本文件的用途
此學習指南應可協助您理解測驗的內容範圍，並會包含測驗可能涵蓋的主題摘要，以及其他資源的連結。 本文件中的資訊和材料應該可協助您在準備測驗時集中學習。
| 實用的連結 | Description | |
|---|---|---|
| 【如何取得認證】（/資格/認證/agentic-ai-developer） | 部分認證僅需通過一個測驗，而其他認證則需通過多個測驗。 | |
| 認證更新 | Microsoft 的助理、專家及專業認證每年都會過期。 你可以透過 Microsoft Learn 上的免費線上評估來續約。 | |
| 您的 Microsoft Learn 設定檔 | 將認證設定檔連線至 Microsoft Learn 可讓您排程與更新測驗，以及分享與列印認證。 | |
| 測驗計分與成績單 | 700 分或以上才能通過。 | |
| 測驗沙箱 | 您可以瀏覽我們的測驗沙箱，以探索測驗環境。 | |
| 要求住宿 | 如果您使用輔具、需要額外的時間，或需要修改測驗體驗的任何部分，您都可以要求特殊安排。 |
關於測驗
某些測驗會本地化為其他語言，且這些測驗通常會在英文版本更新後約八週進行更新。 雖然 Microsoft 如前所述盡力更新在地化版本，但有時考試的在地化版本可能未在此時程內更新。 其他可用的語言會列在 [測驗詳細資訊] 網頁的 [安排測驗時間] 區段中。 如果考試無法使用您偏好的語言進行，您可以要求增加 30 分鐘來完成考試。
備註
緊接在每項受測驗技能後的項目，是用來說明我們如何評估該技能的方法。 相關主題可能會涵蓋在測驗中。
備註
大部分問題都涵蓋一般可用性（GA）的功能。 如果常用這些功能，測驗可能包含預覽功能的問題。
測量的技能
觀眾概況
你應該具備在操作、整合、監督及管理 AI 代理人方面的專業知識，並能在生產級 SDLC 工作流程與開發環境中運行，以確保可靠性、安全性和速度，並利用 GitHub 作為記錄系統與控制平台。
此角色的責任包括：
SDLC 內部的操作代理工作流程
使用 GitHub 控制來監督自主行為
利用掃描和工件評估與調整代理程式的輸出
自訂代理程式的配置
安全協調多代理執行
你與架構師、平台工程師、DevOps 工程師、應用程式開發者、產品經理及安全工程師密切合作，開發、部署、操作及管理在 GitHub 平台上運作的代理程式。
你應該有軟體開發生命週期（SDLC）、GitHub 的工作流程與控制流程，以及程式碼品質、安全和審查實務的經驗。 你也應該有撰寫代理程式（包括 GitHub Copilot）、MCP 伺服器以及代理自訂的經驗，例如自訂指令、自訂代理程式、工具和 Copilot 設定步驟。
技能一目了然
準備代理架構與SDLC流程（15–20%）
實施工具使用與環境互動（20–25%）
管理記憶體、狀態與執行（10–15%）
進行評估、誤差分析與調整（15–20%）
協調多代理協調（15–20%）
實施安全防護和問責制（10–15%）
準備代理架構與SDLC流程（15–20%）
將代理程式整合進軟體開發生命週期（SDLC）
識別代理人應執行的步驟
識別並減輕代理人常見的反模式
定義代理人的輸入、輸出與成功標準
定義規劃、推理與行動之間的界線
將代理規劃與代理執行區分開來設定
設定代理程式輸出結構化計畫
驗證代理人計畫
在代理人核對並核准之前，阻止其採取行動
為自主代理設定可觀察性與控制功能
規劃並實施代理自主權的程度，包括護欄
配置代理程式，使其在標準開發工具中產生可檢查的產物
在不減慢交付速度的情況下，為自主代理人設定人工介入
實施工具使用與環境互動（20–25%）
選擇與設定代理工具
識別所需工具
設定代理程式工具
設定代理工具權限
配置 MCP 伺服器
將 MCP 伺服器作為工具加入到代理中
配置 GitHub 遠端 MCP 伺服器
