Copilot Studio ajanları için yapay zeka modeli yaşam döngüsünü yönetin

Copilot Studio farklı model türleri sunmaktadır. Bu model türleri, amaçlanan kullanım ve kullanılabilirliklerine göre belirlenir. Yapay zeka modeli seçimi tek seferlik bir tasarım kararı değildir. Modeller tanıtılır, güncellenir, genel kullanıma sunulur, varsayılan olarak seçilir ve sonunda emekliye ayrılır. Bir modelle iyi çalışan bir ajan, aynı model ailesindeki bir model bile başka bir modelle tamamen farklı davranabilir.

Model yaşam döngüsü yönetimini, her prodüksiyon Copilot Studio ajanı için sürekli bir işletme uygulaması olarak ele alın. Model değişikliklerini keşfetmek, aday modelleri değerlendirmek, emekliliklere hazırlanmak, etkilenen ajanları taşımak ve dağıtımdan sonra kaliteyi izlemek için tekrarlanabilir bir süreç oluşturun.

Bir ajanın kullandığı modeli değiştirmek nadiren sadece model seçimi değişikliğidir. Daha yeni bir model talimatları daha kelimesi kelimesine yorumlayabilir, araçları farklı seçebilir, farklı yanıt uzunluğu ve biçimlendirme üretebilir ve gecikmeyi değiştirebilir. Her model değişikliğini, değerlendirme, talimat ve araç iyileştirmesi, onay ve dağıtım sonrası izlemeyi içeren bir göç olarak planlayın.

Temel ilke, esneklik için mimarlık yapmak, temkinli çalışmak ve her yükseltmeyi değerlendirmeyle değerlendirmeye almaktır. Her yeni modele yükseltmek sessiz gerilemelerle sonuçlanır. Tüm model değişikliklerinden kaçınmak, emeklilik geldiğinde acil durum anlamına gelir.

Üretim ajanlarına aşağıdaki yaşam döngüsünü uygulayın:

  1. Yeni, güncellenmiş, varsayılan ve emekliye çıkan modelleri keşfedin.
  2. Her modele bağlı olan ajanları, ortamları, sahipleri ve iş süreçlerini envanter edin.
  3. Aday ikame modellerini belirlenmiş bir temel çizgiye göre değerlendirin.
  4. Göçü belgelenmiş kalite ve operasyonel kriterler kullanarak onaylayın.
  5. Kuruluşun Uygulama Yaşam Döngüsü Yönetimi (ALM) süreciyle dağıtın.
  6. Üretim sonuçlarını izleyin ve yeni keşfedilen senaryoları regresyon paketine ekleyin.
  7. Modeller ve ajan gereksinimleri geliştikçe süreci tekrarlayın.

Bu makale keşif ve envanter konularını kapsar. Dizi şöyle devam ediyor:

Model yaşam döngüsü yönetimi, ajan sahipleri, üreticiler, platform yöneticileri, test kullanıcıları, güvenlik ve uyumluluk ekipleri ile sürüm onaylayıcıları arasında koordinasyon gerektirir. Bir model değişikliği acil bir göç yaratmadan önce sahiplik atamak.

Model ortamını anlamak

Model değişikliği planlamadan önce, Copilot Studio'nun modelleri nasıl sınıflandırdığını, organizasyonunuzun hangi modelleri gerçekten kullanabileceğini ve hangi ajanların her birine bağlı olduğunu bilmeniz gerekir.

Model sürüm türlerini anlamak

Copilot Studio, modelleri çıkış ve erişilebilirlik sınıflandırmalarına göre tanımlar. Bu sınıflandırmalar, bir modelin nasıl yönetileceğini ve nerede kullanılacağını belirlemeye yardımcı olur. Model isimleri, çıkış aşamaları, bölgesel erişilebilirlik ve emeklilik durumu zamanla değişir. Mevcut bilgi için her zaman bölgeye göre model kullanılabilirliğini kontrol edin, statik bir model listesine güvenmek yerine.

Varsayılan modeli kullanan bir ajan, varsayılan modelin yükseltildiğinde, planlasanız da planlamasanız da yeni bir modele geçer. Yüksek riskli ve yüksek hacimli ajanlar için, varsayılan modeli takip etmek yerine belirli bir model seçin; böylece her model değişikliği geçiş sürecinizden geçer.

Uyarı

Deneysel ve önizleme modelleri sınırlı kullanılabilirlik, değişken yanıt kalitesi, farklı gecikme veya mesaj tüketimi, zaman aşımları ve bölgesel veri işleme konularına sahip olabilir. Copilot Studio, prodüksiyon ajanları için onları önermiyor. Önizleme veya deneysel model kullanan bir ajanı yayınlarsanız ve kullanıcılar onunla etkileşime girerseniz, bu kullanım yine de belirlenen ücretlerle faturalandırılır.

