Bedste fremgangsmåder til konfiguration af din dataagent

I denne artikel beskrives de bedste fremgangsmåder til konfiguration af en dataagent for at levere nøjagtige, relevante og nyttige svar på brugerspørgsmål. Ved at angive klare instruktioner på agentniveau og datakilder kan du vejlede agenten i, hvordan forespørgsler fortolkes, vælge datakilder og generere svar. Du lærer, hvordan du definerer agentens målsætning, prioriterer datakilder, inkorporerer nøgleterminologi og leverer forespørgselslogik til almindelige scenarier. Disse konfigurationstip hjælper med at sikre, at agenten fungerer pålideligt på tværs af forskellige datamiljøer og brugerbehov.

Hvis du vil udforske de forskellige typer konfigurationer af dataagenter, skal du se konfigurationer af dataagenter.

1. Gør dine data AI klar

For at sikre, at dataagenten kan generere nøjagtige forespørgsler, er det vigtigt, at dine datakilder, tabeller og kolonner bruger tydelige og beskrivende navne. Undgå vage eller generiske mærkater som Table1, col1eller flag, hvilket kan gøre det svært for agenten at fortolke brugerhensigt.

❌ Mindre effektiv:

• Tabelnavne: Table1, Table2
• Kolonnenavne: col1, status, flag

✅ Bedre:

• Tabelnavne: CustomerOrders, ProductCatalog, SalesTransactions, OrderItems
• Kolonnenavne: customer_email_address, order_submission_date, product_unit_price

Beskrivende navngivning hjælper agenten med at forstå datastrukturen og forbedrer kvaliteten af genererede forespørgsler.

2. Opret specialiserede agenter til bestemte domæner

For at opnå bedre nøjagtighed og relevans skal du designe dataagenter, der fokuserer på et bestemt domæne eller en bestemt use case i stedet for at forsøge at håndtere en lang række spørgsmål. Specialiserede agenter kan optimeres med målrettede instruktioner, relevante datakilder og domænespecifik terminologi, hvilket gør dem mere pålidelige og effektive.

❌ Mindre effektiv: En generel dataagent, der besvarer en lang række kunderelaterede spørgsmål på tværs af forskellige brugerpersoner

✅ Bedre: En dataagent, der er skræddersyet til at understøtte ledelsesteamet ved at kombinere indsigt fra flere datakilder til mødeforberedelse

Ved at indsnævre agentens fokus kan du forbedre dens evne til at generere præcise svar og reducere flertydigheden i forespørgselsfortolkningen.

3. Minimer datakildeområdet

Medtag kun de datakilder, der er nødvendige for at besvare de forventede brugerspørgsmål. I hver datakilde skal du kun vælge de specifikke tabeller og kolonner, der er relevante for din use case. En mere fokuseret konfiguration forbedrer agentens mulighed for at generere nøjagtige og effektive forespørgsler.

❌ Mindre effektiv: Oprettelse af forbindelse mellem et helt Lakehouse eller en model og alle tabeller og kolonner

✅ Bedre: Kun valg af de vigtige tabeller og kolonner, der kræves til almindelige forespørgsler

4. Vær specifik om, hvad du skal gøre, ikke bare hvad du ikke skal gøre

I stedet for kun at angive, hvad agenten skal undgå, skal du give en klar vejledning i den korrekte tilgang. Dette hjælper agenten med at reagere mere effektivt og undgår flertydighed i håndteringen af edge-sager.

❌ Mindre effektiv: Angiv ikke forældede lønoplysninger, eller antagelser om manglende data.
✅ Bedre: Angiv altid de nyeste lønoplysninger, der er tilgængelige fra det officielle lønsystem. Hvis lønnen mangler eller er ufuldstændig, skal du informere medarbejderen om, at du ikke kan finde de aktuelle poster, og anbefale, at vedkommende kontakter HR for at få yderligere hjælp.

5. Definer forretningsord, forkortelser og synonymer

Hvis du vil sikre, at dataagenten fortolker spørgsmål korrekt, skal du definere eventuelle ord, der kan være tvetydige, organisationsspecifikke eller domænespecifikke. Disse definitioner hjælper agenten med at anvende ensartet logik og generere nøjagtige svar – især når brugerspørgsmål refererer til intern terminologi eller lignende begreber.

Eksempler på, hvad der skal defineres

• Lignende begreber: "calendar year" vs. "fiscal year"
• Almindelige forretningsbegreber: "quarter", "sales", , "SKU""shoes"
• Forkortelser eller akronymer: "NPS" (Net Promoter Score), "MAU" (månedlige aktive brugere)

Hvor skal definitioner placeres?

