Værktøjer, viden, MCP og API

[Denne artikel er dokumentation til en foreløbig version og er med forbehold for ændringer.]

I Copilot Studio streamingtilstand driver en enkelt generativ AI-model hele agenten. Denne fremgangsmåde fjerner behovet for traditionelle formålstræer, stive dialogboksflows eller separate orkestreringslag.

I stedet for at samle flere systemer fungerer modellen som agentens hjerne. Det bestemmer dynamisk, hvordan der skal reageres, og hvilke handlinger der skal udføres i realtid.

Vigtig

  • Dette er en forhåndsversionsfunktion.
  • Prøveversionsfunktioner er ikke beregnet til produktionsbrug og kan have begrænset funktionalitet. Disse funktioner er underlagt supplerende vilkår for anvendelse og er tilgængelige før en officiel udgivelse, så kunderne kan få tidlig adgang og give feedback.

Hvad den generative model rent faktisk gør

Den generative AI-model håndterer hele samtalelivscyklussen:

  • Om brugerens anmodning (hensigt og enheder)

  • Beslutning om den næste bedste handling, f.eks.:

    • Besvarelse fra videnkilder

    • Opkaldsværktøjer, API'er eller MCP-integrationer

    • Beder om at få afklaret opfølgende spørgsmål

    • Udfører disse handlinger

    • Syntetisering af et naturligt samtalesvar (tale eller tekst)

Denne fremgangsmåde repræsenterer Microsoft generative orkestreringsmodel. Den erstatter:

  • Traditionel NLU-hensigtsklassificering (klassisk orkestreringstilstand)

  • Hard-coded dialogruteanvisning

  • Deterministiske beslutningstræer

Resultatet er en langt mere fleksibel, menneskeligt lignende interaktionsmodel.

Hvornår skal du bruge viden, API'er eller MCP?

På et højt niveau afhænger forskellen mellem viden, API'er og MCP af den type svar eller handling, der kræves. Brug viden, når agenten skal forklare politikker, ofte stillede spørgsmål, ansvarsfraskrivelser eller anden vejledning baseret på oplysninger, der sjældent ændres. Brug API'er, når agenten har brug for kundespecifikke data i realtid, f.eks. kontrol af en ordrestatus eller hentning af kontooplysninger fra et postsystem. Brug MCP, når du har brug for skalering og struktur. Det giver modellen en standardiseret måde at interagere med flere værktøjer og systemer på en ensartet, styret måde.

Kort og godt: Viden hjælper agenten med at tale smartere, API'er hjælper den med at reagere på dynamiske data, og MCP hjælper den med at gøre begge dele pålideligt på tværs af komplekse virksomhedsmiljøer.

Fremgangsmåde Hvornår skal den bruges Vigtigste egenskaber Eksempler Sådan fungerer det
Viden (statisk indhold) Svaret er statisk eller ændres sjældent. Der kræves ingen tilpasning. Der kræves ingen systemvalidering. Hurtige og lave omkostninger. Ingen backend-afhængighed. Ideel til ofte stillede spørgsmål og generelle oplysninger. Hvad er dine butikstimer? Tilbyder du refusioner på salgsvarer? Hvordan fungerer din abonnementsplan? Modellen henter fra vidensbasen. Genererer direkte svar uden eksterne opkald
API'er (data i realtid) Har brug for transaktionsdata i realtid. Anmodningen er brugerspecifik. Kræver autoritativt systemsvar. Dynamisk og tilpasset. Postdrevet system. Sikrer nøjagtighed og friskhed Hvad er min ordrestatus? Har jeg nogen kommende aftaler? Er min refusion blevet behandlet? Hvad er min aktuelle saldo? Model registrerer behovet for dynamiske data. Kalder API (Power Automate, connector, HTTP-slutpunkt). Modtager strukturerede data. Konverterer til svar på naturligt sprog.
MCP (værktøjsorkestreringslag) Har brug for standardiserede integrationer, der kan genbruges. Flere systemer/værktøjer skal arbejde sammen. Kræv skalerbar og styret adgang for LLM'er. Fungerer som et kontraktlag mellem model og værktøjer. Aktiverer orkestrering på tværs af systemer. Sikker og mere skalerbar til virksomhedsbrug. Træk CRM-data. Kontrollér faktureringssystemer. Opdater systemer til billetsalg. Annuller mit abonnement, og refunder det sidste gebyr, hvis det er berettiget Model vælger MCP-værktøjer. MCP orkestrerer flere backend-systemer. Udfører arbejdsprocesser sikkert. Returnerer strukturerede resultater for generering af svar

Ofte stillede spørgsmål om optimering af taleagenter

  • Last updated on