Aracılığıyla paylaş

Üretken orkestrasyon yeteneklerini uygulayın

Üretken orkestrasyon, Copilot Studio'da konuşma ajanı geliştirmenin evrimidir. Kullanıcı niyetini yorumlayan, karmaşık talepleri parçalara ayıran, doğru araçları ve bilgileri seçen ve güvenlik ile uyum için koruma önlemleriyle çok adımlı planlar uygulayan büyük bir dil modeli (LLM) tabanlı planlama katmanı sunar. Yalnızca el yapımı konuşma konularına dayanmak yerine, üretken orkestrasyon yeniden kullanılabilir yapı taşları — eylemler, konular, bilgi kaynakları, çocuk ajanlar ve otonom tetikleyiciler — oluşturarak akıllı iş akışlarına dönüştürür.

Copilot Studio'da, üretken orkestrasyonu etkinleştirmek, daha az manuel senaryo ile daha iyi cevaplar sağlar. Bu makalede, üretken orkestrasyonun mimarisini ve etkili talimatları nasıl yazacağını, orkestrasyonlu ajanlarınızı nasıl test edip ayarlayacağınızı öğreniyorsunuz.

Üretken orkestrasyon neden önemlidir?

Geleneksel konu odaklı tasarımlar birden fazla el işi konu, katı dallanma ve manuel yuva doldurma mantığı gerektirir. Bu yaklaşım şu noktalara yol açabilir:

  • Büyük konu envanterleri ve mantığı örtüşüyor.
  • Belirsiz veya çok amaçlı ifadelerle başa çıkmakta zorluk.
  • Kullanıcıların soruları farklı ifade ettiğinde tutarsız deneyimler.
  • API'ler veya iş kuralları değiştiğinde yüksek bakım maliyeti.

Üretken orkestrasyon bu zorlukları şu şekilde çözer:

  • Yeniden kullanılabilir yapı taşları oluşturarak konu yayılmasını azaltmak.
  • Giriş tanımlarına dayalı yuva doldurulmasını otomatikleştirmek.
  • Yanıt tarzını ve plan yapısını dinamik olarak uyarlamak.
  • Anlamsal bilgi erişimiyle alaka düzeyini artırmak.
  • Proaktif bir sonraki adım önerilerini etkinleştirmek.

Mimari ve bileşenler

Yüksek düzeyde, üretken orkestratör ajanı birlikte çalışan birkaç ana bileşenden oluşur:

  • Orkestratör (planlayıcı): Ajanın LLM tabanlı beyni, kullanıcı mesajı veya olay gibi bir girdiyi, yapılandırılmış bir plana dönüştürür. Orkestratör niyetleri belirler, her adım için hangi araçları, konuları veya ajanları çağıracağını seçer ve adımlar arasındaki dizi ile veri akışını tanımlar. Çalışma zamanının uyguladığı sıralı bir adım listesi ("plan") çıkarır ve her adımın politika içinde olmasını sağlar. Örneğin, hassas eylemler için onay arar.

  • Bilgi katmanı: Ajanın cevaplarını temellendirmek için sorgulayabileceği dahili bilgi tabanları, belgeler, veritabanları ve daha fazlası gibi bir dizi arama kaynaklarıdır. Orkestratör bu katmanı gerçek bilgi veya rehberlik almak için kullanır. Sonuçlar genellikle atıflar ve meta verileri içerir; ajan, bunları şeffaflık için yanıtlara dahil edebilir. Bilgi katmanı yalnızca okunabilir olup kanıt veya bağlam sağlar.

  • Araçlar ve bağlayıcılar: Ajanın planın parçası olarak çağırabileceği harici işlemler, API'ler veya otomasyon akışları. Her aracın tanımlanmış bir arayüzü vardır: giriş parametreleri (beklenen türlerle), çıktı değişkenleri ve muhtemelen hata koşulları. Temelde ajanın işlemleri gerçekleştirme "becerileri"dir; örneğin sipariş aramak, e-posta göndermek veya bir script çalıştırmak gibi. Araçları iyice test etmeli ve aynı girdiler alındığında deterministik davrandıklarından emin olmalısın, çünkü orkestratör onları güvenilir fonksiyonlar olarak kabul eder.