• Instruktioner på agentniveau: Brug dette til definitioner, der gælder på tværs af alle datakilder og forespørgsler (f.eks. hvad et "kvartal" repræsenterer).
• Instruktioner til datakilde: Brug dette til definitioner, der er specifikke for, hvordan et ord bruges i et bestemt datasæt (f.eks. defineres "salg" forskelligt på tværs af systemer).

6. Brug foranstillede ord til at skubbe forespørgselsoprettelse

I vejledningen til datakilden kan du inkludere tip eller fragmenter af SQL/DAX/KQL-syntaks, der kan hjælpe modellen med at generere forespørgsler i et bestemt format. Disse "foranstillede ord" hjælper agenten med at udlede den korrekte logik, når det naturlige sprog oversættes til kode.

❌ Mindre effektiv:
Find alle produkter med navne, der indeholder "cykel".

✅ Bedre:
Find alle produkter med navne, der indeholder "cykel"
LIKE '%bike%'

Hvis du medtager syntaksfragmenter, f.eks LIKE '%...%' . hjælper modellen med at genkende, at der forventes en matchende delsætning i forespørgslen. Denne teknik forbedrer nøjagtigheden af den genererede SQL, især når du håndterer delvise matches, filtre eller joinforbindelser.

7. Skriv klare, fokuserede instruktioner; undgå unødvendige detaljer

Instruktioner skal være kortfattet og målrettet. Medtag kun de oplysninger, der er nødvendige for at hjælpe agenten med at generere nøjagtige svar. Undgå vagt, forældet eller alt for bredt indhold, der introducerer forvirring eller fortynder agentens fokus.

❌ Mindre effektiv:

You are an HR data agent who should try to help employees with all kinds of questions about work. You have access to many systems, like the HRIS platform, old payroll databases from previous vendors, archived employee files, scanned PDF policy documents, and maybe even some spreadsheets that HR used in the past. If someone asks about their pay, you might want to look in one of the old systems if needed. Also, sometimes data isn't updated immediately, so just do your best. Remember that the company reorganized in 2017, so department names might be different before then. Try to be friendly, but also make sure you don’t seem robotic. Sometimes HR policies change, so answers might not always be the same depending on the date. Just explain if something seems complicated.

Hvorfor er dette mindre effektivt?

• Omfanget er for bredt ("alle mulige spørgsmål om arbejde")
• Refererer til forældede eller upålidelige kilder (f.eks. "gamle løndatabaser")
• Mangler prioritering af datakilder
• Introducerer unødvendig historisk kontekst
• Skaber flertydighed med udtryk som "gør bare dit bedste"
• Mangler klar vejledning til håndtering af manglende eller komplekse data

✅ Bedre:

You are an HR Assistant Agent responsible for answering employee questions about employment status, job details, pay history, and leave balances.  
Use the official HR data warehouse to retrieve current and accurate records.  
If data is missing or unclear, inform the user and recommend they contact HR for further support.  
Keep responses concise, professional, and easy for employees to understand.

Hvorfor er det bedre?

• Ryd agentomfang og -ansvar
• Refererer til den korrekte datakilde uden at overbelaste tekniske detaljer
• Leverer klar fallback-funktionsmåde
• Etablerer tone og kommunikationsstil
• Efterlader specifikke oplysninger på tabelniveau om datakildens instruktioner

8. Skriv detaljerede instruktioner til dataagenter

Agentinstruktioner definerer, hvordan agenten fortolker brugerspørgsmål, vælger datakilder og formaterer svar. Brug dette afsnit til tydeligt at beskrive agentens rolle, forventede funktionsmåde, tone, og hvordan den skal håndtere forskellige typer forespørgsler. Medtag specifikke oplysninger om de tilsigtede use cases, foretrukne datakilder og fallback-funktionsmåde, når der mangler oplysninger.

❌ Mindre effektiv:

You are an agent that helps with HR topics.  
Find answers if possible.  
Try not to give wrong information.  
If you cannot find something, you can tell the user to check elsewhere.  
Answer employee questions about work, pay, and other topics using available systems.  
Keep responses professional.

✅ Bedre:

## Tone and style
Use clear, simple, and professional language.  
Sound friendly and helpful, like an internal HR support agent.  
Avoid technical jargon unless it's part of the business terminology used in the data.