配置 MCP 登錄檔
設定 MCP 允許清單
在開發環境中整合代理
評估代理的執行上下文
將代理的範圍設定為特定儲存庫
設定一個代理程式在 CI 工作流程中被呼叫
配置代理程式以使用分支範圍
設定代理程式執行自動化自主運作，包括建立分支與提出拉取要求
配置代理程式以處理環境特定的限制
操作代理，擁有安全的執行路徑與強大的錯誤處理能力
實作錯誤處理
實作重試
實作回滾功能
建立升級流程
對代理行為實施可追溯性與問責機制
管理記憶體、狀態與執行（10–15%）
實作代理記憶體策略
在短期、長期和外部記憶之間做選擇
將代理內存範圍限制在與任務相關的資訊上
定義記憶體過期、修剪與重置規則
保持代理狀態持久化並管理上下文偏移
將任務進度與決策記錄為持久的產物
恢復代理人工作而不重複步驟或偏離先前決策
在延長代理執行期間偵測並修正漂移
確保代理在工具與環境中的記憶體與狀態連續性
共享代理人狀態
避免上下文衝突
避免陳腐的背景
進行評估、誤差分析與調整（15–20%）
定義代理任務的成功標準與評估訊號
指定代理任務的預期結果與操作約束
識別質性與量化評估訊號以評估代理人
將評估標準與開發意圖對齊
利用自動掃描工具產生評估訊號
分析代理失敗並找出根本原因
透過使用日誌、計畫、追蹤、輸出及工作流程產件來識別故障
分類根本原因，包括推理錯誤、工具誤用，以及情境或環境問題
根據評估結果調整代理人行為
修訂指示、工作流程或限制
精煉記憶體使用量
優化工具使用與工具存取
協調多代理協調（15–20%）
操作與管理多代理工作流程
套用編排模式來協調多個代理
配置代理隔離以進行平行執行
偵測並解決代理衝突，包括重疊的程式碼變更、重複作業及輸出矛盾
透過使用日誌、產物及操作訊號，配置多代理行為的可觀察性
配置多代理工作流程，產生適合審查與稽核的產物
記錄關鍵決策、交接以及不同代理人間的結果
對多代理人行為進行事後分析
偵測並回應多代理故障與行為退化
識別失敗、部分或停滯的代理執行程式
應對行為退化的情況或代理間的協調問題
實作多代理恢復模式，包括回滾與人工參與循環
管理多代理工作流程中代理的生命週期
將代理人加入現有的多代理人工作流程
更新、重新配置或替換代理程式，同時不中斷現有工作流程
在保留可稽核性與工作流程連續性的同時，退休代理
實施安全防護和問責制（10–15%）
定義自治等級
依照營運、安全及合規風險分類代理人行動，對適當規模的人為介入進行分類
指定自主等級以最大化交付速度，同時符合組織安全與負責任的人工智慧標準
實施防護欄與人為參與流程
辨識需要人類判斷的行為子集
封鎖違反安全、合規或負責任 AI 政策的行為
範圍權限與執行上下文以強制執行最小權限存取
對於不可逆或合規敏感的變更，要求明確授權或受控路徑
透過減少未實質降低風險的核准，以維持執行速度
學習資源
建議您在參加測驗之前，先進行訓練並取得實作經驗。 我們提供了自學選項和課堂訓練，以及文件、社群網站和影片的連結。
| 學習資源 | 學習和文件的連結 |
|---|---|
| 接受訓練 | 您可以選擇自學課程與模組，或修讀由講師主導的課程，如 Microsoft Learn – Foundations of Agentic AI GitHub、 Designing Agent Architecture and SDLC Integration、工具、MCP 與 Agent Execution Environments |
| 尋找文件 |
準備代理架構與 SDLC 流程 實作工具使用與環境互動 管理記憶體、狀態與執行 進行評估、誤差分析與調整 統籌多代理人協作 實施防護措施與問責制 |
| 提出問題 | GitHub 社群討論 |
| 取得社群支援 | GitHub 部落格 |
| 追蹤 GitHub |
Twitter |
| 搜尋影片 | YouTube |