  • Konular ve iç hatlı ajanlar: Yeniden kullanılabilir konuşma konuları veya belirli mantığı kapsayan mini diyaloglar. Üretken orkestrasyonda, planlayıcı konuları sadece tetikleyici ifadelerle değil, aynı zamanda tanımlanan amaçları kullanıcının ihtiyacına uyduğunda da çağırabilir. Inline agentler, daha büyük bir planın alt adımları olarak kullanılan küçük, odaklanmış konuları veya rutinleri ifade eder. Ana ajanın bağlamında çalışır ve ana orkestrasyon görevlisinin bu detayları açıkça yazmak zorunda kalmaması için ayrı görevleri yönetir.

  • Olay tetikleyicileri (özerklik): Orkestratörü kullanıcı mesajı olmadan başlatan mekanizmalar. Bu mekanizmalar, ajanın bağımsız bir planı başlatmasına neden olan bir veritabanı kaydı güncellemesi gibi zamanlanmış tetikleyiciler veya olay tabanlı tetikleyiciler olabilir. Her tetikleyicinin kendi koşulları ve talimatları olabilir. Otonom tetikleyiciler, ajanın belirli koşullar sağlandığında iş akışlarını başlatarak proaktif hareket etmesini sağlar; sadece kullanıcı sohbet girdisine tepki vermek yerine.

Kontrol katmanları ve karar sınırları

Üretim seviyesindeki bir ajanda, her kararı yapay zekaya bırakmayın. Genellikle, üç kontrol katmanı vardır:

  • Deterministik katman: Bu katman, görev açısından kritik veya geri döndürülemez eylemler için hâlâ uyguladığınız geleneksel, kural temelli mantık kullanır. Örneğin, bir ödeme işlenirken veya bir kayıt silerken adım-adım yürüyen ve herhangi bir yapay zeka yorumu olmadan tamamen yazılmış bir konu veya akış kullanabilirsiniz. Bu katman ayrıca hassas veriler için açık kontroller veya doğrulamalar içerebilir. Bir şey tam olarak belirtildiği gibi olması gerekiyorsa, onu deterministik olarak ele alın. Üretken orkestratörü bu akışları geçersiz küçümsememesi veya değiştirmemesi için yapılandırabilirsiniz. Pratikte, bu tür eylemleri yapay zeka planlayıcısına maruz bırakmayabilir ya da her zaman kullanıcı onayını gerektiren bir konuya dahil edebilirsiniz.

  • Hibrit (kesişme) katman: Bu katman, çoğunlukla deterministik yapılar etrafında yapay zeka esnekliği ekler. Orkestratörün belirli sınırlar içinde çalışmasına izin veriyorsunuz ve insan veya kural tabanlı müdahale olasılığı var. Örneğin, bir temsilci otomatik olarak bir yanıt taslağı yapabilir veya bir eylem yapabilir, ancak siz bir onay adımı ekleyerek yöneticinin bunu incelemesini sağlayabilirsiniz. Ya da temsilci bir görevi belirli bir değer sınırına kadar yönetip ardından yükseltme zorunluluğuna sahip olabilir. Hibrit katman, yapay zekanın otonom planının kontrol noktası olduğu noktaları önceden tanımlar. Bu yaklaşımı orta riskli süreçler için kullanın: Yapay zekaya ağır işi bırakın, ancak bir insanı denetim için bilgilendirin.

  • Yapay zeka orkestratör katmanı: Bu katman tamamen üretkindir. LLM planlayıcısı, daha düşük riskli sorgular için planlar oluşturma ve uygulama özgürlüğüne sahiptir (koruma sınırları içinde). Çoğu Soru-Cevap etkileşimi, bilgi araması veya basit çok adımlı istek bu kategoriye girer. Çoğu kullanıcı sorusu için temsilci, bunları nasıl çözeceğine ve nasıl harekete geçeceğine otonom bir şekilde karar verebilir. Bu katman, üretken yapay zekanın uyum sağlamasını ve gücünü sağlar. Politikalara bağlı. Örneğin, yapay zeka bazı yönetici araçları çağırmasına veya bazı bilgileri açıklamasına izin verilmediğini biliyor olabilir. Ajanın rutin işler için durup izin istemesine gerek yok.

