Kom igång med Fabric data engineering-agent (Project Osmos) – förhandsgranskning

I den här snabbstarten installerar du funktionen Fabric-agenten för datateknik (Project Osmos) för GitHub Copilot CLI, Claude Code eller Codex, skapar en uppgift för ett Fabric-lakehouse och öppnar uppgiften i Fabric.

I den här snabbstarten kommer du att göra följande:

  • Verifiera Fabric och lokala förutsättningar
  • Installera pluginet Skills for Fabric, som inkluderar dataingenjöragenten (Project Osmos)
  • Skapa en uppgift som implementerar en medaljongarkitektur för detaljhandeln
  • Gå igenom driftinställningarna
  • Övervaka uppgiften i ditt Fabric lakehouse

Important

Data engineering-agenten (Project Osmos) är i förhandsvisning. Förhandsvisningsfunktioner släpps med begränsade möjligheter och omfattas av separata kompletterande förhandsvisningsvillkor. De är inte avsedda för produktionsbruk, omfattas inte av serviceavtal och kan vara tillgängliga endast i utvalda regioner. Mer information finns i Förhandsversionsinformation för Microsoft Fabric.

Förutsättningar

Bekräfta dessa krav innan du börjar:

  • En Fabric-arbetsyta som har tilldelats en berättigande Fabric-kapacitet. Fabric-test-SKU:er stöds inte.
  • Ett sjöhus i det arbetsutrymmet
  • Medarbetare eller högre behörighet i arbetsytan
  • Aktivera följande hyresgästinställningar för ditt konto och din kapacitet:
    • Användare kan använda Copilot och andra funktioner som drivs av Azure OpenAI
    • Användare kan använda Copilot, AI-agenter och andra AI-upplevelser som drivs av OpenAI som en Microsoft Subprocessor (starkt rekommenderat för bästa prestanda, men inte nödvändigt)
  • Följande hyresgästinställningar gäller endast om din kapacitet är i en region där OpenAI inte är tillgängligt:
    • Data som skickas till OpenAI som en Microsoft-subprocessor kan bearbetas utanför din kapacitets geografiska region, efterlevnadsgräns eller nationella molninstans
    • Data som skickas till Azure OpenAI kan lagras utanför kapacitetens geografiska region, efterlevnadsgräns eller nationella molninstanser
  • Från dina kapacitetsinställningar rekommenderas det att aktivera AI-datatransformation men det är inte nödvändigt
  • Azure CLI
  • En stödd lokal agent:

För konfigurationsguider, se Aktivera och konfigurera Copilot i Microsoft Fabric.

Förstå inställningen för OpenAI-underbiträden

Inställningen ”Användare kan använda Copilot, AI-agenter och andra AI-upplevelser som drivs av OpenAI som Microsofts underbiträde” kontrollerar åtkomsten till modeller som OpenAI driver. Dessa modeller skiljer sig från Azure OpenAI-modeller, som Microsoft driver.

För Project Osmos har inställningen följande effekt:

Setting Påverkan på Project Osmos
Aktiverat för ditt konto och din kapacitetsenhet Tillåter användning av OpenAI-drivna modeller, beroende på modell- och regional tillgänglighet samt andra nödvändiga inställningar.
Disabled Project Osmos kan fortfarande användas med den nödvändiga Azure OpenAI-inställningen aktiverad, men OpenAI-drivna modeller finns inte tillgängliga via denna inställning.

Denna valfria inställning ersätter inte Användare kan använda Copilot och andra funktioner som drivs av Azure OpenAI eller de tillämpliga regionala bearbetnings- och lagringsinställningarna. Dess visningsnamn betyder inte att avstängning stänger av alla Copilot- eller AI-upplevelser.

Innan du aktiverar det, granska din organisations krav på databehandling och informationen om OpenAI som underbiträde i Microsoft Fabric. För konfiguration av klientorganisation och delegerad kapacitet, se Copilot- och Agent-inställningar för klientorganisation.