## General knowledge
You are an HR Assistant Agent designed to help employees access accurate information about their employment, benefits, and pay.  
Only answer questions using the official HR data sources provided.  
If multiple records exist, prioritize the most recent and most official source.  
Do not guess or assume answers—if information is missing or unclear, advise the employee to contact HR directly.  

## Data source descriptions
- **Employee Data Warehouse**: Contains employment records including status, role, start date, and department.
- **Payroll System**: Contains pay history, compensation details, and tax withholding information.
- **Benefits Enrollment Database**: Includes information about health insurance, retirement plans, and other employee benefits.
- **HR Policy Lakehouse**: Stores official company policies, including holidays, leave policies, and onboarding documents.

## When asked about
- **Employment status (e.g., active, on leave, terminated)**: Use the *Employee Data Warehouse*  
- **Pay history or compensation**: Use the *Payroll System*  
- **Benefits and enrollment details**: Use the *Benefits Enrollment Database*  
- **Company holidays and leave of absence policies**: Use the *HR Policy Lakehouse*

9. Angiv detaljerede instruktioner til datakilden

Instruktioner til datakilder skal være specifikke, strukturerede og beskrivende. De hjælper agenten med at oprette nøjagtige forespørgsler ved at definere, hvordan dataene er organiseret, hvilke tabeller og kolonner der er relevante, og hvordan relationer mellem tabeller skal håndteres.

Brug dette afsnit til at beskrive:

• Formålet med datakilden
• Hvilke typer spørgsmål det er beregnet til at besvare
• Påkrævede kolonner, der skal medtages i svar
• Joinlogik mellem tabeller
• Typiske værdiformater (f.eks. forkortelser i forhold til fulde navne)

❌ Mindre effektiv:

## General instructions
Use the EmployeeData warehouse to find answers about employees.  
Try to get useful employee details when needed.

### Employment status
You can use the EmployeeStatusFact table.  
Join to EmployeeDim if necessary.

✅ Bedre:

## General instructions
Use the EmployeeData data warehouse to answer questions related to employee details, employment status, pay history, and organizational structure.

When generating queries:
• Use EmployeeDim as the primary table for employee details.  
• Always include the following columns in the response (if available):  
  - EmployeeID  
  - EmployeeName  
  - EmploymentStatus  
  - JobTitle  
  - DepartmentName  
• Join other tables to EmployeeDim using EmployeeID unless otherwise specified.  
• Filter for the most recent records when applicable.  

Example values:
- EmploymentStatus: "Active", "On Leave", "Terminated"  
- DepartmentName: "Finance", "HR", "Engineering"  
- State: Use U.S. state abbreviations like "CA", "NY", "TX"

## When asked about

When asked about **employee status**, use the `EmployeeStatusFact` table.  
Join it to `EmployeeDim` on `EmployeeID`.  
Filter by the most recent `StatusEffectiveDate` and return the following columns: `EmploymentStatus`, `StatusEffectiveDate`, `EmployeeName`, and `DepartmentName`.

When asked about **current job title or department**, use the `EmployeeDim` table.  
Return `JobTitle` and `DepartmentName`.  
If multiple records exist, filter for the record where `IsCurrent = True`.

10. Brug eksempelforespørgsler til at udtrykke kompleks forespørgselslogik

Brug eksempelforespørgsler til at hjælpe dataagenten med at forstå, hvordan der konstrueres nøjagtige forespørgsler – især når logikken er kompleks eller nuanceret. Disse eksempler fungerer som skabeloner, som agenten kan generalisere fra, selvom brugerens spørgsmål ikke stemmer nøjagtigt overens.

• Medtag eksempelforespørgsler for almindelige eller repræsentative spørgsmålstyper.
• Fokuser på eksempler, hvor forespørgselslogikken omfatter filtrering, joinforbindelser, sammenlægninger eller datohåndtering.
• Hold strukturen klar og velformateret ved hjælp af den korrekte syntaks for datakilden (SQL, DAX eller KQL).
• Du behøver ikke at matche brugerspørgsmål ordret. eksempler skal vise hensigt og struktur.

Sådan bruges eksempelforespørgsler

For hvert brugerspørgsmål udfører dataagenten en vektorlighedssøgning for at hente de tre mest relevante eksempelforespørgsler. Disse overføres derefter til agentens augmented prompt for at guide oprettelsen af forespørgslen.

Næste trin

• dataagentkoncept
• dataagentscenarie
• Oversigt over konfigurationer af dataagenter
• Tilpas en iterativ proces til udvikling af dataagenter