Model kullanım kategorisini ajanın amacına göre eşleştirin

Copilot Studio, her modeli modelin optimize edildiği için tanımlayan bir kullanım kategorisiyle etiketler. Temsilcinin iş yükü için doğru kategoriyi seçmek kaliteyi, gecikmeyi ve kredi tüketimini etkiler.

  • Deep: Kasıtlı, çok adımlı akıl yürütme ve araç destekli iş akışları için optimize edilmiş. Karmaşık analizler, politika analizleri ve belge sentezi için en iyisi. En yüksek gecikme ve kredi tüketimine sahiptir.
  • Otomatik: Sorguları dinamik yönlendirerek karışık iş yüklerini kapatır. Öngörülemez veya çeşitli sorgu karmaşıklığına sahip yardımcı masa ve çalışan temsilcileri için en iyisi. Gecikme ve maliyet tur başına değişir.
  • Genel: Günlük sohbette hız ve maliyet açısından optimize edildi ve hafif topraklama ile ayarlandı. Taslak hazırlamak, özetlemek, SSS tarzı cevaplar ve basit eylem otomasyonu için en iyisi. En düşük gecikme ve kredi tüketimi.

Daha fazla bilgi için Model kullanım kategorileri bölümünü öğrenin.

Important

En yaygın yükseltme hatası, yüksek hacimli bir SSS ajanını genel bir modelden derin modele taşımak gibi bir kullanım kategorisi uyumsuzluğudur; çünkü derin model daha iyi puan alır. Cevap kalitesi biraz iyileşirken, gecikme ve kredi tüketimi keskin şekilde artar. Bu değişiklik, kullanıcı deneyimi ve maliyette net bir gerilemedir.

Hardış modelleri ve yönetici kontrollerini anlamak

Bir ajanın birincil modeli olarak Anthropic, xAI ve Mistral gibi harici sağlayıcılardan modelleri kullanabilirsiniz. Daha fazla bilgi için Birincil yapay zeka modeli olarak harici bir model seçin.

Yönetici ayarları, üreticilerin bir ortamda hangi modelleri seçebileceğini kontrol eder. Mevcut olduğu belgelenmiş bir model, gerekli ayar açık değilse geçiş yaptığınız ajana hala erişemeyebilir.

Yönetici ayarı Model kullanılabilirliği üzerindeki etkisi
Önizleme ve deneysel yapay zeka modelleri Yapımcılar bir ortamda önizleme veya deneysel modelleri seçebilmeden önce açın.
Verileri bölgeler arasında taşıma Çapraz coğrafi modeller için gereklidir. Kiracı yöneticisi, Power Platform yönetim merkezinde bu ortam düzeyindeki ayarı yönetir.
Dış modeller Bir ortam veya çevre grubu için dış sağlayıcıları açar. Ayrıca Microsoft 365 yönetim merkezi'da her sağlayıcıya ayrı ayrı erişim izni vermelisiniz. Bu gereklilik, dış modelleri iki bağımsız yönetici eylemi gerektiren tek sınıf yapar.

Note

Önizleme ve deneysel modeller ile dış modeller ayrı ayarlarla yönetilir. Bir türü etkinleştirmek diğerini etkinleştirmez. Bir yönetici, harici modelleri engellerken önizleme ve deneysel modellere izin verebilir veya tam tersi.

Bir göç planlamadan önce, aday modelin hedef ortamda üreticiye mevcut olup olmadığını doğrulayın. Copilot Studio'daki model listesi, yönetici ayarlarınızı yansıtır ve belirli bir ajanın neyi kullanabileceğinin temel gerçekliğidir. Yapay zeka modeli seçimi için yönetici kontroller bölümünde daha fazla bilgi edinin.

Model kullanılabilirliğini düzenli olarak gözden geçirmek

Ajanınız için birincil yapay zeka modelini düzenli olarak gözden geçirin. Mevcut model listesi için yetkili kaynaktır. Yeni modeller tanıtıldıklarında orada ortaya çıkıyor ve mevcut modeller genel olarak erişilebilir olduklarında, varsayılan olduklarında veya emekliye ayrıldıkça güncelleniyor.

