szczegółowych informacji bez konieczności pisania jednego wiersza kodu. W tym artykule przedstawiono wszystkie źródła danych obsługiwane przez agenta danych oraz możliwości konfiguracji dostępne dla każdego źródła danych.
Overview
Agent danych obsługuje następujące kategorie źródeł danych:
| Kategoria |
Artifacts |
Język zapytań |
Scenariusz kluczowy |
|
SQL |
Lakehouse, Data Warehouse, SQL Database, Lustrzane bazy danych |
T-SQL |
Ustrukturyzowana analiza danych relacyjnych i Delta Lake |
|
Eventhouse |
Baza danych KQL usługi Eventhouse |
KQL |
Analiza w czasie rzeczywistym i analiza szeregów czasowych |
|
Semantyczny model |
Modele semantyczne usługi Power BI |
DAX |
Logika biznesowa, miary obliczeniowe i wyselekcjonowane metryki |
|
Graph (wersja zapoznawcza) |
Model grafu |
GQL |
Eksploracja danych bogatych w relacje i analizy grafów. |
|
Ontology (wersja zapoznawcza) |
Fabric Ontology |
natywny dla ontologii |
Znajomość domeny i kontekst semantyczny na potrzeby integracji danych |
|
Wyszukiwanie AI platformy Azure (wersja zapoznawcza) |
Indeks usługi Wyszukiwanie AI platformy Azure |
Język naturalny i wyszukiwanie |
Pobieranie danych bez struktury (pliki PDF, tekst, wzbogacona zawartość) |
Tip
Pojedynczy agent danych może łączyć maksymalnie pięć źródeł danych w dowolnej kombinacji, umożliwiając łączenie ustrukturyzowanych, semantycznych i nieustrukturyzowanych danych w jednym środowisku konwersacyjnym.
Obsługiwane artefakty
-
Lakehouse — tabele usługi Delta Lake udostępniane za pośrednictwem punktu końcowego usługi SQL Analytics.
-
Data Warehouse — kompleksowe rozwiązanie magazynu danych Fabric z przestrzenią roboczą dla języka T-SQL.
-
SQL Database — nat ywne dla platformy Fabric bazy danych SQL.
-
Mirrored Databases — zewnętrzne bazy danych synchronizowane z Fabric (na przykład Azure SQL, Cosmos DB, Snowflake).
Każde źródło SQL w Fabric jest dostarczane z wysokowydajnym punktem końcowym do analizy SQL, będącym powierzchnią zapytaniową T-SQL tylko do odczytu na danych formatu Delta w usłudze OneLake. Agent danych korzysta z wbudowanej usługi NL2SQL , która:
- Tłumaczy pytanie języka naturalnego użytkownika na zapytanie T-SQL przy użyciu wybranego schematu, instrukcji i przykładowych zapytań użytkownika.
- Sprawdza poprawność wygenerowanego zapytania względem wybranego schematu, aby upewnić się, że odwołuje się tylko do zatwierdzonych tabel i widoków.
- Wykonuje zapytanie za pośrednictwem punktu końcowego usługi SQL Analytics i zwraca wyniki czytelne dla człowieka.
Obsługiwane artefakty
-
Eventhouse KQL Database — magazyn analizy Real-Time Fabric dla danych przesyłania strumieniowego, sterowanego zdarzeniami i szeregów czasowych.
Agent danych łączy się z punktem końcowym bazy danych KQL usługi Eventhouse i korzysta z wbudowanego modułu NL2KQL usługi Kusto, umożliwiając następujące możliwości:
- Pytanie użytkownika jest tłumaczone na zapytanie KQL przy użyciu wybranego schematu i wszystkich podanych instrukcji lub przykładów.
- Zapytanie jest weryfikowane, aby potwierdzić, że dotyka tylko zatwierdzonych jednostek schematu.
- Po zatwierdzeniu zapytanie jest wykonywane przez silnik Kusto — zoptymalizowany pod kątem obciążeń analitycznych z niskimi opóźnieniami i dużą przepływnością.
Obsługiwane artefakty
-
Power BI Semantic Models — opublikowane zestawy danych zawierające tabele, relacje, miary, kolumny obliczeniowe i hierarchie.
