Skapa en lösning för arbetsflödesautomatisering med flera agenter med semantisk kernel

Azure Container Apps

Azure AI-tjänster

Azure Cosmos DB

Semantic Kernel

Lösningsidéer

I den här artikeln beskrivs en lösningsidé. Molnarkitekten kan använda den här vägledningen för att visualisera huvudkomponenterna för en typisk implementering av den här arkitekturen. Använd den här artikeln som utgångspunkt för att utforma en välkonstruerad lösning som överensstämmer med arbetsbelastningens specifika krav.

Den här arkitekturen visar ett processautomatiseringssystem som använder flera AI-agenter. Agenterna distribueras till Azure Container Apps och använder Azure AI-tjänster. Den här arkitekturens agenter och orkestreringsbeteende definieras i anpassad programvara med semantisk kernel. Arkitekturen är värd för specialiserade flera AI-agenter som samordnar och kör organisationsuppgifter automatiskt.

Den här artikeln beskriver infrastruktur- och DevOps-aspekterna för hur du hanterar system med flera agenter i Azure, inklusive kontinuerlig integrering, datapersistence och agentsamordning.

Arkitekturen beskriver hur du skapar skalbara automationspipelines där flera AI-agenter samarbetar via en central API-orkestrerare. Den stöder beständiga inlärnings- och automatiserade distributionsprocesser för automatisering av uppgifter i företagsklass.

Arkitektur

Bilden innehåller sex avsnitt som representerar de sex stegen i arbetsflödet. I steg ett pekar en pil från App Service-webbplatsen till API-agentorkestrering för Container Apps. I steg två pekar två pilar från API-agentorkestrering för Container Apps till avsnittet kunskapskällor och verktyg. I steg tre pekar en pil från Api-agentorkestrering för Container Apps till Azure AI Foundry GPT-4o-modellen. I steg fyra pekar en pil från API-agentorkestrering för Container Apps till Azure Cosmos DB. I steg fem pekar en pil från Docker till Container Registry. I steg sex pekar en pil från GitHub-källlagringsplatsen till Docker.

Ladda ned en Visio-fil med den här arkitekturen.

Arbetsflöde

Följande arbetsflöde motsvarar föregående diagram:

1. Anställda får åtkomst till webbklientdelen för att begära och hantera automatiserade lösningar. Uppgifter skickas via webbgränssnittet med specifika krav och parametrar.

2. Azure App Service-webbplatsen tar emot användarbegäran från klientdelen och anropar ett API som finns i Container Apps. Det API:et bearbetar den inkommande uppgiften och avgör vilka specialiserade AI-agenter som behövs. Uppgiften är uppdelad i komponentdelar för samordning med flera agenter.

3. API:et för Container Apps ansluter till en Azure AI Foundry-värdbaserad GPT-4o-modell. Flera specialiserade AI-agenter samordnas för att hantera olika aspekter av uppgiften. Agenter samarbetar för att planera, utföra och verifiera de uppgifter som ska utföras.

4. Azure Cosmos DB lagrar alla data som rör aktuella och tidigare planer och lösningar. Historiska uppgiftsdata och mönster bevaras i utbildnings- och optimeringssyfte. Agentbeslut och resultat sparas för framtida referens.

5. Azure Container Registry hanterar avbildningar för klientdelswebbplatsen och serverdels-API:et. Det här registret underhåller även versionshanterade containeravbildningar för återställningsfunktioner.

6. GitHub-källlagringsplatsen utlöser automatiska versioner av webbplats- och API-serverbilder på koduppdateringar. Docker skapar och distribuerar sedan de uppdaterade containeravbildningarna till registret.

Komponenter

• App Service är en plattform som en tjänstlösning som tillhandahåller en skalbar webbvärdmiljö för program. I den här arkitekturen fungerar App Service-webbplatsen som klientdelsgränssnitt för användare att begära och hantera automatiserade lösningar. Det ger en dynamisk webbupplevelse för att skicka uppgifter och spåra deras förlopp.

• Container Apps är en serverlös containerplattform som gör att du kan köra mikrotjänster och containerbaserade program på en serverlös plattform. I den här arkitekturen fungerar Container Apps API som det centrala orkestreringsskiktet som bearbetar användarbegäranden, samordnar flera AI-agenter och hanterar slutförandetillståndet för uppgifter. Den är värd för den egenutvecklade kod som skapats av programvaruteamet som använder semantisk kernel.

• Azure AI Foundry är en hanterad AI-tjänst som ger åtkomst till avancerade språkmodeller för bearbetning och generering av naturligt språk. I den här arkitekturen tillhandahåller Azure AI Foundry modeller som en tjänst som de semantiska kernelbaserade agenterna kan anropa.

