L'agente dati in Microsoft Fabric consente alle organizzazioni di creare esperienze di conversazione sui dati aziendali. Connettendo gli artefatti Fabric a un Data Agent, gli utenti possono tradurre domande in linguaggio naturale in query precise, consentendo agli stakeholder, dagli analisti ai dirigenti, di sbloccare informazioni dettagliate senza scrivere una singola riga di codice. Questo articolo illustra tutte le origini dati attualmente supportate dall'agente dati e le funzionalità di configurazione disponibili per ogni origine dati.
Overview
Data Agent supporta le categorie di origine dati seguenti:
| Categoria |
Artifacts |
Linguaggio di query |
Scenario chiave |
|
SQL |
Lakehouse, Data Warehouse, database SQL, database con mirroring |
T-SQL |
Analisi strutturata su dati relazionali e Delta Lake |
|
Eventhouse |
Eventhouse KQL Database |
KQL |
Intelligenza in tempo reale e analisi delle serie temporali |
|
Modello semantico |
Modelli semantici di Power BI |
DAX |
Logica di business, misure calcolate e metriche curate |
|
Grafico |
Modello a grafo |
GQL |
Esplorazione avanzata dei dati delle relazioni e analisi dei grafi |
|
Ontologia |
Ontologia dell'infrastruttura |
Ontologia nativa |
Conoscenza del dominio e contesto semantico per l'integrazione dei dati |
|
Ricerca di intelligenza artificiale di Azure |
Indice di Ricerca intelligenza artificiale di Azure |
Linguaggio naturale e ricerca |
Recupero di dati non strutturati (PDF, testo, contenuto arricchito) |
Suggerimento
Un singolo agente dati può combinare fino a cinque origini dati in qualsiasi combinazione, consentendo di combinare dati strutturati, in tempo reale, semantici e non strutturati in un'unica esperienza di conversazione.
Artefatti supportati
-
Lakehouse: le tabelle Delta Lake sono state rilevate tramite l'endpoint di Analisi SQL.
-
Data Warehouse: magazzino Fabric completo con interfaccia T-SQL.
-
SQL Database—Database SQL nativi in Fabric.
-
Database con mirroring—database esterni che utilizzano il mirroring in Fabric (ad esempio, Azure SQL, Cosmos DB, Snowflake).
Ogni sorgente SQL in Fabric include un endpoint SQL Analytics, un'interfaccia di query T-SQL a sola lettura con prestazioni elevate sui dati OneLake Delta. L'agente dati sfrutta un servizio NL2SQL predefinito che:
- Converte la domanda in linguaggio naturale dell'utente in una query T-SQL usando lo schema, le istruzioni e le query di esempio fornite dall'utente.
- Convalida la query generata sulla selezione dello schema per assicurarsi che faccia riferimento solo a tabelle e viste approvate.
- Esegue la query tramite l'endpoint di Analisi SQL e restituisce risultati leggibili.
Artefatti supportati
-
Eventhouse KQL Database—l'archivio di Real-Time Intelligence di Fabric per dati in streaming, basati su eventi e serie temporali.
L'agente dati si connette all'endpoint di database KQL di Eventhouse e sfrutta le funzionalità predefinite di NL2KQL di Kusto:
- La domanda dell'utente viene convertita in una query KQL usando lo schema selezionato ed eventuali istruzioni o esempi forniti.
- La query viene convalidata per confermare che tocca solo le entità dello schema approvate.
- Dopo l'approvazione, la query viene eseguita sul motore Kusto, ottimizzata per carichi di lavoro analitici a bassa latenza e velocità effettiva elevata.
Artefatti supportati
-
Power BI Modelli semantici: set di dati pubblicati contenenti tabelle, relazioni, misure, colonne calcolate e gerarchie.
Ogni modello semantico in Fabric espone un endpoint XMLA, usato da Data Agent per eseguire query DAX. Il servizio NL2DAX predefinito:
- Converte il linguaggio naturale in una query DAX, sfruttando i metadati del modello (descrizioni di tabella, sinonimi di colonna, definizioni di misura, relazioni).
- Convalida la query con lo schema selezionato.
- Viene eseguito tramite l'endpoint XMLA e restituisce risultati formattati.
Artefatti supportati
-
Graph Model: Gli artefatti del grafo di Fabric che definiscono gli schemi di nodi e archi.
Graph Data Agent può eseguire query GQL e ricavare informazioni dettagliate dalle origini dati del grafo in Fabric. Per configurare tale agente, aggiungere un graph model o un graph queryset come origine dati.
Quando l'agente dati esegue GQL su un'origine dati a grafo, l'artefatto sottostante Fabric Graph eseguirà la query, sostenendo un consumo di operazioni del grafo.
Artefatti supportati
-
Fabric ontologia: livello semantico che acquisisce le conoscenze del dominio, le definizioni di entità e le relazioni.
Dopo aver configurato un'ontologia in Fabric, può essere aggiunta come origine dati all'agente dati. L'agente usa l'ontologia per comprendere il contesto del dominio e rispondere alle domande contenute nel modello di conoscenza dell'organizzazione.
Artefatti supportati
-
Azure AI Search Index: indici incorporati in Azure AI Foundry su contenuto non strutturato, ad esempio PDF, file di testo e altri documenti arricchiti.