Każdy model semantyczny w Fabric uwidacznia XMLA Endpoint którego agent danych używa do wykonywania zapytań języka DAX. Wbudowana usługa NL2DAX :
- Tłumaczy język naturalny na zapytanie języka DAX, wykorzystując metadane modelu (opisy tabel, synonimy kolumn, definicje miar, relacje).
- Sprawdza poprawność zapytania względem wybranego schematu.
- Wykonuje za pośrednictwem punktu końcowego XMLA i zwraca sformatowane wyniki.
Obsługiwane artefakty
-
Graph Model — Artefakty grafu Fabric definiujące schematy węzłów i krawędzi.
Agent danych programu Graph może uruchamiać zapytania GQL i uzyskiwać szczegółowe informacje z grafowych źródeł danych w Fabric. Aby skonfigurować takiego agenta, dodaj model grafu lub zestaw zapytań grafów jako źródło danych.
Gdy agent danych uruchamia język zapytań grafowych (GQL) względem źródła danych grafu, podstawowy artefakt programu Fabric Graph wykona zapytanie, co spowoduje zużycie operacji grafowych.
Obsługiwane artefakty
-
Fabric Ontology — warstwa semantyczna, która przechwytuje wiedzę o domenie, definicje jednostek i relacje.
Po skonfigurowaniu ontologii w Fabric można go dodać jako źródło danych do agenta danych. Agent używa ontologii, aby zrozumieć kontekst domeny i odpowiedzieć na pytania zakorzenione w modelu wiedzy organizacji.
Obsługiwane artefakty
-
Wyszukiwanie AI platformy Azure Index — indeksy wbudowane w Azure AI Foundry zawartości bez struktury, takie jak pliki PDF, pliki tekstowe i inne wzbogacone dokumenty.
Agent danych łączy się bezpośrednio z indeksem Wyszukiwanie AI platformy Azure przy użyciu adresu URL zasobu. Gdy użytkownik zadaje pytanie, agent wysyła zapytanie (z tożsamością użytkownika do kontroli dostępu) do indeksu wyszukiwania, pobiera najbardziej odpowiednie fragmenty dokumentów i komponuje ostateczną odpowiedź. Cytaty są dołączane automatycznie, gdy indeks zawiera pola adresu URL lub ścieżki pliku.
Obsługiwane konfiguracje źródeł SQL
| Konfiguracja |
Wsparte |
Details |
| Wybór schematu |
✅ Tak |
Wybierz określone tabele, widoki i funkcje , aby ograniczyć zakres agenta. |
| Instrukcje dotyczące agenta |
✅ Tak |
Instrukcje dla agenta na temat tego, kiedy i jak powinien kierować pytania do tego źródła. |
| Instrukcje dotyczące źródła danych |
✅ Tak |
Podaj opisy tabel, logikę sprzężenia, szczegóły kolumny klucza i terminologię biznesową do nl2SQL. |
| Opis źródła danych |
✅ Tak |
Opis, który pomaga agentowi określić, czy to źródło danych jest istotne dla pytania użytkownika. |
|
Opisy obiektów schematu (Wersja zapoznawcza) |
✅ Tak |
Zapewnij kontekst biznesowy dla tabel, kolumn i innych elementów schematu, aby usprawnić generowanie zapytań SQL. Dostępne tylko w wersji podglądowej. |
| Przykładowe zapytania |
✅ Tak |
Podaj pary języka naturalnego/SQL, aby agent mógł uczyć się złożonych wzorców zapytań. Najważniejsze przykłady są automatycznie pobierane za pośrednictwem podobieństwa wektorów. |
Obsługiwane konfiguracje źródeł KQL usługi Eventhouse
| Konfiguracja |
Wsparte |
Details |
| Wybór schematu |
✅ Tak |
Wybierz określone tabele, zmaterializowane widoki, funkcje i skróty , aby ograniczyć zakres agenta. |
| Instrukcje dotyczące agenta |
✅ Tak |
Instrukcje dla agenta na temat tego, kiedy i jak powinien kierować pytania do tego źródła. |
| Instrukcje dotyczące źródła danych |
✅ Tak |