• Azure Cosmos DB är en globalt distribuerad databastjänst med flera modeller som ger låg svarstid och elastisk skalbarhet. I den här arkitekturen lagrar Azure Cosmos DB alla data som rör aktuella och tidigare automatiseringsplaner och lösningar. API:et containerappar skriver data när nya planer skapas eller aktiviteter körs. API:et läser data när användare får åtkomst till sin automatiseringshistorik via App Service-webbplatsen.

• Container Registry är en hanterad Docker-registertjänst som lagrar och hanterar containeravbildningar. I den här arkitekturen hanterar Container Registry avbildningar för både klientdelswebbplatsen och serverdels-API:et. Den här konfigurationen säkerställer konsekvent distribution och versionskontroll av systemkomponenter med flera agenter i olika miljöer.

Scenarioinformation

Den här anpassade automatiseringsmotorn med flera agenter hanterar utmaningen att samordna komplexa, avdelningsoberoende affärsprocesser som traditionellt har krävt betydande manuell tillsyn och samordning. Organisationer kämpar ofta med uppgifter som omfattar flera expertområden, kräver konsekventa prestanda mellan team och kräver spårningsspår för att stödja efterlevnad.

Den här lösningen använder specialkodade, specialiserade AI-agenter som samarbetar för att dela upp komplexa organisatoriska uppgifter i hanterbara komponenter. Varje agent bidrar med domänspecifika kunskaper och funktioner. Med den här metoden kan systemet hantera avancerade arbetsflöden som annars skulle kräva mänsklig samordning mellan flera avdelningar. Arkitekturen skalar genom containerbaserad distribution, bevarar inlärning via beständig datalagring och stöder kontinuerlig förbättring genom automatiserade integrerings- och leveranspipelines.

Potentiella användningsfall

Automatisering av företagsprocesser

Orkestrering av medarbetarregistrering: Samordna IT-etablering, HR-dokumentation, åtkomst till anläggningar, träningsscheman och efterlevnadskrav på flera avdelningar.

Arbetsflöde för kontraktshantering: Automatisera juridisk granskning, godkännande av anskaffning, finansiell analys och leverantörskommunikation för komplexa affärsavtal.

Samordning av incidenthantering: Samordna teknisk reparation, kommunikation med intressenter, dokumentation och analys efter incident i IT-, säkerhets- och affärsteam.

Finansiella tjänster och efterlevnad

Automatisering av regelefterlevnad: Samordna datainsamling, analys, rapportering och överföring i flera regelverk samtidigt.

Pipeline för lånebearbetning: Automatisera arbetsflöden för kreditanalys, riskbedömning, dokumentationsgranskning och godkännande som omfattar flera specialistteam.

Hantering av granskningsförberedelser: Samordna insamling av bevis, förberedelse av dokumentation, intervjuer med intressenter och efterlevnadsverifiering mellan affärsenheter.

Sjukvård och forskning

Hantering av kliniska prövningar: Samordna patientrekrytering, regelefterlevnad, datainsamling, säkerhetsövervakning och rapportering mellan forskningsteam.

Samordning av patientvård: Automatisera schemaläggning, behandlingsplanering, försäkringsverifiering och kommunikation med vårdteamet för komplexa medicinska fall.

Inköp av medicinsk utrustning: Samordna kliniska krav, tekniska specifikationer, leverantörsutvärdering och processer för myndighetsgodkännande.

Tillverknings- och leveranskedja

Samordning av produktlansering: Orkestrera designfinalisering, tillverkningskonfiguration, kvalitetssäkring, marknadsföringsförberedelse och distributionsplanering.

Registreringsprocess för leverantörer: Automatisera kvalificeringsutvärderingar, kontraktsförhandlingar, systemintegreringar och konfiguration av prestandaövervakning.

Hantering av kvalitetsincidenter: Samordna undersökning, rotorsaksanalys, korrigerande åtgärder och leverantörskommunikation för problem med kvalitet.

Alternativ

Den här arkitekturen innehåller flera komponenter som du kan ersätta med andra Azure-tjänster eller -metoder, beroende på arbetsbelastningens funktionella och icke-funktionella krav. Överväg följande alternativ och kompromisser.

Agentorkestrering

Aktuell metod: Den här lösningen använder anpassad agentkod, skriven med Semantic Kernel SDK, för att orkestrera agenter och deras interaktioner. Container Apps fungerar som den centrala orchestrator-beräkning som kör koden. Den här koden samordnar de flera AI-agenter som arbetar med aktiva arbetsflöden. Den här metoden är en kod-första lösning som ger maximal kontroll över agentbeteende, orkestreringslogik och beräkningsskala.