Aşağıdaki kaynakları birlikte kullanın:

Kaynak Açıklama
Ajanınız için birincil bir yapay zeka modeli seçin Model erişilebilirliği ve yeni model tanıtımları için birincil kaynak: model adları, kullanım kategori etiketleri, sürüm etiketleri, bölge başına erişilebilirlik, çapraz coğrafi bayraklar, emekli edilmiş durum, ABD Hükümeti bulut erişilebilirliği ve yönetici kontrolleri.
Copilot Studio'daki model listesi, ajanın Genel Bakışsayfasında, Model altında Yönetici ayarlarınız göz önüne alındığında, çevrenizdeki belirli bir ajanın gerçekten neler tarafından erişilebilir olduğu bu konuda.
Emekli edilmiş bir yapay zeka modelini kullanmaya devam edin Emekli model uyumluluk penceresi nasıl çalışır ve nasıl açılır.
Microsoft 365 Mesaj merkezi ve Power Platform yönetici bildirimleri Kiracı hedefli değişiklik ve emeklilik duyuruları.
Copilot Studio'nun çıkış planları ve Copilot Studio'da neler yenilikler var İleriye dönük model ve yetenek yol haritası.
Erken sürüm döngüsü ortamları Platform ve model değişikliklerinin iş açısından kritik ortamlara ulaşmadan önce önceden doğrulamasını ilerletmek.
Copilot Studio kredilerini ve kapasitesini yönetin Kiracınızın ne kullandığı ve hangi tüketimle olduğu modele göre.
Model sağlayıcı yükseltme rehberliği Model nesilleri arasında davranış değişiklikleri ve bunlara yönelik istem değişiklikleri.

Ayrıca şu durumlarda bir inceleme tetikleyin:

  • İlgili bir model önizleme veya genel olarak erişilebilir hale gelir.
  • Varsayılan model değişir.
  • Bir model emekliye bırakılması veya otomatik yükseltme duyurulur.
  • Organizasyonun bölgesinde bir model kullanılabilir hale gelir.
  • Organizasyon, çapraz coğrafi işleme, harici modeller veya önizleme ve deneysel modeller imkanı sağlar.
  • Üretim izleme, başka bir modelin ele alabileceği kalite, gecikme, güvenilirlik veya tüketim endişelerini belirler.

Bir model ve temsilci envanteri tutun

Belirli bir modeli kullanan ajanları belirlemek için Power Platform yönetim merkezinde, Power Platform CLI'sinde veya Power Platform API'lerinde sağlanan ajan envanterlerini kullanın. Bu bilgiyi, etkilenen işletme ve teknik sahiplerle model yaşam döngüsü iletişimini başlatmak için kullanın.

Power Platform yönetim merkezindeki aşağıdaki görünümlerden birini kullanın:

Power Platform admin center view Nasıl kullanılır?
Yönet>Copilot Studio>Model köşesi Kiracı genelindeki temsilcileri inceleyin ve her temsilci için yapılandırılmış modeli belirleyin. Sonuçları filtreleyin veya dışa aktarın; böylece emeklilik planlanan modeli kullanan ajanları bulun.
Lisanslama>Copilot StudioEnvironment>>Mesaj tüketim detayları>LLM Model sütunu Bir ortam seçin ve mesaj tüketimini LLM modeline göre inceleyin. Bu bakış açısını kullanarak emekli modeliyle ilişkili çevreleri, ajanları ve son tüketimi tespit edin.

Model olarak ajanları bulmak için envanter API'sini sorgulayın

Power Platform yönetim merkezi görünümleri, sonuçları manuel olarak incelemek ve dışa aktarmak için etkilidir. Aynı bilgileri programatik olarak toplamak istediğinizde envanter API'sini sorgulayın; böylece ajanların sayımının tüm kiracı genelinde betiklenebilir, planlanıp tekrarlanabileceği raporlar elle indirilmek yerine. Büyük bir acente mirasına sahip kuruluşlar, bu yöntemi emeklilik göçü sırasında etkilenen acente listesini talep üzerine yenilemek ve yaşam döngüsü olayları arasında güncel tutmak için kullanabilir.

Envanter API, ajanın adı, görüntü adı, ortam ve yapılandırılmış modeli tek bir kiracı genelinde bir sorguda döndürür, böylece başka bir veri kaynağı ile korelasyon gerekmez.