Bu katmanlar göz önüne alındığında, karar sınırlarını açıkça tanımlayın. Hangi eylemlere ve konulara bakın:

  • Onay olmadan yürütülebilir (yapay zeka bunu yapabiliyor)
  • Konuşma içinde kullanıcının onayını talep edin (örneğin, "Tüm kayıtları silmek istediğinizden emin misiniz?")
  • Çevrimdışı onay talep edin (örneğin, bir yönetici onay iş akışı üzerinden onaylamalıdır)

Bu sınırları konu tasarımınızda uygulayın; örneğin bir onay düğümü ekleyerek, platformun onay özellikleri aracılığıyla veya tetikleyicilerdeki mantık ile. Kontrolü katmanlayarak ajanın güvenli çalışmasını sağlarsınız—Yapay zeka iyi olduğu şeyleri yaparken, insanlar veya katı kurallar yapay zekanın tek başına karar vermemesi gerektiğini çözer.

Ajan talimatları için en iyi uygulamalar

Doğru yazılmış ajans talimatları, plan oluşturma kalitesini etkiler.

  • Bağlamsal önem

    • Talimatların yalnızca ajanın sahip olduğu araçlara ve bilgiye atıfta bulunduğundan emin olun.
    • Tam araç isimlerini, değişken isimlerini ve Power Fx tanımlayıcılarını kullanın.

  • Konuşma kuralları

    • Yanıt formatını belirtin (listeler, tablolar, kalın harf).
    • Stilistik rehberlik sağlayın ("kısa", "atıfları dahil et," "sonraki adımları öner").
    • Belirli bilgi kaynaklarını doğrudan isimlendirmekten kaçının. Bunun yerine onları tarif edin.

  • Araçları veya bilgiyi ne zaman kullanacağını belirlemek

    • Araç isimlerini tercih edin. İsimler açıklamalardan daha fazla ağırlık taşır.
    • Yanlış bilgiyi önlemek için bilgi yeteneklerini genel olarak tanımlayın.

  • Otonom yürütme komutları

    • Çok adımlı iş akışları için beklenen eylem dizisini tanımlayın.
    • İşlem talimatlarını belirli istemlerle birleştirin.

Daha fazla bilgi edinin : Üretken Orkestrasyon için yüksek kaliteli talimatları yapılandırma.

Konu girdileri ve çıktılarının tasarımı

Konu yazarken, üretken düzenleme modunda giriş ve çıkış parametrelerine ekstra dikkat edin:

  • Açıklamalarla birlikte net giriş parametreleri tanımlayın: Bir konu veya eylem belirli bilgiler gerektiriyorsa (örneğin şifre sıfırlama konusu için "Kullanıcı adı" gibi), ona bir konu girdisi oluşturun ve açıklayıcı bir isim ile örnek verin. Orkestratör, bu isimleri ve açıklamaları kullanarak kullanıcıya değerin eksik olup olmadığını otomatik olarak sorar. Kabul edilen değerler listesi veya girdiler için Power Fx doğrulama formülü kullanmak, botun geçerli veri toplamasını sağlayabilir (örneğin, bir ülke kodunu iki harfle sınırlamak).

  • Otomatik yönlendirme kullanın: Üretken modda, ajan, eksik bilgi için soru düğümlerini manuel olarak eklemenizi gerektirmek yerine soruları kendi başına oluşturur. Bu yaklaşım, klasik botlardan büyük bir değişikliktir. Anahtar nokta, girdidiğiniz adların insan dostu olması (örneğin "başlangıç tarihi", "e-posta adresi") olması ve böylece yapay zekanın doğal bir soru oluşturabilmesi. Yapay zekanın otomatik olarak oluşturulan sorusu ideal ifade edilmemişse, girdinin tanımını veya adını daha da incelemeyi düşünün. Bu özellik diyalogları önemli ölçüde kolaylaştırıyor, ancak iyi belirlenmiş girişlere dayanıyor.

  • Uygun olduğunda konular için çıktıları belirtin: Bir konu, orkestralayıcının nihai cevabı derlemek için kullandığı çıktı değişkenleri üretebilir. Örneğin, bir "Store Finder" konusu NearestStoreLocation. Doğrudan kullanıcıya mesaj göndermek yerine bilgi göndererek, orkestratörün bu bilgiyi diğer adımlarla zarifçe birleştirmesine izin verirsiniz. Bir konunun içeriği daha geniş bir cevapta kullanılıyorsa, onu çıktı değişkeni olarak yakalayın ve orkestratörün nihai mesajı yapmasına izin verin. Üretici yapay zeka ile aracı davranışını düzenleme bölümünde daha fazla bilgi edinin.