Alternativ metod: Använd Azure AI Foundry Agent Service för att definiera agenter och ansluta dem individuellt till relevanta kunskapslager och verktyg. Den här metoden är en lösning utan kod där du definierar agentbeteende och agentrelationer via en systemprompt. Agenterna finns för din räkning och du har ingen kontroll över den beräkning som kör agenterna.

Överväg det här alternativet om din arbetsbelastning har följande egenskaper:

• Du behöver inte deterministisk agentorkestrering. Du kan definiera agentbeteendet tillräckligt, inklusive åtkomst och verktygsanvändning i kunskapsarkivet, via en systemprompt.

• Du behöver inte fullständig kontroll över dina agenters beräkning.

• Du behöver bara HTTPS-tillgängliga verktyg och dina kunskapslager är kompatibla med Foundry Agent Service.

För organisationer som har blandade krav kan en hybridmetod vara effektiv. Standardarbetsflöden använder Foundry Agent Service medan kritiska eller mycket anpassade processer använder lokalt installerad orkestrering i Container Apps.

Kostnadsoptimering

Kostnadsoptimering fokuserar på sätt att minska onödiga utgifter och förbättra drifteffektiviteten. Mer information finns i Checklista för designgranskning för kostnadsoptimering.

Information om kostnaderna för att köra det här scenariot finns i den förkonfigurerade uppskattningen i Priskalkylatorn för Azure.

Priserna varierar beroende på region och användning, så det går inte att förutsäga exakta kostnader i förväg. De flesta Azure-resurser i den här infrastrukturen följer användningsbaserade prismodeller. Container Registry medför dock en daglig fast kostnad för varje register.

Distribuera det här scenariot

Om du vill distribuera en implementering av den här arkitekturen följer du stegen på GitHub-lagringsplatsen.

Bidragsgivare

Microsoft ansvarar för den här artikeln. Följande deltagare skrev den här artikeln.

Huvudförfattare:

• Solomon Pickett | Programvarutekniker II

Annan deltagare:

• Mark Taylor | Huvudprogramtekniker

Om du vill se linkedin-profiler som inte är offentliga loggar du in på LinkedIn.

Nästa steg

• Översikt över agentarkitekturen med semantisk kernel

Lösningsidéer

I den här artikeln beskrivs en lösningsidé. Molnarkitekten kan använda den här vägledningen för att visualisera huvudkomponenterna för en typisk implementering av den här arkitekturen. Använd den här artikeln som utgångspunkt för att utforma en välkonstruerad lösning som överensstämmer med arbetsbelastningens specifika krav.

Den här arkitekturen visar ett processautomatiseringssystem som använder flera AI-agenter. Agenterna distribueras till Azure Container Apps och använder Azure AI-tjänster. Den här arkitekturens agenter och orkestreringsbeteende definieras i anpassad programvara med semantisk kernel. Arkitekturen är värd för specialiserade flera AI-agenter som samordnar och kör organisationsuppgifter automatiskt.

Den här artikeln beskriver infrastruktur- och DevOps-aspekterna för hur du hanterar system med flera agenter i Azure, inklusive kontinuerlig integrering, datapersistence och agentsamordning.

Arkitekturen beskriver hur du skapar skalbara automationspipelines där flera AI-agenter samarbetar via en central API-orkestrerare. Den stöder beständiga inlärnings- och automatiserade distributionsprocesser för automatisering av uppgifter i företagsklass.

Arkitektur

Bilden innehåller sex avsnitt som representerar de sex stegen i arbetsflödet. I steg ett pekar en pil från App Service-webbplatsen till API-agentorkestrering för Container Apps. I steg två pekar två pilar från API-agentorkestrering för Container Apps till avsnittet kunskapskällor och verktyg. I steg tre pekar en pil från Api-agentorkestrering för Container Apps till Azure AI Foundry GPT-4o-modellen. I steg fyra pekar en pil från API-agentorkestrering för Container Apps till Azure Cosmos DB. I steg fem pekar en pil från Docker till Container Registry. I steg sex pekar en pil från GitHub-källlagringsplatsen till Docker.

Ladda ned en Visio-fil med den här arkitekturen.

Arbetsflöde

Följande arbetsflöde motsvarar föregående diagram:

1. Anställda får åtkomst till webbklientdelen för att begära och hantera automatiserade lösningar. Uppgifter skickas via webbgränssnittet med specifika krav och parametrar.