L'agente dati si connette direttamente all'indice Azure AI Search usando un URL della risorsa. Quando un utente pone una domanda, l'agente invia la query (con l'identità dell'utente per il controllo di accesso) all'indice di ricerca, recupera i blocchi di documenti più rilevanti e compone una risposta finale. Le citazioni vengono incluse automaticamente quando l'indice contiene campi URL o percorso file.
Configurazioni supportate dalle origini SQL
| Configurazione |
Supportato |
Details |
| Selezione schema |
✅ Sì |
Selezionare tabelle, viste e funzioni specifiche per definire l'ambito dell'agente. |
| Istruzioni agente |
✅ Sì |
Guida l'agente su quando e come indirizzare le domande a questa origine. |
| Istruzioni per l'origine dati |
✅ Sì |
Fornire descrizioni di tabella, logica di join, dettagli della colonna chiave e terminologia aziendale a NL2SQL. |
| Descrizione origine dati |
✅ Sì |
Descrizione che consente all'agente di determinare se questa origine dati è rilevante per la domanda dell'utente. |
| Query di esempio |
✅ Sì |
Fornire coppie di linguaggio naturale/SQL in modo che l'agente possa apprendere modelli di query complessi. Gli esempi principali vengono recuperati automaticamente tramite la somiglianza del vettore. |
Configurazioni supportate dalle origini KQL di Eventhouse
| Configurazione |
Supportato |
Details |
| Selezione schema |
✅ Sì |
Selezionare tabelle, viste materializzate, funzioni e collegamenti specifici per definire l'ambito dell'agente. |
| Istruzioni agente |
✅ Sì |
Guida l'agente su quando e come indirizzare le domande a questa origine. |
| Istruzioni per l'origine dati |
✅ Sì |
Fornire contesto su tabelle, MV, funzioni e collegamenti a NL2KQL. |
| Descrizione origine dati |
✅ Sì |
Descrizione che consente all'agente di determinare se questa origine dati è rilevante per la domanda dell'utente. |
| Query di esempio |
✅ Sì |
Fornire coppie di linguaggio naturale/KQL per addestrare l'agente a riconoscere i modelli complessi di aggregazione e join. |
Configurazioni supportate dal modello semantico
| Configurazione |
Supportato |
Details |
| Selezione dello schema |
✅ Sì* |
Selezionare le tabelle da esporre. Il controllo a livello di colonna è disponibile quando Prep per intelligenza artificiale è configurato in Power BI. |
| Istruzioni agente |
✅ Sì |
Guida l'agente su quando scegliere il modello semantico per rispondere alle domande. |
| Istruzioni per l'origine dati |
❌ No* |
Le istruzioni vengono gestite tramite Preparazione per l'intelligenza artificiale (istruzioni di intelligenza artificiale e risposte verificate) sul lato del modello semantico. L'agente dati li rispetta quando è presente. |
| Descrizione origine dati |
❌ No |
I modelli semantici non supportano le descrizioni delle origini dati. |
| Query di esempio |
❌ No* |
Non attualmente supportato per i modelli semantici. Usare le risposte verificate in Preparazione per intelligenza artificiale per includere query DAX di esempio. |
*I modelli semantici vengono configurati principalmente tramite Prep per intelligenza artificiale in Power BI, che offre schemi di dati di intelligenza artificiale, istruzioni di intelligenza artificiale e risposte verificate.
Configurazioni supportate del modello Graph
| Configurazione |
Supportato |
Details |
| Selezione schema |
❌ No |
Graph non consente a un utente di definire l'ambito del proprio Agente su nodi e archi specifici. |
| Istruzioni agente |
✅ Sì |
Guida l'agente su quando e come indirizzare le domande a questa origine. |
| Istruzioni per l'origine dati |
✅ Sì |
Inviato al motore NL2GQL per guidare la generazione di query. |
| Descrizione origine dati |
✅ Sì |
Descrizione che consente all'agente di determinare se questa origine dati è rilevante per la domanda dell'utente. |
| Query di esempio |
✅ Sì |
Passato a NL2GQL per insegnare modelli complessi di attraversamento di grafo. |
Configurazioni supportate dall'ontologia
| Configurazione |
Supportato |
Details |
| Selezione schema |
❌ No |
Non supportato per origini dati ontologiche. |
| Istruzioni agente |
✅ Sì |
Guida l'agente su quando scegliere il modello semantico per rispondere alle domande. |
| Istruzioni per l'origine dati |
❌ No |
Non è supportato per le sorgenti dati ontologiche. |
| Descrizione origine dati |
✅ Sì |
Descrizione che consente all'agente di determinare se questa origine dati è rilevante per la domanda dell'utente. |
| Query di esempio |
❌ No |
Non supportato per le origini dati ontologiche. |
Configurazioni dei dati non strutturate
| Impostazione |
Details |
| Nome visualizzato |
Nome personalizzato visualizzato per l'indice nell'ambito dell'esperienza dell'agente. |
| Tipo di ricerca |
Scegliere tra la ricerca full-text, ibrida o semantica a seconda della configurazione dell'indice. |
| Numero di documenti |
Controllare il numero di documenti recuperati per ogni query (scelta consigliata: 3-20). |
| Contesto e Descrizione |
Descrivere il contenuto dell'indice, i campi chiave e le indicazioni sull'utilizzo per facilitare il routing. |
| Istruzioni agente |
Guida come l'agente interpreta i risultati della ricerca e compone la risposta finale. |
Ulteriori informazioni