  • İsterlerde verileri "çift işleme" yapmaktan kaçının: Çıkışları yapılandırıyorsanız, bu çıktıları LLM'ye açık uçlu bağlam olarak da girmeyin. Örneğin, bir eylem özet metni döndürdüğünde, bu özeti yapılandırılmış çıktı olarak ilet ve orkestratörün dahil etmesine izin verin; "Eylemin sonucu {summary} gibi bir talimat yazmak yerine." Bu yaklaşım, modelin içeriği aşırı üretmesini veya tekrarlamasını engeller. Çıktılar mümkün olduğunda nihai veri noktaları olmalıdır.

Eylemler, konular ve bilgiler zincirleme

Orkestratör aynı turda birden fazla yetenek kullanabildiği için, kompozisyon göz önünde bulundurularak tasarlanın:

  • Her şeye sezgisel isimler ve açıklamalar verin: Planlayıcı, bir aracı veya konuyu büyük ölçüde isim ve açıklamasının kullanıcının isteğine ne kadar uyduğundan seçer. Kullanıcı niyetleriyle uyumlu aktif ifadeler kullanın. Örneğin, "TranslateText" adlı bir araç, kullanıcı çeviri hakkında sorduğunda daha çok seçilir, genel olarak "Flow1" adıyla bir araçtan ziyade. İsimler her şeyden daha önemli. Gizemli isimlerden kaçının. Eğer temsilci yanlış konuyu seçerse, bu isimleri ve açıklamaları tekrar gözden geçirin.

  • Zengin bir "araç seti" sunun ama onu seçin: Senaryonuzun ihtiyaç duyabileceği tüm faydalı eylemleri (API'ler, akışlar vb.) birbirine bağlayın ve önemli akışlar için konular oluşturun. Bu yaklaşım, yapay zekaya soruları çözmek için daha fazla seçenek sunar. Ancak, ajanın ilgisiz veya riskli olduğunu bildiğiniz araçları ve konuları kaldırın veya devre dışı bırakın, böylece planlayıcıyı karıştırmasınlar. Daha küçük ve kaliteli seçenekler, örtüşmeleri olan kapsamlı bir setten daha iyidir. Örtüşen açıklamalar, ajanın aynı anda birden fazla şeyi denemesine neden olabilir ki bu istenmeyebilir.

  • Planlamacıya makul ölçüde güvenin: Bileşenler iyi tanımlandıktan sonra, orkestratörün karıştırıp eşleştirmesine izin verin. Örneğin, kullanıcı bir bilgi makalesi veya canlı veri API'si ile ele alınabilecek bir şey sorarsa, planlayıcı her ikisini de kullanmayı seçebilir—bilgiyi arka plan için almak ve API'yi güncel bilgi için çağırmak. Bu yaklaşım daha iyi bir cevap verebilir. Bu özerkliği benimseyin, ancak iyi seçimler yapıldığından emin olmak için erken izleyin.

  • Birden fazla niyeti yönetin: Bir kullanıcı sorgusu doğası gereği iki ayrı şey isterse ("yeni bir hesap aç ve bana detayları gönder" gibi), üretken planlayıcı her ikisini de yerine getirmek için ilgili dizileri sırayla çağırmaya çalışır. Çok amaçlı dallanmayı manuel olarak scriptlemenize gerek yok. Bir geliştirici olarak göreviniz, her alt görevin (hesap açma, gönderme detayları) bir araç veya konu tarafından kapsanmasını ve gerektiğinde çıktı ve girdilerinin bağlantılı olmasını sağlamaktır.

  • Bilgi, konuları ve araçları tamamlasın: Orkestretör bilgi aramasını sadece yedek olarak değil, proaktif olarak çağırabilir. Zengin bir bilgi tabanınız varsa, temsilci bir eylem başka bir kısmı kapsa bile bilgi makalesi parçası ile sorguya cevap verebilir. Bu davranış tasarım gereğidir. Bilgi tabanınızı araçlarla kolayca erişemeyecek bilgilerle güncel tutun.