Installera funktionen data engineering agent (Project Osmos)

Dataingenjöragenten (Project Osmos)-färdigheten ingår i samlingen Skills for Fabric.

  1. Logga in på Azure med en identitet som kan komma åt målarbetsytan och lakehouse:

    az login

    Om du har tillgång till flera Microsoft Entra-tenants, logga in på den tenant som innehåller din Fabric-workspace.

  2. Använd sedan kommandona för din lokala agent för att lägga till Skills for Fabric-marknadsplatsen och installera Fabric-kollektionen.

    Starta GitHub Copilot CLI:

    copilot

    Kör dessa kommandon i GitHub Copilot CLI:

    /plugin marketplace add microsoft/skills-for-fabric
/plugin install fabric-skills@fabric-collection

  1. Starta om GitHub Copilot CLI så att de nya färdigheterna laddas.

    /quit

  2. Verifiera installationen. Starta GitHub Copilot CLI igen och kör:

    /skills

Bekräfta att Project Osmos, som visas som project-osmos, är tillgängligt.

Använd dataingenjörsagenten (Project Osmos)

Beskriv det kompletta data engineering-resultatet som du vill att data engineering-agenten (Project Osmos) ska leverera. Inkludera arbetsyta, sjöhus, källdata, transformationer, förväntade utdata och valideringskrav:

Beskriv den kompletta end-to-end-dataingenjörsuppgiften. Data engineering-agenten (Project Osmos) tar emot det som ett projekt.

Inkluderar:

  • Källor: Tabeller, mappar, filer, anteckningsböcker eller OneLake-resurser
  • Transformationer: Rengöring, sammanfogningar, filter, beräkningar eller schemaändringar
  • Utdata: Tabeller, anteckningsböcker, filer eller sammanfattningar
  • Validering: Radantal, nullkontroller, unikhet, avstämning eller affärsregler

Källor och utdata är inte begränsade till arbetsytan där du skapade uppgiften. Om du har behörighet att komma åt en resurs kan uppgiften komma åt resursen åt dig.

Ett exempel:

Use Project Osmos in the Fabric workspace Sales Analytics and the lakehouse
SalesLakehouse.

Load the Orders and Customers tables, remove orders without a customer ID,
join the tables on customer ID, and calculate monthly revenue by customer
segment. Save the result as a Delta table named monthly_segment_revenue.
Validate row counts, null customer IDs, and negative revenue values.

Din lokala agent löser arbetsplatsen och sjöhuset, samlar in nödvändiga säkerhets- och utgångsalternativ och skapar en fjärruppgift för Project Osmos. Den innehåller en länk till en Fabric-uppgift för att övervaka förloppet.

Du behöver inte hitta arbetsyte- eller lakehouse-ID:n eller dela upp arbetet i enklare steg. Ange deras namn eller ange en Fabric lakehouse-URL, och skicka in hela resultatet som en enda uppgift. Project Osmos ansvarar för planering, sekvensering och validering.

Gå igenom uppgiftsinställningarna

Innan körningen börjar klassificerar dataingenjöragenten (Project Osmos) uppgiften och rekommenderar inställningar.

Setting Recensionsfråga
Behörighetsgräns Vilka namngivna resurser bör uppgiften behandla som skrivskyddade eller skrivbara?
Säkerhetsmönster Ska skrivoperationer använda staging, clone-and-promote eller direkt iteration?
Främja-steg Hur ska verifierad stegvis utgång bli den slutgiltiga utgången?
Omstartsemantik Om en omkörning misslyckas, ska befintliga data läggas till, dedupliceras eller ersättas?
Schemats utveckling Kan utdataschemat ändras, och under vilka begränsningar?
Format för artefakter Bör Project Osmos spara en anteckningsbok eller annan artefakt?
Artefaktdestination Var bör genererade artefakter lagras?
Resonemangsarbete Hur omfattande bör Project Osmos undersöka implementeringsmöjligheter?

Du kan ändra vilken av de rekommenderade inställningarna som helst.

