Dela via

Konfigurera och använda AI-agenter

AI-agenter (Artificiell intelligens) revolutionerar hur människor och program interagerar med data genom att integrera stora språkmodeller (LLM) med externa verktyg och databaser. Agenter effektiviserar komplexa arbetsflöden, förbättrar noggrannheten i informationshämtningen och tillhandahåller ett intuitivt gränssnitt för naturligt språk för dina data. Den här artikeln beskriver hur du tränar en AI-agent för att förstå FinOps, FinOps Open Cost and Usage Specification (FOCUS) och ansluta till data i en FinOps-hubbinstans.


Förutsättningar


Konfigurera GitHub Copilot i VS Code

Det enklaste sättet att komma igång med en AI-baserad FinOps-hubb är med GitHub Copilot Agent-läge.

  1. Registrera dig för GitHub Copilot Kostnadsfri om du inte har GitHub Copilot.

  2. Installera Node.js 20 eller senare.

  3. Installera VS Code.

  4. Öppna en arbetsyta och spara GitHub Copilot-instruktioner för FinOps-hubbar:

    1. Öppna VS Code.
    2. Öppna en mapp eller arbetsyta där du vill ansluta till din FinOps Hub-instans.
    3. Skapa en .github mapp i arbetsytans rot.
    4. Ladda ned GitHub Copilot-instruktionerna för FinOps-hubbar och extrahera innehållet till .github mappen.

  5. Installera GitHub Copilot och Azure MCP:

Mer information om Azure MCP-servern finns i Azure MCP på GitHub.


Ansluta från andra AI-plattformar

FinOps-hubbar använder McP (Model Context Protocol) för att ansluta till och köra frågor mot dina data i Azure Data Explorer med hjälp av Azure MCP-servern. Förutom GitHub Copilot finns det många populära klienter som stöder MCP-servrar, till exempel Claude, Fortsätt med mera. Även om vi inte har testat instruktioner med andra klienter kanske du kan återanvända vissa eller alla AI-instruktioner för FinOps-hubbar med andra klienter. Prova anvisningarna med klienter som du använder och skapa en ändringsbegäran eller skicka en pull-begäran om du upptäcker några luckor eller förbättringar.

Mer information om Azure MCP-servern finns i Azure MCP på GitHub.


Sök FinOps-hubbar med AI

När du har installerat Azure MCP-servern och konfigurerat DIN AI-klient använder du följande exempelsteg för att ansluta och fråga din FinOps-hubbinstans. De här stegen baseras på GitHub Copilot Agent-läge med AI-instruktionerna för FinOps-hubbar. De kan fungera annorlunda i andra klienter.

Ansluta till din hubb

Om du använder GitHub Copilot börjar du med att öppna Chatt i agentläge:

AI-instruktionerna för FinOps-hubbar är förkonfigurerade för FinOps-uppgifter och vet redan hur du hittar och ansluter till din FinOps-hubbinstans. Börja med att be om att ansluta till din FinOps Hub-instans:

/ftk-hubs-connect

Copilot bör automatiskt ansluta till din FinOps Hub-instans. Om du har flera bör du se en lista över dem. Du kan be att få ansluta till dem efter resursgrupp, hubbnamn, klusternamn, kluster kort URI (klusternamn och plats) eller den fullständiga kluster-URI:n.

När du ansluter till hubben kan du uppmanas att använda dina autentiseringsuppgifter. Välj Fortsätt.

Resten av stegen använder FinOps-funktionerna för att visa ett exempel på vilken typ av frågor du kan ställa.

Datainmatning: Hämta senaste uppdateringstid

Dina frågor är bara så fullständiga som dina data. Börja med att kontrollera när data senast lästes in i din FinOps Hub-instans. Detta bör vara en del av det första anslutningssteget. Du kan också fråga direkt:

When was my data last refreshed?

Cost Management-exporter utförs vanligtvis var 24:e timme. Om du använder hanterade exporter kan du konfigurera schemat så att det körs oftare. Om data inte är up-to-date kontrollerar du Cost Management-exporter.