Sorguyu başlatmadan önce:

Kaynak sorgusu uç noktasına bir POST talebi gönderin, kaynak türüne microsoft.copilotstudio/agents filtreleyin ve ihtiyacınız olan alanları projeleyin, bunlar arasında properties.model:

POST https://api.powerplatform.com/resourcequery/resources/query?api-version=2024-10-01
Authorization: Bearer <access-token>
Content-Type: application/json

{
  "TableName": "PowerPlatformResources",
  "Clauses": [
    {
      "$type": "where",
      "FieldName": "type",
      "Operator": "in~",
      "Values": ["'microsoft.copilotstudio/agents'"]
    },
    {
      "$type": "project",
      "FieldList": [
        "name",
        "properties.displayName",
        "properties.model",
        "environmentId = tostring(properties.environmentId)"
      ]
    }
  ],
  "Options": { "Top": 200 }
}

Yanıt, her ajan için bir kayıt döndürüyor. Yanıttaki alan isimleri noktayı alt çizgiyle değiştirir, böylece properties.model şu properties_modelşekilde geri döner:

{
  "totalRecords": 158,
  "count": 200,
  "data": [
    {
      "name": "00000000-0000-0000-0000-000000000000",
      "properties_displayName": "Sample Agent",
      "properties_model": "GPT-5 Auto",
      "environmentId": "00000000-0000-0000-0000-000000000000"
    }
  ]
}

Yanıt, sonuçlar kısaltıldığında bir skipToken değer içerirtotalRecords. Bu değeri geri Options.SkipToken gönderin ve tüm kayıtlar alınana kadar talebi tekrarlayın.

Toplanan kayıtları properties_model gruplayarak her modelin kiracı genelinde nerede kullanıldığını görebilirsiniz. Aşağıdaki örnek, Copilot Studio varsayılan modelini kullanan veya Microsoft 365 Copilot deneyiminde çalışan ajanlar hariç olarak bir kiracı için model bazında ajan sayısını göstermektedir:

Model                  Count
-----                  -----
Claude Sonnet 4.6         24
GPT-5 Chat                22
GPT-5.5 Chat               5
GPT-5 Auto                 4
Claude Sonnet 4.5          3
Claude Opus 4.6            2
Claude Opus 4.7            1
Claude Opus 5              1
Claude Sonnet 5            1
GPT-4o                     1
GPT-5.6 Reasoning          1

Emeklilik duyurulduğunda, emeklilik modelinde aynı sonuç setini filtreleyerek etkilenen ajanların, ortamlarının ve ajan kimliklerinin listesini oluşturun. Değeri environmentId kullanarak her ajanı adlandırılmış bir ortama eşleyin ve sonuçları o ortamların sahiplerine yönlendirin. Tam emeklilik yanıtı için Model emekliliğe Yanıt ver bölümünde daha fazla bilgi edinin.

Daha fazla bilgi için:

Çevresel kapsamlı detaylar için Power Platform CLI'yı kullanın

Tek bir ortam için ajanlar ve çözüm bağlamına ihtiyacınız olduğunda, örneğin tek bir ortamda bir göç hazırlarken kullanın pac copilot list :

pac copilot list --environment <environment-id-or-url>

Komut, ajan adı, Copilot kimliği, bileşen durumu, yönetilen durum, çözüm kimliği, durum kodu ve durum kodunu döndürür. Bu çıktı modeli içermez, bu yüzden envanter API'sini kullanarak ajanları modele göre tanımlayabilirsiniz. Ortam adlarını ve kimliklerini almak için kullanılır pac admin list .

Her ajan için ne kaydedileceği

Tek başına model bir göç planlamak için yeterli değil. Her ajan için aşağıdakileri kaydedin, böylece emeklilik duyurulduğunda kiminle iletişime geçeceğinizi ve her temsilcinin hangi işe ihtiyacı olduğunu zaten biliyorsunuz:

  • Ajan adı, ajan kimliği, ortam ve ortam türü, örneğin geliştirme, test veya üretim.
  • İş kritikliği.
  • İşletme sahibi, teknik sahibi, test yapan ve sürüm onaylayıcısı.
  • Yapılandırılmış model ve sürüm etiketi.
  • Ajanın varsayılan modeli mi yoksa belirli bir seçilmiş modeli mi kullandığını fark eder.
  • Çapraz coğrafi işlem gereksinimi ve bölgesel kısıtlamalar.
  • Ajanın standart kablo demetiyle mi yoksa değerlendirme test yöntemlerini belirleyen GitHub Copilot demetiyle mi beslendiği. Daha fazla bilgi edinin: Harness seçin.
  • Regresyon test seti konumu ve son baz çalışmasının tarihi.
  • Emekli model penceresinin kullanılıp kullanılmadığı, ne zaman sona erdiği ve kimin onayladığı.

Sonraki adım

Model ortamı anlaşıldıktan ve temsilciniz envanteriniz hazır olduğundan, yükseltme gerekip gerekmediğini belirlemek için karar kriterlerini kullanın.

Bir yapay zeka modelini ne zaman yükselteceğinize karar verin

  • Last updated on