Kommentar
Åtkomst till den här sidan kräver auktorisering. Du kan prova att logga in eller ändra kataloger.
Åtkomst till den här sidan kräver auktorisering. Du kan prova att ändra kataloger.
Djup kontext är agentens samlade förståelse för din miljö – din kod, din infrastruktur, teamets procedurer och vad som hände i tidigare undersökningar. Till skillnad från en allmän AI-assistent som börjar från noll varje gång skapar din agent en växande bild av hur dina system fungerar.
Tips/Råd
- Djup kontext innebär att din agent förstår your kod, infrastruktur och drifthistorik – inte bara allmän Azure kunskap
- Den bygger denna förståelse genom tre grundpelare: kodanalys, beständigt minne och bakgrundsinformation
- Anslutna källkodslagringsplatser (GitHub, Azure DevOps) ger agenten direkt åtkomst till läsning, sökning och navigering i din kodbas
Arbetsyteverktyg (filåtgärder, terminalkommandon, Python körning) kräver aktivering. Kontakta agentadministratören eller aktivera via sidan Experimentella inställningar i portalen.
Djupkontext är inte en enda funktion som du aktiverar– det är kombinationen av tre pelare som fungerar tillsammans automatiskt.
| Grundpelare | Vad det gör | Så här bygger den |
|---|---|---|
| Kontextanalys | Läser kod, söker efter kunskap och navigerar i din miljö i realtid | Anslutna lagringsplatser + kunskapsbas + användarinställningar |
| Beständigt minne | Minns tidigare undersökningar, teamkontexter och driftsmönster | Konversationsinlärning + kunskapsfiler |
| Bakgrundsinformation | Lär dig kontinuerligt av din miljö – även när ingen chattar | Codebase-analys + insiktsgenerering + berikande av datakällor |
Varför deep context är viktigt
Er teams expertis finns på ett dussin olika platser – källkod i GitHub, loggar i Azure Monitor, konfigurationer i YAML-filer, runbooks på en wiki som ingen uppdaterar och stamkunskap i huvuden på era seniora ingenjörer. När en incident inträffar är det svåraste inte att resonera om problemet – det är att samla tillräckligt med kontext för att kunna börja resonera överhuvudtaget.
Djup kontext löser detta genom att ge din agent kontinuerlig åtkomst till alla dessa källor – och möjligheten att komma ihåg vad den lär sig av varje interaktion.
Pelare 1: Kontextanalys
Din agent har kontinuerlig, direkt åtkomst till dina anslutna lagringsplatser, kunskapsbas och användarinställningar. Det väntar inte på att du ska ställa en fråga innan du läser koden – den utforskar dina lagringsplatser, lär dig projektstrukturen och skapar förståelse proaktivt.
Du kan lägga till mer kontext när som helst:
- Anslut lagringsplatser – länka GitHub eller Azure Repos så att agenten kan läsa källkoden. Se Anslutningsappar.
- Ladda upp kunskapsdokument – lägg till runbooks, arkitekturguider och teamprocedurer. Se Minne och kunskap.
-
Be din agent att komma ihåg – skriv
#rememberin chatten för att spara fakta som din agent bör känna till. Se Minne och kunskap. - Skapa färdigheter – paketfelsöka procedurer med verktyg. Se Kunskaper.
Säkerhet
Alla arbetsyteåtgärder körs i en sandbox-miljö. Kodkörning sker i isolerade containrar, inte på agentvärd. Azure CLI:s skrivkommandon kräver ett uttryckligt godkännande från användaren innan de körs.
Pelare 2: Beständigt minne
Din agent kommer ihåg vad den lär sig. Efter varje konversation extraherar agenten strukturerade fasetter – verktygens framgångsfrekvens, rotorsaker, nyckelinlärningar och vilka Azure-tjänster som var inblandade. Dessa lagras som beständiga kunskaper och används för att förbättra framtida undersökningar.
Läs mer: Minne och kunskap
Pelare 3: Bakgrundsinformation
Din agent skapar kontinuerligt operativ förståelse – även när ingen chattar – genom tre bakgrundssystem:
Kodbasanalys
När du ansluter en kodlagringsplats analyserar agenten den automatiskt – projektstruktur, teknikstack, distributionskonfigurationer och tjänstberoenden. Den skapar en SREAGENT.md fil som en PR till din lagringsplats.
Insiktsgenerering
En bakgrundstjänst aggregerar regelbundet data från flera källor – tidigare konversationer, incidenter, arbetsytekontext – och använder semantisk matchning för att generera, stämma av och utveckla driftinsikter över tid.
Kustoförbättring av schema
När du ansluter ett Azure Data Explorer-kluster (Kusto) identifierar agenten automatiskt dina databaser och tabeller, dokumenterar varje tabells schema, genererar beskrivningar som kan läsas av människor och skapar KQL-frågemallar.