Important

Behörighetsgränsen vägleder uppgiften, men behörigheterna i Fabric och OneLake utgör fortfarande verkställighetsgränsen. Skydda känsliga resurser med plattformsbehörigheter.

Övervaka uppgiften

Efter att du accepterat inställningarna kör Fabric data engineering-agenten (Project Osmos) uppgiften med specialiserade agenter i SparkCore, returnerar ett uppgifts-ID och öppnar en Fabric-lakehouse-sida som innehåller:

  • Detaljer från intagningsformuläret
  • Specifikation
  • Aktuell status
  • Agentaktivitet

Eftersom uppgiften körs i Fabric på SparkCore istället för på din lokala maskin, fortsätter den när datorn är avstängd. För att följa framsteg, välj ditt sjöhus i Fabric och välj sedan uppgiften i sjöhusutforskaren. Du kan också fråga din lokala agent om statusen för uppgiften.

Uppgiftskörning använder både språkmodelltoken och Spark-beräkning, inklusive test- och valideringskörningar. Innan du startar flera uppgifter med delad kapacitet, granska Project Osmos kapacitetsanvändning och planera för delad kapacitetsanvändning.

Användningsvägledning

  • Använd Project Osmos via en lokal agent som GitHub Copilot CLI, Claude Code eller Codex. Direkt interaktion med Project Osmos från Copilot i Fabric-portalen stöds för närvarande inte.
  • Ange den avsedda arbetsytan och det avsedda lakehouset med namn, eller ange en URL till ett Fabric-lakehouse. Du behöver inte hitta ID:n själv.
  • Använd Project Osmos för heltäckande datateknik med lakehouses, OneLake, Spark, anteckningsböcker och tabeller.
  • Be din lokala agent kontrollera statusen på en fjärruppgift, skicka uppföljande instruktioner, avbryta uppgiften eller radera den.
  • För att fortsätta arbeta med en befintlig uppgift, ange dess uppgifts-ID eller Fabric-uppgiftslänk.
  • Granska de föreslagna genomförande- och säkerhetsalternativen innan du tillåter ändringar i viktig eller produktionsdata.

Skapa din första uppgift

Detta exempel kräver endast ett tomt sjöhus. Project Osmos skapar provdata och alla nödvändiga artefakter, så du kan använda produkten utan att förbereda sjöhuset först.

Använd Project Osmos för att skapa en liten butiksmedaljongarkitektur. Be först din lokala mäklare att använda Project Osmos:

Create a Project Osmos task

Efter att du identifierat ditt sjöhus med namn eller URL ombeds du definiera ett resultat för ditt projekt. Ange följande:

Use Project Osmos to set up a simple retail medallion architecture in this
empty lakehouse. Create small sample CSV files for customers, products, and
sales under Files/landing. Build bronze tables that preserve the source data,
silver tables that clean and standardize it, and gold tables named
gold_daily_sales and gold_customer_sales.
Create three notebooks named 01_load_bronze, 02_transform_silver, and
03_build_gold that move the data through the layers. Run the notebooks in
order, and validate row counts, key uniqueness, referential integrity, and
revenue totals at each layer.

Skicka in hela prompten som en enda uppgift. Project Osmos planerar och sekvenserar arbetet, skapar exempeldata, tabeller och anteckningsböcker, kör anteckningsböckerna i SparkCore och kontrollerar resultaten.

När uppgiften är klar, granska dessa artefakter:

  • Bronstabeller för kunder, produkter och försäljning som bevarar källdata från exemplet
  • Silvertabeller med standardiserade datatyper, giltiga nycklar och rensade poster
  • Guldtabeller med dagliga försäljnings- och kundnivåsammanfattningar
  • Tre anteckningsböcker som dokumenterar och kör rörelsen mellan lagren
  • Valideringsresultat för radantal, nycklar, relationer och intäktssummor

Ytterligare exempel på projektresultat för komplexa användningsfall

Project Osmos är utformat för kompletta data engineering-resultat, inklusive arbete som kräver kunskap om företagsapplikationer, upptäckt av sjöhus, implementeringsexperiment och validering. En förfrågan som skickas till GitHub Copilot utan Project Osmos kan ge en rimlig anteckningsbok eller koddisposition, men den använder inte Project Osmos-arbetsflödet för att inspektera den levande sjöhuset, jämföra implementeringsalternativ, köra koden i Fabric SparkCore och fortsätta förfina lösningen baserat på faktiska resultat.

Skapa en Dynamics 365-kundlivscykelmodell

Detta kortfattade project-resultat ber Project Osmos att upptäcka tillgängliga applikationsdata:

Use Project Osmos to create a trusted customer lifecycle model from the Microsoft Dynamics 365 data in this lakehouse.

Hur Project Osmos kan närma sig det: Project Osmos utforskar sjöhuset för att avgöra vilka Dynamics 365-applikationer och Dataverse-tabeller som finns tillgängliga. Den identifierar strukturer såsom konton, kontakter, leads, möjligheter, aktiviteter, ärenden, beställningar och fakturor; kartlägger deras relationer och statusvärden; och utvärderar hur kundresan från förvärv till försäljning och service ska representeras. Den kör SparkCore-kod för att validera relationstäckning, dubbletter av kunder, föräldralösa aktiviteter, pipelinetotaler, avstämning av order och fakturar samt beräkningar i livscykelsteget.

Varför Project Osmos är bättre lämpat: Utan Project Osmos är GitHub Copilot beroende av att du identifierar relevanta Dynamics 365- och Dataverse-tabeller, förklarar deras relationer och optionsuppsättningsvärden samt kör varje revision. Project Osmos kan utgå från resultatet, undersöka sjöhuset och förfina genomförandet baserat på uppmätta resultat.

Modellera SAP:s order-to-cash-data

Detta koncisa projektresultat innebär att Project Osmos ska fastställa hur SAP-data representeras i ditt lakehouse och bygga en användbar order-to-cash-modell:

Use Project Osmos to build an order-to-cash model from the SAP data in this lakehouse.

Hur Project Osmos kan närma sig det: Project Osmos utforskar sjöhuset för att identifiera tillgängliga SAP-data för försäljningsorder, leverans, fakturering, kund och dokumentflöde. Den letar efter strukturer som VBAK/VBAP, LIKP/LIPS, VBRK/VBRP, KNA1 och VBFA, eller motsvarande extraherade vyer. Den undersöker scheman och provvärden, avgör om extraktionen liknar SAP S/4HANA- eller SAP ECC-strukturer, och testar alternativa joins och dokumentflödeslogik. Därefter bygger den kuraterade tabeller och anteckningsböcker och kör SparkCore-kontroller för dubbletter av affärsnycklar, saknade dokumentlänkar, mängdavvikelser och avstämning mellan order och faktura.

Varför Project Osmos är bättre lämpat: GitHub Copilot som används utan Project Osmos skulle kräva att du hittar relevanta tabeller, förklarar SAP-relationerna, tillhandahåller scheman, kör den genererade koden och returnerar fel eller resultat för varje revision. Project Osmos utför denna upptäckt och körning som en del av en persistent Fabric-uppgift som körs autonomt på SparkCore.

Avstämma NetSuite-ekonomin

Detta detaljerade projekt tillhandahåller affärsreglerna samtidigt som implementeringsdetaljerna lämnas till Project Osmos:

Use Project Osmos to create a financial reconciliation model from the NetSuite
data already loaded in this lakehouse. Preserve subsidiary, accounting period,
transaction, transaction line, account, accounting book, department, class,
location, transaction currency, and base currency. Build a monthly trial
balance with debit, credit, and net balances by subsidiary and account. Account
for intercompany transactions, elimination subsidiaries, and exchange rates.
Identify unbalanced entries, unmapped accounts, and periods that don't reconcile
to the source. Save the transformation and validation notebooks, and don't
modify the source tables.

Hur Project Osmos kan närma sig det: Project Osmos granskar hur NetSuite-transaktioner, transaktionslinjer, konton, dotterbolag, redovisningsperioder, valutor och bokföringsböcker representeras i sjöhuset. Den utvärderar post-, konsoliderings-, eliminerings- och valutakonverteringsalternativ och använder stegvisa utdata för att jämföra resultat. Den kör anteckningsböckerna i SparkCore och validerar journalbalans, dokumentfullständighet, kartläggningstäckning och totaler från källa till utgång innan de slutliga tabellerna produceras.

Varför Project Osmos är bättre lämpat: Kodgenerering kan ensam koda joins och beräkningar, men kan inte pålitligt dra slutsatser om hur en specifik NetSuite-extraktion representerar postningar, bokföringsböcker, elimineringar och växelkurser eller bevisa att resultatet stämmer av utan en iterativ exekverings- och valideringsloop.

Bygg Salesforce-pipeline och prognostisera mätvärden

Use Project Osmos to build a trusted sales pipeline and forecast model from the
Salesforce data in this lakehouse. Preserve account, opportunity, owner,
product, stage, amount, probability, close date, forecast category, creation
date, and stage-history details. Produce current pipeline, stage conversion,
sales-cycle duration, pipeline coverage, forecast accuracy, and slipped-deal
metrics by region, segment, product, and owner. Handle deleted records, currency
conversion, changing opportunity ownership, and historical stage snapshots.
Save the notebooks, and validate the metrics against available Salesforce
totals and prior-period snapshots.

Hur Project Osmos kan närma sig det: Project Osmos kartlägger tillgängliga Salesforce-objekt och extraherar konto-, möjlighets-, möjlighetshistorik-, Opportunity-linjepunkt-, produkt2-, användar- och prognosdata. Den jämför aktuella tillstånd, historikbaserade och periodiska ögonblicksbilder och testar hur extraktionen representerar valuta, raderingar, ägarbyten och stegövergångar. Den kör kandidatimplementationer i SparkCore och jämför pipelinetotaler, konverteringsfrekvenser, prognosresultat och historiska ögonblicksbilder.

Varför Project Osmos är bättre lämpad: Detta resultat kräver mer än syntaktiskt korrekt Spark. Project Osmos kombinerar Salesforce-domänresonemang med live-datainspektion, upprepad körning och avstämning för att hitta en implementation som fungerar med kundens faktiska extraktions- och historikstrategi.

Modernisera en befintlig sjöhusledning

Use Project Osmos to assess the existing sales ingestion and transformation
notebooks in this lakehouse. Replace full reloads with an idempotent incremental
design, preserve late-arriving updates, prevent duplicate business keys, add
quarantine handling for invalid records, and create validation tables that
compare each run with the source. Keep existing downstream table names and
schemas unless a change is required. Test the new design against representative
data, compare it with the current implementation, and document the migration
and rollback steps.

Hur Project Osmos kan närma sig det: Project Osmos granskar aktuella anteckningsböcker, tabeller, scheman och datamönster; jämför alternativ för vattenstämpel, sammanslagning och ändringsspårning; och testar fel- och omkörningsbeteende. Den kör båda implementationerna i SparkCore mot stegvisa mål och jämför radantal, dubblettnycklar, hantering av sena uppdateringar, schemakompatibilitet och utdata.

Varför Project Osmos är bättre lämpat: Kodningsagenter som används ensamma kan föreslå ett inkrementiellt mönster, men du måste tillhandahålla implementeringskontexten och köra varje test. Project Osmos utvärderar det befintliga sjöhuset och validerar konkurrerande designer innan de rekommenderar och implementerar en säkrare metod.

Uppdatera färdigheter för Fabric

I GitHub Copilot CLI eller Claude Code, uppdatera den installerade Fabric-samlingen:

/plugin update fabric-skills@fabric-collection

För Codex, kör codex plugin marketplace upgrade fabric-collection och kör sedan codex plugin add fabric-skills@fabric-collection.

Aktuella begränsningar

  • Data engineering agent (Project Osmos) finns för närvarande inte tillgänglig för arbetsytor som har outbound access protection aktiverat.

Relaterat innehåll

  • Uppdaterades senast