Data Agent i Microsoft Fabric gør det muligt for organisationer at opbygge samtaleoplevelser over deres virksomhedsdata. Ved at forbinde Fabric-artefakter til en Data Agent kan brugere oversætte spørgsmål i naturligt sprog til præcise forespørgsler, hvilket giver interessenter, fra analytikere til ledere, mulighed for at låse op for indsigter uden at skrive en eneste kodelinje. Denne artikel gennemgår alle datakilder, som Data Agent understøtter i dag, samt de konfigurationsmuligheder, der er tilgængelige for hver datakilde.
Oversigt
Data Agent understøtter følgende datakildekategorier:
| Kategori |
Artefakter |
Forespørgselssprog |
Nøglescenarie |
|
SQL |
Lakehouse, data warehouse, SQL-database, spejlede databaser |
T-SQL |
Struktureret analyse over relationelle og Delta Lake-data |
|
Eventhouse |
Eventhouse KQL-database |
KQL |
Realtidsintelligens og tidsserieanalyse |
|
Semantisk model |
Semantiske Power BI-modeller |
DAX |
Forretningslogik, beregnede målinger og kuraterede målinger |
|
Graf |
Graf Model |
GQL |
Relationsrig dataudforskning og grafanalyse |
|
Ontologi |
Fabric Ontology |
Ontologi-native |
Domæneviden og semantisk kontekst for dataintegration |
|
Azure AI Search |
Azure AI Search Index |
Naturligt sprog + søgning |
Ustruktureret datahentning (PDF'er, tekst, beriget indhold) |
Tip
En enkelt Data Agent kan kombinere op til fem datakilder i enhver kombination, hvilket gør det muligt at blande strukturerede, realtids-, semantiske og ustrukturerede data i én samtaleoplevelse.
Understøttede artefakter
-
Lakehouse—Delta Lake-tabeller dukkede op via SQL Analytics Endpoint.
-
data warehouse—Fuldt Fabric lager med T-SQL-overfladeareal.
-
SQL Database—Fabric-native SQL-databaser.
-
Mirrored Databases—Eksterne databaser mirrored into Fabric (for eksempel Azure SQL, Cosmos DB, Snowflake).
Hver SQL-kilde i Fabric leveres med et SQL Analytics Endpoint, en højtydende, skrivebeskyttet T-SQL-forespørgselsflade over OneLake Delta-data. Data Agent udnytter en indbygget NL2SQL-tjeneste , der:
- Oversætter brugerens naturlige sprogspørgsmål til en T-SQL-forespørgsel ved hjælp af brugerindtastede udvalgte skemaer, instruktioner og eksempelforespørgsler.
- Validerer den genererede forespørgsel mod skemavalget for at sikre, at den kun refererer til godkendte tabeller og visninger.
- Udfører forespørgslen gennem SQL Analytics Endpoint og returnerer menneskelæsbare resultater.
Understøttede artefakter
-
Eventhouse KQL Database—Fabric's Real-Time Intelligence-butik til streaming, hændelsesdrevne og tidsseriedata.
Data Agent forbinder til Eventhouse KQL Database Endpoint og udnytter Kustos indbyggede NL2KQL , hvilket muliggør følgende funktioner:
- Brugerens spørgsmål oversættes til en KQL-forespørgsel ved hjælp af det valgte skema og eventuelle angivne instruktioner eller eksempler.
- Forespørgslen valideres for at bekræfte, at den kun berører de godkendte skema-enheder.
- Ved godkendelse kører forespørgslen mod Kusto-motoren – optimeret til lav-latens, højgennemstrømnings analytiske arbejdsbelastninger.
Understøttede artefakter
-
Power BI Semantic Models—Offentliggjorte datasæt med tabeller, relationer, målinger, beregnede kolonner og hierarkier.
Hver semantisk model i Fabric eksponerer en XMLA Endpoint, som Data Agent bruger til at udføre DAX-forespørgsler. Den indbyggede NL2DAX-tjeneste :
- Oversætter naturligt sprog til en DAX-forespørgsel ved at udnytte modellens metadata (tabelbeskrivelser, kolonne-synonymer, måldefinitioner, relationer).
- Validerer forespørgslen mod det valgte skema.
- Udfører via XMLA-endpointet og returnerer formaterede resultater.
Understøttede artefakter
-
Graph Model—Fabric grafartefakter, der definerer node- og kantskemaer.
Graph Data Agent kan køre GQL-forespørgsler og finde indsigter fra dine grafdatakilder i Fabric. For at konfigurere en sådan agent skal du tilføje en grafmodel eller et forespørgselssæt som din datakilde.
Når dataagenten kører GQL mod en grafdatakilde, vil den underliggende Fabric Graph-artefakt udføre forespørgselsudførelsen, hvilket medfører grafoperation forbrug.
Understøttede artefakter
-
Fabric Ontologi—Et semantisk lag, der indfanger domæneviden, entitetsdefinitioner og relationer.
Efter at en ontologi er konfigureret i Fabric, kan den tilføjes som en datakilde til Data Agent. Agenten bruger ontologien til at forstå domænets kontekst og besvare spørgsmål, der er baseret på organisationens vidensmodel.
Understøttede artefakter
-
Azure AI Search Indeks—Indekser indbygget i Azure AI Foundry over ustruktureret indhold såsom PDF'er, tekstfiler og andre berigede dokumenter.