Allokering: Kostnad per resursgrupp

Det vanligaste sättet att allokera kostnader i Azure är efter resursgrupp. Om du vill identifiera de resursgrupper som kostar mest frågar du:

What are the top resource groups by cost?

Du kan också fråga om prenumerationer (SubAccountName i FOCUS), fakturaavsnitt eller till och med tagg.

Rapportering + analys: Största förändringarna i kostnadstrender

De två sista exemplen var ganska enkla. Nu ska vi prova något lite mer komplext genom att be det att analysera trender över tid. Copilot kommer att göra lite forskning först för att utarbeta en plan. Med tanke på komplexiteten kan Copilot också be dig att granska och godkänna en KQL-fråga som den ska köra för att utföra analysen.

Analyze cloud service spending trends over the past 3 months. Show the top 5 services with the highest increase and top 5 with the highest decrease in cost, including percentage changes.

Om du uppmanas att godkänna frågan kan du be Copilot att justera eller köra frågan baserat på dina behov.

Med tanke på komplexiteten i den här frågan kanske du vill fråga efter frågan så att du kan köra den själv. Du kan alltid köra samma frågor från Data Explorer-portalen. Eller be Copilot att ge dig en länk för att köra frågan:

Give me a link to run this query myself.

Avvikelsehantering: Identifiera avvikelser

Nu ska vi leta efter avvikelser:

Are there any unusual spikes in cost over the last 3 months?

Du bör få en sammanfattning av vad som hittades, om det fanns avvikelser eller inte. Det här är en annan plats där du kanske vill be om en länk till frågan för att se informationen själv. Du kan också fråga efter frågan eller till och med låta den förklara frågan.

Show me the query with comments on each line to explain what the line does.

Detta bör använda den inbyggda avvikelseidentifieringsfunktionen i Data Explorer. Be Copilot förklara allt du inte förstår. Detta kan vara ett bra tillfälle att lära sig KQL. Be Copilot att ändra frågan eller justera den själv så att den passar dina behov.

I mitt fall har den lagt till tomma rader mellan varje kommenterad rad. Om du vill köra detta måste du markera all text i datautforskarens frågeredigerare och välja Kör.

Prognostisering: Månadens slutkostnader för projektet

Avvikelseidentifiering handlar om att förutsäga vad kostnaden för en dag skulle baseras på en prognos. Så om Copilot kan hjälpa dig att analysera historiska prognoser med inbyggda Data Explorer-funktioner kan du även beräkna framtida kostnader:

Show me the cost for last month, this month, and the forecasted cost by the end of the month for the subscriptions that have the highest cost this month.

Frekvensoptimering: Kvantifiera besparingar

Nu ska vi titta på besparingarna. Låt oss leta efter besparingar från både förhandlade rabatter och åtaganderabatter, och kvantifiera effektiv sparränta (ESR) för att ge oss en uppfattning om hur vi gör med våra insatser för ränteoptimering:

What was my cost last month, how much did I save on commitment discounts, and how much did I save with my negotiated discounts? Show my total savings and effective savings rate.

Utforska dina data

Det här är bara några exempel på de typer av begäranden som du kan få svar på i dag. Ställ dina egna frågor och testa hur AI kan hjälpa dig. Kom bara ihåg att AI är begränsat till vad den lärs ut och vilka data den har tillgängliga. Om du hittar ett scenario som inte omfattas eller kan förbättras kan du dela prompten, vilket svar du fick och hur du vill att det ska förbättras som en Ändringsbegäran för FinOps-verktyg.


Lämna feedback

Låt oss veta hur det går med en snabb granskning. Vi använder dessa granskningar för att förbättra och utöka FinOps-verktyg och -resurser.

Ge återkoppling

Om du letar efter något specifikt kan du rösta på en befintlig eller skapa en ny idé. Dela idéer med andra för att få fler röster. Vi fokuserar på idéer med flest röster.

Rösta på eller föreslå idéer


Relaterat innehåll

Relaterade FinOps-funktioner:

Relaterade produkter:

Relaterade lösningar: