Consume Fabric dataagent fra Microsoft Foundry Services (forhåndsvisning)

Dataagenten i Microsoft Fabric omdanner bedriftsdata til samtalebaserte spørsmål og spørsmål; Et system. Det gjør det mulig for brukere å samhandle med dataene sine gjennom chat, for å avdekke handlingsvennlig innsikt. En måte å bruke Fabric data agent på er gjennom Foundry Agent Service, en kjernekomponent i Microsoft Foundry. Gjennom integrasjon av Fabric-dataagenter med Foundry kan dine Azure AI-agenter direkte koble seg til de rike, strukturerte og semantiske dataene som er tilgjengelige i Microsoft Fabric OneLake. Denne integrasjonen gir umiddelbar tilgang til bedriftsdata av høy kvalitet, og gir dine Azure AI-agenter mulighet til å generere handlingsrettede innsikter og effektivisere analytiske arbeidsflyter. Organisasjoner kan deretter forbedre datadrevet beslutningstaking med Fabric data agent som en kraftfull kunnskapskilde i sine Azure AI-miljøer.

Prerequisites

• A betalt F2 eller høyere Fabric kapasitet, eller en Power BI Premium per kapasitet (P1 eller høyere) kapasitet med Microsoft Fabric aktivert.
• Aktiver cross-geo prosessering og cross-geo lagring for AI basert på kravene som er beskrevet i Fabric data agent tenant-innstillingene.
• Minst én av disse datakildene, med data: Et lager, et innsjøhus, en Power BI-semantisk modell, en KQL-database, en speilet database eller en ontologi. Du må ha lesetilgang til datakilden.

• Utviklere og sluttbrukere i Foundry må i det minste ha rollen AI Developer Role-Based Access Control (RBAC).

Slik fungerer det

Agent Setup: I Agent Service, opprett en ny agent og legg til Fabric dataagent som en av dens kunnskapskilder. For å etablere denne forbindelsen trenger du arbeidsområdets ID og artefakt-ID for Fabric-dataagenten. Oppsettet gjør det mulig for Azure AI-agenten din å evaluere tilgjengelige kilder når den mottar en forespørsel, for å sikre at den kaller riktig verktøy for å behandle forespørselen. For øyeblikket kan du bare legge til én Fabric-dataagent som kunnskapskilde til din Azure AI-agent.

Query Processing: Når en bruker sender en forespørsel fra Foundry-lekeplassen, avgjør Agent Service om Fabric dataagent er det beste verktøyet for oppgaven. Hvis det er det, vil Azure AI-agenten:

• Bruker sluttbrukerens identitet til å generere sikre spørringer over datakildene brukeren har tillatelse til å få tilgang til fra Fabric-dataagenten.
• Aktiverer Fabric for å hente og behandle dataene, for å sikre en smidig, automatisert opplevelse.
• Kombinerer resultatene fra Fabric-dataagenten med sin egen logikk for å generere omfattende svar. Godkjenning av identitetsoversigelse (on-Behalf-Of) sikrer denne flyten, for å sikre robust sikkerhet og riktig tilgangskontroll på tvers av virksomhetsdata.

Legg til Fabric data agent til din Azure AI Agent

Du kan legge til en Fabric dataagent til din Azure AI-agent enten programmatisk eller via brukergrensesnittet (UI). For detaljerte kodeeksempler og videre instruksjoner, se dokumentasjonen for integrasjon av Azure AI Agent.

Legg til Fabric dataagent via UI:

• Gå til venstre rute. Velg Agenterunder Bygg og tilpass, som vist i følgende skjermbilde:

Dette steget viser listen over dine eksisterende Azure AI-agenter. Du kan legge til Fabric på en av disse agentene, eller du kan velge New Agent for å opprette en ny agent. Ny agentoppretting genererer en unik agent-ID og et standardnavn. Du kan endre dette navnet når som helst. For mer informasjon, se Hva er Azure OpenAI i Foundry portal.

• Begynn å legge til en kunnskapskilde: Velg Legg til-knappen , som vist i følgende skjermbilde:

Dette steget åpner en meny med støttede kunnskapskildetyper.

• Velg Microsoft Fabric som kilde: Fra listen velger du Microsoft Fabric, som vist i følgende skjermbilde:

Med dette alternativet kan agenten din få tilgang til Fabric-dataagenten.

• Lag en tilkobling: Hvis du tidligere har etablert en tilkobling til en Fabric-dataagent, kan du gjenbruke den forbindelsen for din nye Azure AI-agent. Ellers velger du Ny tilkobling for å opprette en tilkobling, som vist i følgende skjermbilde:

Vinduet Create a new Microsoft Fabric connection åpnes, som vist i følgende skjermbilde:

Når du setter opp tilkoblingen, oppgir Fabric dataagenten workspace-id og artifact-id verdiene som egendefinerte nøkler. Du kan finne verdiene workspace-id og artifact-id i det publiserte Fabric dataagent-endepunktet. Ditt Fabric dataagent-endepunkt har dette formatet:

https://fabric.microsoft.com/groups/ < workspace_id>/aiskills/<artifact-id>, og merk av for Er hemmelig

Til slutt, tildel et navn til tilkoblingen din, og velg om du vil gjøre det tilgjengelig for alle prosjekter i Foundry eller begrense det til det nåværende prosjektet.

Etter at du har valgt Connect, legges Microsoft Fabric dataagenten til som en Knowledge-ressurs, som vist i følgende skjermbilde:

Du må også gi instruksjoner til din Azure AI-agent om når, hvordan og under hvilke betingelser du skal bruke Fabric-dataagenten. Fra Azure AI-agentens perspektiv behandles Fabric-dataagenten som et Fabric-verktøy, så du kan referere til den som sådan i instruksjonene dine.

Du kan også justere distribusjonsmodellen, legge til handlinger eller endre modellinnstillinger basert på kravene til brukstilfeller. Når din Azure AI-agent er fullstendig konfigurert, velg Prøv i playground for å teste ytelsen.

Legg til Fabric dataagent programmatisk: Følgende steg beskriver hvordan du kan legge til en Fabric dataagent programmatisk til din Azure AI-agent i Python. For andre språk (C#, JavaScript), se denne ressursen.

Trinn 1: Opprette en prosjektklient

Lag et klientobjekt som inneholder connection string som kobler til AI-prosjektet ditt og andre ressurser.

import os
from azure.ai.projects import AIProjectClient
from azure.identity import DefaultAzureCredential
from azure.ai.agents.models import FabricTool, ListSortOrder

Trinn 2: Opprett en agent med Microsoft Fabric-verktøyet aktivert

For å gjøre Fabric-dataagentverktøyet tilgjengelig for din Azure AI-agent, bruk en tilkobling for å initialisere verktøyet og koble det til agenten. Du kan finne forbindelsen din i seksjonen for tilkoblede ressurser i prosjektet ditt i Foundry-portalen.

# The Fabric connection ID can be found in the Foundry project as a property of the Fabric tool
# Your connection ID is in the format /subscriptions/<your-subscription-id>/resourceGroups/<your-resource-group>/providers/Microsoft.MachineLearningServices/workspaces/<your-project-name>/connections/<your-fabric-connection-name>
conn_id = "your-connection-id"

# Initialize the AI project client
project_client = AIProjectClient(
    endpoint=os.environ["PROJECT_ENDPOINT"],
    credential=DefaultAzureCredential(),
)

# Initialize agent Fabric tool and add the connection ID
fabric = FabricTool(connection_id=conn_id)

# Create agent with the Fabric tool and process assistant run
with project_client:
    agent = project_client.agents.create_agent(
        model="gpt-4o",
        name="my-assistant",
        instructions="You are a helpful assistant",
        tools=fabric.definitions,
        headers={"x-ms-enable-preview": "true"},
    )
    print(f"Created agent, ID: {agent.id}")

Trinn 3: Opprette en tråd

# Create thread for communication
thread = project_client.agents.create_thread()
print(f"Created thread, ID: {thread.id}")

# Create message to thread
# Remember to update the message with your data
message = project_client.agents.create_message(
    thread_id=thread.id,
    role="user",
    content="what is top sold product in Contoso last month?",
)
print(f"Created message, ID: {message.id}")

Trinn 4: Opprette en kjøring og kontrollere utdataene

Lag en kjøring, og observer at modellen bruker Fabric data agent-verktøyet for å gi et svar på brukerens spørsmål.

# Create and process agent run in thread with tools
run = project_client.agents.create_and_process_run(thread_id=thread.id, assistant_id=agent.id)
print(f"Run finished with status: {run.status}")

if run.status == "failed":
    print(f"Run failed: {run.last_error}")

# Delete the assistant when done
project_client.agents.delete_agent(agent.id)
print("Deleted agent")

# Fetch and log all messages
messages = project_client.agents.list_messages(thread_id=thread.id)
print(f"Messages: {messages}")

Relatert innhold

• dataagentkonsept
• Ende-til-ende-opplæring for dataagent