  • Bilgi kullanımında kapsama dikkat edin: Şu anda, ajanı belirli bir bilgi makalesini talep üzerine kullanmaya zorlayamazsınız. Yapay zeka, ilgili makaleleri sorguya göre seçer. Ayrıca sınırlamalara dikkat edin. Örneğin, "Çoklu konu eşleştirildi" gibi sistem konuları üretken modda kullanılmaz, çünkü planlayıcı anlam ayrımı farklı şekilde ele alır. Üretken orkestrasyon için bilinen diğer sınırlamalar hakkında daha fazla bilgi edinin.

Orkestrlenen ajanı test etmek ve ayarlamak

Üretken orkestrasyon, mantığı açık tasarımdan yapay zekanın "beynine" kaydırır. Yinelemeli testler, cihazın amaçlandığı gibi davrandığından emin olur. İşte organize ajanınızı test etmek ve geliştirmek için en iyi uygulamalar:

  • Etkinlik haritasını kullanın: Copilot Studio test sırasında orkestratörün seçtiği adımları gösteren bir etkinlik haritası sunar. Ajanınıza karmaşık bir soru sorduktan sonra planı inceleyin: Hangi konular veya eylemler çağrıldı? Hangi sırayla? Uygun bir takip sorusu sordu mu? Eğer temsilci yanlış konu seçti veya bir aracı kaçırdıysa, bileşen açıklamalarını iyileştirmeniz veya talimatları ayarlamanız gerekebilir.

  • Tutanakları inceleyin: Temsilci yayınlandıktan sonra, konuşma transkriptlerini veya kayıtlarını düzenli olarak gözden geçirin. Cevaplarda halüsinasyonlar veya yanlışlıklar arayın. Kullanıcılar "bu doğru değil" gibi geri bildirimler verirse, ajanın neden böyle düşündüğünü görmek için geri dönüş yapın. Eksik gerçekleri bilgi tabanına ekleyerek sorunları çözmek, talimatları sıkılaştırmak veya bazı durumlarda boşluğu kapatmak için yeni bir konu eklemek için çözüm edin. Daha fazla bilgi edinin: Ajan konuşma transkriptlerini çıkar ve analiz et (referans mimarisi).

  • Küçük değişikliklerle yineleme: Üretken bir ajanı ince değişiklikler yaparak genellikle geliştirebilirsiniz. Örneğin, ajan çıktısı çok fazla ayrıntılıysa veya istenen formatta değilse, stil ve biçimlendirme talimatlarını ayarlayın ve tekrar test edin. Her seferinde gereksiz bir araç çağrılıyorsa, belki aracın açıklaması çok geniş ve sadece uygun olduğunda çağrılacak şekilde iyileştirebilirsiniz. Bir değişiklik yapın ve temsilcinin kararları üzerindeki etkisini fark edin.

  • Örnek ifadeler (dikkatle): Bir konu açıklamasına birkaç örnek kullanıcı sorgusu eklemek, LLM'nin o konunun ne zaman kullanılacağını anlamasına yardımcı olabilir. Örneğin: "Amaç: Bir kullanıcının şifresini sıfırla. Örneğin, kullanıcı 'Şifremi unuttum' ya da 'Contoso hesabımı sıfırla' diyebilir." Bu örnekler modele ekstra ipuçları verir. Abartmayın ve açıklamaları kısa ve odaklanmış tutun. Modelin zaten çok fazla bağlamı var—sadece meta verilerinizin net olduğundan emin olun.

  • Performans metriklerini izleyin: Kullanım arttıkça, başarı oranı (ajanın gerçekten kullanıcının isteğini çözdü mü?), geri dönüş oranı (ne sıklıkla "Üzgünüm, buna yardımcı olamam" dediği soru) ve mevcut varsa kullanıcı memnuniyeti gibi temel metrikleri takip edin. Test sırasında bile, her konu ve aracın ne sıklıkla kullanıldığına dair basit sayımlar gerekli ayarlamaların ipuçlarını verebilir. Örneğin, önemsiz bir küçük konuşma konusu çok sık çağrılıyorsa ve gürültü ekleniyorsa, onu devre dışı bırakın veya tanımını daraltın. Temsilcilerinizin performansını nasıl test edeceğinize dair rehberliği gözden geçirin.

Üretken sistemler, yapılandırmalarınızdan ve düzeltmelerinizden dolaylı olarak öğrenir. Her talimat veya meta veriye yapılan iyileştirme, yapay zekanın bir sonraki kararını daha iyi hale getiriyor. Zamanla, yönetilmiş ajanınız sorguları daha doğru ve verimli ele alır.

