人工智能（AI）代理通过将大型语言模型（LLM）与外部工具和数据库集成，彻底改变了人员和应用程序与数据互动的方式。 代理简化了复杂的工作流，提高了信息检索的准确性，并为数据提供直观的自然语言界面。 本文介绍如何训练 AI 代理以了解 FinOps、FinOps 开放成本和使用情况规范（FOCUS），以及如何连接到 FinOps 中心实例中的数据。
先决条件
- 使用数据资源管理器部署了 FinOps 中心实例。
- 配置的范围 和引入的数据成功。
- 数据库查看器或对数据资源管理器中心和引入数据库的访问权限更高。 了解详细信息。
在 VS Code 中配置 GitHub Copilot
开始使用 AI 驱动的 FinOps 中心的最简单方法是使用 GitHub Copilot 代理模式。
安装 Node.js 20 或更高版本。
安装 VS Code。
打开工作区并保存 FinOps 中心的 GitHub Copilot 说明：
- 打开 VS Code。
- 打开要连接到 FinOps 中心实例的文件夹或工作区。
- 在工作区的根目录中创建文件夹
.github。 - 下载 FinOps 中心的 GitHub Copilot 说明 ，并将内容提取到
.github文件夹中。
安装 GitHub Copilot 和 Azure MCP：
有关 Azure MCP 服务器的详细信息，请参阅 GitHub 上的 Azure MCP。
与其他 AI 平台连接
FinOps 中心使用 模型上下文协议（MCP）通过 Azure MCP 服务器连接到 Azure 数据资源管理器并查询数据。 除了 GitHub Copilot，还有许多支持 MCP 服务器的常用客户端，例如 Claude、Continue 等。 虽然我们没有与其他客户端测试过说明，但你可能能够与其他客户端重复使用 FinOps 中心的 一些或全部 AI 说明。 如果发现任何差距或改进，请尝试使用客户端的说明 并创建更改请求 或 提交拉取请求 。
若要了解有关 Azure MCP 服务器的详细信息，请参阅 GitHub 上的 Azure MCP。
使用 AI 查询 FinOps 中心
安装 Azure MCP 服务器并配置 AI 客户端后，请使用以下示例步骤连接和查询 FinOps 中心实例。 这些步骤基于 GitHub Copilot Agent 模式，其中包含用于 FinOps 中心的 AI 指令。 在其他客户端中，它们的工作方式可能有所不同。
连接到中心
如果使用的是 GitHub Copilot，请先在代理模式下打开聊天：
FinOps 中心的 AI 指令已针对 FinOps 任务进行了预配置，并且已经知道如何查找和连接到您的 FinOps 中心实例。 若要开始，请要求连接到 FinOps 中心实例：
/ftk-hubs-connect
Copilot 应自动连接到 FinOps 中心实例。 如果有多个，您应该会看到它们的一个列表。 可以要求按资源组、中心名称、群集名称、群集短 URI（群集名称和位置）或完整的群集 URI 连接到它们。
连接到集线器时，系统可能会提示你使用凭据。 选择继续。
其余步骤将使用 FinOps 功能来演示可以提出的问题类型的示例。
数据引入：获取上次刷新时间
你查询的完整性取决于你数据的完整性。 首先，检查数据上次加载到 FinOps 中心实例中的时间。 这应该是第一个连接步骤的一部分。 还可以直接询问：
When was my data last refreshed?
成本管理导出通常每 24 小时运行一次。 如果使用 托管导出，则可以将计划配置为更频繁地运行。 如果数据没有 up-to最新日期，请检查成本管理导出。
分配：按资源组划分的成本
在 Azure 中分配成本的最常见方法是资源组。 若要识别成本最高的资源组，请询问：
What are the top resource groups by cost?
还可以询问订阅（FOCUS 中的 SubAccountName）、发票科目，甚至标记。
报告 + 分析：成本趋势的最大变化
最后两个示例相当简单。 让我们尝试一些更复杂的事情，要求它分析随时间推移的趋势。 科皮洛特将首先做一些研究，设计一个计划。 鉴于复杂性，Copilot 还可能要求你评审和批准将执行的 KQL 查询来执行分析。
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.
如果系统要求批准查询，可以告知 Copilot 根据需求调整或执行查询。
鉴于此查询的复杂性，可能需要请求查询，以便自己运行查询。 始终可以从 数据资源管理器门户运行相同的查询。 或者让 Copilot 提供运行查询的链接：
Give me a link to run this query myself.
异常管理：识别异常
现在，让我们查找异常：
Are there any unusual spikes in cost over the last 3 months?
应获取找到的内容的摘要，无论是否存在异常。 这是另一个地方，你可能想要请求一个指向查询的链接，以查看详细信息。 您还可以请求问题，甚至让其解释查询。
Show me the query with comments on each line to explain what the line does.
这应使用内置的数据资源管理器异常情况检测功能。 请科皮洛特解释你不理解的任何内容。 这可以是学习 KQL 的好机会。 请告知 Copilot 更改查询或自行调整，以满足你的需求。
在本例中，它在每个注释行之间添加了空行。 若要运行此作，需要选择数据资源管理器查询编辑器中的所有文本，然后选择“ 运行”。
预测：项目月底成本
异常检测是基于预测来判断一天的成本。 因此，如果 Copilot 可以帮助分析具有内置数据资源管理器功能的历史预测，则还可以预测将来的成本：
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.
费率优化：量化节约
接下来，让我们看看储蓄。 让我们看看协商折扣和承诺折扣的节省，并量化有效储蓄率（ESR），让我们了解我们如何处理费率优化工作：
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.
探索您的数据
这些只是你今天可以得到答案的请求类型的几个示例。 提出自己的问题并测试 AI 如何帮助你。 请记住，AI 仅限于它所教的内容及其可用的数据。 如果发现未涵盖或可能改进的方案，请共享提示、收到的响应以及你希望如何将其改进为 FinOps 工具包更改请求。
提供反馈
请您给我们一个简短的评价，让我们知道我们做得怎么样。 我们将使用这些评审来改进和扩展 FinOps 工具和资源。
如果您在寻找特定的东西，可以为现有想法投票或者创建新想法。 与他人分享想法，以获得更多的选票。 我们专注于拥有最多选票的想法。
相关内容
相关的 FinOps 功能：
相关产品：
相关解决方案：