Data Agent forbinder direkte til dit Azure AI Search-indeks via en ressource-URL. Når en bruger stiller et spørgsmål, sender agenten forespørgslen (med brugerens identitet til adgangskontrol) til søgeindekset, henter de mest relevante dokumentstykker og udarbejder et endeligt svar. Citationer inkluderes automatisk, når indekset indeholder URL- eller filstifelter.
SQL-kilder understøttede konfigurationer
| Konfiguration |
Understøttet |
Oplysninger |
| Skemavalg |
✅ Ja |
Vælg specifikke tabeller, visninger og funktioner for at afgrænse agenten. |
| Agentinstruktioner |
✅ Ja |
Guide agenten i, hvornår og hvordan du skal sende spørgsmål til denne kilde. |
| Datakildeinstruktioner |
✅ Ja |
Giv tabelbeskrivelser, join-logik, nøglekolonnedetaljer og forretningsterminologi til NL2SQL. |
| Datakildebeskrivelse |
✅ Ja |
Beskrivelse, der hjælper agenten med at afgøre, om denne datakilde er relevant for brugerens spørgsmål. |
| Eksempelforespørgsler |
✅ Ja |
Giv naturlig-sprog/SQL-par, så agenten kan lære komplekse forespørgselsmønstre. Topeksempler hentes automatisk via vektorlighed. |
Eventhouse KQL-kilder understøttede konfigurationer
| Konfiguration |
Understøttet |
Oplysninger |
| Skemavalg |
✅ Ja |
Vælg specifikke tabeller, materialiserede visninger, funktioner og genveje for at indgå agentens scope. |
| Agentinstruktioner |
✅ Ja |
Guide agenten i, hvornår og hvordan du skal sende spørgsmål til denne kilde. |
| Datakildeinstruktioner |
✅ Ja |
Giv kontekst om tabeller, MV'er, funktioner og genveje til NL2KQL. |
| Datakildebeskrivelse |
✅ Ja |
Beskrivelse, der hjælper agenten med at afgøre, om denne datakilde er relevant for brugerens spørgsmål. |
| Eksempelforespørgsler |
✅ Ja |
Leverer naturlige sprog/KQL-par for at lære agentens komplekse aggregeringer og join-mønstre. |
Semantisk model-understøttede konfigurationer
| Konfiguration |
Understøttet |
Oplysninger |
| Skemavalg |
✅ Ja* |
Vælg tabeller til eksponering. Kolonne-niveau kontrol er tilgængelig, når Prep for AI er konfigureret i Power BI. |
| Agentinstruktioner |
✅ Ja |
Vejled agenten i, hvornår den semantiske model skal vælges for at besvare spørgsmål. |
| Datakildeinstruktioner |
❌ Nej* |
Instruktioner administreres gennem Prep for AI (AI-instruktioner og verificerede svar) på den semantiske modelside. Data Agent respekterer dem, når de er til stede. |
| Datakildebeskrivelse |
❌ Nej |
Semantiske modeller understøtter ikke beskrivelser af datakilder. |
| Eksempelforespørgsler |
❌ Nej* |
Understøttes ikke lige nu for semantiske modeller. Brug Verificerede svar i Prep for AI til at inkludere eksempler på DAX-forespørgsler. |
*Semantiske modeller konfigureres primært gennem Prep for AI i Power BI, som tilbyder AI-dataskemaer, AI-instruktioner og verificerede svar.
Konfigurationer understøttet af grafmodellen
| Konfiguration |
Understøttet |
Oplysninger |
| Skemavalg |
❌ Nej |
Graph tillader ikke en bruger at scope'e deres agent på specifikke noder og kanter. |
| Agentinstruktioner |
✅ Ja |
Guide agenten i, hvornår og hvordan du skal sende spørgsmål til denne kilde. |
| Datakildeinstruktioner |
✅ Ja |
Overgivet til NL2GQL-motoren for at guide generering af forespørgsler. |
| Datakildebeskrivelse |
✅ Ja |
Beskrivelse, der hjælper agenten med at afgøre, om denne datakilde er relevant for brugerens spørgsmål. |
| Eksempelforespørgsler |
✅ Ja |
Givet videre til NL2GQL for at undervise i komplekse grafgennemløbsmønstre. |
Ontologiunderstøttede konfigurationer
| Konfiguration |
Understøttet |
Oplysninger |
| Skemavalg |
❌ Nej |
Ikke understøttet for ontologidatakilder. |
| Agentinstruktioner |
✅ Ja |
Vejled agenten i, hvornår den semantiske model skal vælges for at besvare spørgsmål. |
| Datakildeinstruktioner |
❌ Nej |
Ikke understøttet for ontologidatakilder. |
| Datakildebeskrivelse |
✅ Ja |
Beskrivelse, der hjælper agenten med at afgøre, om denne datakilde er relevant for brugerens spørgsmål. |
| Eksempelforespørgsler |
❌ Nej |
Ikke understøttet for ontologidatakilder. |
Konfigurationer af ustrukturerede data
| Indstillinger |
Oplysninger |
| Vis navn |
Brugerdefineret navn vises til indekset i agentoplevelsen. |
| Søgetype |
Vælg mellem fuldtekst, hybrid eller semantisk søgning afhængigt af din indekskonfiguration. |
| Antal dokumenter |
Styr, hvor mange dokumenter der hentes pr. forespørgsel (anbefalet: 3–20). |
| Kontekst / Beskrivelse |
Beskriv indeksindholdet, nøglefelter og brugsvejledning for at hjælpe med routing. |
| Agentinstruktioner |
Vejled, hvordan agenten fortolker søgeresultater og udarbejder det endelige svar. |
Flere oplysninger