Podaj kontekst tabel, materializowanych widoków, funkcji i skrótów do NL2KQL. |
| Opis źródła danych |
✅ Tak |
Opis, który pomaga agentowi określić, czy to źródło danych jest istotne dla pytania użytkownika. |
| Przykładowe zapytania |
✅ Tak |
Podaj pary języka naturalnego/KQL w celu nauczenia agenta złożonych wzorców agregacji i łączenia. |
Konfiguracje obsługiwane przez model semantyczny
| Konfiguracja |
Wsparte |
Details |
| Wybór schematu |
✅ Tak* |
Wybierz tabele do udostępnienia. Kontrola na poziomie kolumny jest dostępna, gdy Prep for AI jest skonfigurowany w Power BI. |
| Instrukcje dotyczące agenta |
✅ Tak |
Poprowadzić agenta, kiedy wybrać model semantyczny, aby odpowiedzieć na pytania. |
| Instrukcje dotyczące źródła danych |
❌ Nie* |
Instrukcje są zarządzane za pośrednictwem Prep for AI (Instrukcje AI i Zweryfikowane Odpowiedzi) po stronie modelu semantycznego. Agent danych honoruje je, gdy jest obecny. |
| Opis źródła danych |
❌ Nie |
Semantyczne modele nie obsługują opisów źródeł danych. |
| Przykładowe zapytania |
❌ Nie* |
Obecnie nieobsługiwane w przypadku modeli semantycznych. Użyj zweryfikowanych odpowiedzi w narzędziu Prep for AI, aby uwzględnić przykładowe zapytania języka DAX. |
*Modele semantyczne są konfigurowane głównie za pomocą Prep for AI w Power BI które oferują schematy danych sztucznej inteligencji, instrukcje dotyczące sztucznej inteligencji i zweryfikowane odpowiedzi.
Konfiguracje obsługiwane przez model programu Graph
| Konfiguracja |
Wsparte |
Details |
| Wybór schematu |
❌ Nie |
Graph nie pozwala użytkownikowi na zawężenie zakresu działania agenta do określonych węzłów i krawędzi. |
| Instrukcje dotyczące agenta |
✅ Tak |
Instrukcje dla agenta na temat tego, kiedy i jak powinien kierować pytania do tego źródła. |
| Instrukcje dotyczące źródła danych |
✅ Tak |
Przekazano do aparatu NL2GQL, aby kierować generowaniem zapytań. |
| Opis źródła danych |
✅ Tak |
Opis, który pomaga agentowi określić, czy to źródło danych jest istotne dla pytania użytkownika. |
| Przykładowe zapytania |
✅ Tak |
Zadanie przekazane do NL2GQL w celu nauczenia złożonych wzorców trawersowania grafu. |
Konfiguracje obsługiwane przez ontologię
| Konfiguracja |
Wsparte |
Details |
| Wybór schematu |
❌ Nie |
Nieobsługiwane w przypadku źródeł danych ontologii. |
| Instrukcje dotyczące agenta |
✅ Tak |
Poprowadzić agenta, kiedy wybrać model semantyczny, aby odpowiedzieć na pytania. |
| Instrukcje dotyczące źródła danych |
❌ Nie |
Nieobsługiwane w przypadku źródeł danych ontologii. |
| Opis źródła danych |
✅ Tak |
Opis, który pomaga agentowi określić, czy to źródło danych jest istotne dla pytania użytkownika. |
| Przykładowe zapytania |
❌ Nie |
Nieobsługiwane w przypadku źródeł danych ontologii. |
Konfiguracje danych bez struktury
| Setting |
Details |
| Wyświetlana nazwa |
W środowisku agenta wyświetlana jest nazwa niestandardowa dla indeksu. |
| Typ wyszukiwania |
Wybierz wyszukiwanie pełnotekstowe, hybrydowe lub semantyczne w zależności od konfiguracji indeksu. |
| Liczba dokumentów |
Określ liczbę pobieranych dokumentów na zapytanie (zalecane: 3–20). |
| Kontekst/opis |
Opisz zawartość indeksu, pola klucza i wskazówki dotyczące użycia, aby ułatwić routing. |
| Instrukcje dotyczące agenta |
Przewodnik, w jaki sposób agent interpretuje wyniki wyszukiwania i komponuje ostateczną odpowiedź. |
Dowiedz się więcej