2. Azure App Service-webbplatsen tar emot användarbegäran från klientdelen och anropar ett API som finns i Container Apps. Det API:et bearbetar den inkommande uppgiften och avgör vilka specialiserade AI-agenter som behövs. Uppgiften är uppdelad i komponentdelar för samordning med flera agenter.

3. API:et för Container Apps ansluter till en Azure AI Foundry-värdbaserad GPT-4o-modell. Flera specialiserade AI-agenter samordnas för att hantera olika aspekter av uppgiften. Agenter samarbetar för att planera, utföra och verifiera de uppgifter som ska utföras.

4. Azure Cosmos DB lagrar alla data som rör aktuella och tidigare planer och lösningar. Historiska uppgiftsdata och mönster bevaras i utbildnings- och optimeringssyfte. Agentbeslut och resultat sparas för framtida referens.

5. Azure Container Registry hanterar avbildningar för klientdelswebbplatsen och serverdels-API:et. Det här registret underhåller även versionshanterade containeravbildningar för återställningsfunktioner.

6. GitHub-källlagringsplatsen utlöser automatiska versioner av webbplats- och API-serverbilder på koduppdateringar. Docker skapar och distribuerar sedan de uppdaterade containeravbildningarna till registret.

Komponenter

• App Service är en plattform som en tjänstlösning som tillhandahåller en skalbar webbvärdmiljö för program. I den här arkitekturen fungerar App Service-webbplatsen som klientdelsgränssnitt för användare att begära och hantera automatiserade lösningar. Det ger en dynamisk webbupplevelse för att skicka uppgifter och spåra deras förlopp.

• Container Apps är en serverlös containerplattform som gör att du kan köra mikrotjänster och containerbaserade program på en serverlös plattform. I den här arkitekturen fungerar Container Apps API som det centrala orkestreringsskiktet som bearbetar användarbegäranden, samordnar flera AI-agenter och hanterar slutförandetillståndet för uppgifter. Den är värd för den egenutvecklade kod som skapats av programvaruteamet som använder semantisk kernel.

• Azure AI Foundry är en hanterad AI-tjänst som ger åtkomst till avancerade språkmodeller för bearbetning och generering av naturligt språk. I den här arkitekturen tillhandahåller Azure AI Foundry modeller som en tjänst som de semantiska kernelbaserade agenterna kan anropa.

• Azure Cosmos DB är en globalt distribuerad databastjänst med flera modeller som ger låg svarstid och elastisk skalbarhet. I den här arkitekturen lagrar Azure Cosmos DB alla data som rör aktuella och tidigare automatiseringsplaner och lösningar. API:et containerappar skriver data när nya planer skapas eller aktiviteter körs. API:et läser data när användare får åtkomst till sin automatiseringshistorik via App Service-webbplatsen.

• Container Registry är en hanterad Docker-registertjänst som lagrar och hanterar containeravbildningar. I den här arkitekturen hanterar Container Registry avbildningar för både klientdelswebbplatsen och serverdels-API:et. Den här konfigurationen säkerställer konsekvent distribution och versionskontroll av systemkomponenter med flera agenter i olika miljöer.

Scenarioinformation

Den här anpassade automatiseringsmotorn med flera agenter hanterar utmaningen att samordna komplexa, avdelningsoberoende affärsprocesser som traditionellt har krävt betydande manuell tillsyn och samordning. Organisationer kämpar ofta med uppgifter som omfattar flera expertområden, kräver konsekventa prestanda mellan team och kräver spårningsspår för att stödja efterlevnad.

Den här lösningen använder specialkodade, specialiserade AI-agenter som samarbetar för att dela upp komplexa organisatoriska uppgifter i hanterbara komponenter. Varje agent bidrar med domänspecifika kunskaper och funktioner. Med den här metoden kan systemet hantera avancerade arbetsflöden som annars skulle kräva mänsklig samordning mellan flera avdelningar. Arkitekturen skalar genom containerbaserad distribution, bevarar inlärning via beständig datalagring och stöder kontinuerlig förbättring genom automatiserade integrerings- och leveranspipelines.

Potentiella användningsfall

Automatisering av företagsprocesser

Orkestrering av medarbetarregistrering: Samordna IT-etablering, HR-dokumentation, åtkomst till anläggningar, träningsscheman och efterlevnadskrav på flera avdelningar.

Arbetsflöde för kontraktshantering: Automatisera juridisk granskning, godkännande av anskaffning, finansiell analys och leverantörskommunikation för komplexa affärsavtal.

Samordning av incidenthantering: Samordna teknisk reparation, kommunikation med intressenter, dokumentation och analys efter incident i IT-, säkerhets- och affärsteam.