Üretken orkestrasyonda özel tetikleyiciler

Konu tetikleyicileri özellikle üretken orkestrasyon için mevcuttur. Bu tetikleyicileri kullanarak, ajanın yaşam döngüsüne bağlanabilir ve orkestrasyon sürecinin kritik noktalarında özel mantık enjekte edebilirsiniz. Üç ana tetikleyici mevcuttur:

Tetikleyici Tetiklendiğinde Amaç
Bilgi İstenmesi Üzerine Ajanın bilgi tabanı sorgusu yapmadan hemen önce Bu tetikleyici, orkestratörün bilgi kaynaklarını aramaya hazırlandığı anda müdahale etmenizi sağlar. Ajanın kullanmayı planladığı anahtar kelimelere yalnızca SearchPhrase okunabilir erişim sağlar ve özel arama sonuçları sağlamak için bir sistem değişkeni sağlar. Örneğin, sorguyu yakalayıp özel bir indekse yönlendirebilir veya sonuçlara daha fazla veri ekleyebilirsiniz.
Bu gelişmiş ("gizli") tetikleyicidir—varsayılan olarak arayüzde görünmez ve şu anda YAML düzenlemesi ile (bir konuyu tam OnKnowledgeRequestedolarak adlandırarak) etkinleştirilmesi gerekir. Bilgi alım adımını artırmak veya özelleştirmek istiyorsanız, örneğin belirli sonuçları filtrelemek veya harici verileri bilgi yanıtına birleştirmek gibi durumlarda kullanın.
Yapay Zeka Yanıtı Üretildi Yapay zeka taslak bir cevabı oluşturduktan sonra, ancak kullanıcıya gönderilmeden önce Ajan, nihai yanıt metnini (tüm araç ve konu çıktılarına dayanarak) oluşturduğunda ve teslim edilmeden hemen önce tetikleyiciyi tetikler. Bu adım, cevabı veya atıflarını programatik olarak değiştirme şansı verir. Örneğin, metni sonradan işleyerek biçimlendirmeyi düzeltebilir veya ham URL'leri dostane takip bağlantılarıyla değiştirebilirsiniz. Hatta yanıtı geçersiz kılmaya karar verebilirsiniz. Tetikleyici kendi özel mesajını verebilir ve orijinal yapay zeka yanıtının hâlâ gönderilip gönderilmediğini belirtmek için bir ContinueResponse bayrak kullanabilirsiniz.
Bu tetikleyiciyi, yapay zekanın cevabını son saniyede ayarlamalar veya iyileştirmeler için kullanın; örneğin anket isteği eklemek veya yapay zekanın dahil ettiği ama kaldırmak istediğiniz bir şeyi düzeltmek gibi. Bu tetikleyicinin yoğun kullanımı, ana talimatlarda olabilecek bir mantığın işareti olabilir. Gerektiğinde ince taneli kontrol için kullanın.
Planda Tamamlandı Tüm plan yürütüldükten ve yanıt gönderildikten sonra Bir plan tamamlandığında, yani tüm adımlar tamamlandığında ve kullanıcı cevabı gördüğünde, bu tetikleyici ateşlenir. Genellikle, konuşmanın bitiş sürecini başlatmak için kullanın. Yaygın bir kullanım yöntemi, konuşmayı belirli bir son konuya veya bir ankete yönlendirmektir. Örneğin, kullanıcıya teşekkür eden veya sonraki adımları veren bir Sohbet Sonu konusunuz olabilir. On Plan Complete kullanarak bu konuyu otomatik olarak çağırabilirsiniz.
Ancak dikkatli olun: her kullanıcı sorusundan sonra konuşmayı bitirmek istemezsiniz, özellikle de bir kullanıcı takip sorusu soracaksa. Mantık sadece belirli bir bağlam değişkeni ayarlandığında veya plan belirli bir istek türünü çözdüğünde sona ekleyin. Temelde, temizlik işlemleri veya uygun olduğunda zarif kapanış için On Plan Complete kullanın.

Daha fazla üretken orkestrasyon yetenekleri

Copilot Studio'nun orkestrasyon modelini daha derinlemesine anlayın; ajanların planlama, hareket ve iş birliği biçimini genişleten gelişmiş yetenekler sunuyor:

  • Last updated on