Finansiella tjänster och efterlevnad

Automatisering av regelefterlevnad: Samordna datainsamling, analys, rapportering och överföring i flera regelverk samtidigt.

Pipeline för lånebearbetning: Automatisera arbetsflöden för kreditanalys, riskbedömning, dokumentationsgranskning och godkännande som omfattar flera specialistteam.

Hantering av granskningsförberedelser: Samordna insamling av bevis, förberedelse av dokumentation, intervjuer med intressenter och efterlevnadsverifiering mellan affärsenheter.

Sjukvård och forskning

Hantering av kliniska prövningar: Samordna patientrekrytering, regelefterlevnad, datainsamling, säkerhetsövervakning och rapportering mellan forskningsteam.

Samordning av patientvård: Automatisera schemaläggning, behandlingsplanering, försäkringsverifiering och kommunikation med vårdteamet för komplexa medicinska fall.

Inköp av medicinsk utrustning: Samordna kliniska krav, tekniska specifikationer, leverantörsutvärdering och processer för myndighetsgodkännande.

Tillverknings- och leveranskedja

Samordning av produktlansering: Orkestrera designfinalisering, tillverkningskonfiguration, kvalitetssäkring, marknadsföringsförberedelse och distributionsplanering.

Registreringsprocess för leverantörer: Automatisera kvalificeringsutvärderingar, kontraktsförhandlingar, systemintegreringar och konfiguration av prestandaövervakning.

Hantering av kvalitetsincidenter: Samordna undersökning, rotorsaksanalys, korrigerande åtgärder och leverantörskommunikation för problem med kvalitet.

Alternativ

Den här arkitekturen innehåller flera komponenter som du kan ersätta med andra Azure-tjänster eller -metoder, beroende på arbetsbelastningens funktionella och icke-funktionella krav. Överväg följande alternativ och kompromisser.

Agentorkestrering

Aktuell metod: Den här lösningen använder anpassad agentkod, skriven med Semantic Kernel SDK, för att orkestrera agenter och deras interaktioner. Container Apps fungerar som den centrala orchestrator-beräkning som kör koden. Den här koden samordnar de flera AI-agenter som arbetar med aktiva arbetsflöden. Den här metoden är en kod-första lösning som ger maximal kontroll över agentbeteende, orkestreringslogik och beräkningsskala.

Alternativ metod: Använd Azure AI Foundry Agent Service för att definiera agenter och ansluta dem individuellt till relevanta kunskapslager och verktyg. Den här metoden är en lösning utan kod där du definierar agentbeteende och agentrelationer via en systemprompt. Agenterna finns för din räkning och du har ingen kontroll över den beräkning som kör agenterna.

Överväg det här alternativet om din arbetsbelastning har följande egenskaper:

• Du behöver inte deterministisk agentorkestrering. Du kan definiera agentbeteendet tillräckligt, inklusive åtkomst och verktygsanvändning i kunskapsarkivet, via en systemprompt.

• Du behöver inte fullständig kontroll över dina agenters beräkning.

• Du behöver bara HTTPS-tillgängliga verktyg och dina kunskapslager är kompatibla med Foundry Agent Service.

För organisationer som har blandade krav kan en hybridmetod vara effektiv. Standardarbetsflöden använder Foundry Agent Service medan kritiska eller mycket anpassade processer använder lokalt installerad orkestrering i Container Apps.

Kostnadsoptimering

Kostnadsoptimering fokuserar på sätt att minska onödiga utgifter och förbättra drifteffektiviteten. Mer information finns i Checklista för designgranskning för kostnadsoptimering.

Information om kostnaderna för att köra det här scenariot finns i den förkonfigurerade uppskattningen i Priskalkylatorn för Azure.

Priserna varierar beroende på region och användning, så det går inte att förutsäga exakta kostnader i förväg. De flesta Azure-resurser i den här infrastrukturen följer användningsbaserade prismodeller. Container Registry medför dock en daglig fast kostnad för varje register.

Distribuera det här scenariot

Om du vill distribuera en implementering av den här arkitekturen följer du stegen på GitHub-lagringsplatsen.

Bidragsgivare

Microsoft ansvarar för den här artikeln. Följande deltagare skrev den här artikeln.

Huvudförfattare:

• Solomon Pickett | Programvarutekniker II

Annan deltagare:

• Mark Taylor | Huvudprogramtekniker

Om du vill se linkedin-profiler som inte är offentliga loggar du in på LinkedIn.

Nästa steg

• Översikt över agentarkitekturen med semantisk kernel