Brug agentværktøjer til at udvide, automatisere og forbedre dine agenter

Agenter bliver stærkere, når du udstyrer dem med specialiserede værktøjer, der giver dem flere primære muligheder. Copilot Studio tilbyder tre primære agentværktøjskategorier:

• AI-prompter til at generere intelligente svar
• Model Context Protocol (MCP) til standardiserede integrationer
• Computerbrugsværktøj til automatisering af processer på stationære computere

Denne artikel beskriver, hvordan de forskellige værktøjstyper fungerer, hvornår du bør bruge dem, og hvordan de kan hjælpe dig med at udvikle mere kompetente og effektive agenter. Du lærer også om forskellene mellem hostede og medbragte maskiner til computerbrugsscenarier, og du får vejledning til, hvordan du vælger mellem tilgange med traditionel procesautomatisering med robotteknologi (RPA) og Computer Using Agents (CUA).

Generér et svar ved hjælp af AI-prompter

AI-prompter anvender en række instruktioner til at generere et svar fra en AI-model. Du kan inkludere variabler for at tilføje yderligere tekst eller dokumenter i disse instruktioner. Outputtet leveres typisk som enten almindelig tekst eller JSON-format. Du kan vælge enhver AI-model, der er indbygget i Copilot Studio eller implementeret via Microsoft Foundry, for at generere svaret.

Du kan aktivere prompter som et agentværktøj eller fra et emne. Alle prompter gemmes i et promptbibliotek og understøtter styring af programmets livscyklus, rollebaseret adgangskontrol og deling.

Få flere oplysninger om brug af prompter til at få din agent til at udføre bestemte opgaver

Bestem, hvornår du skal bruge AI-prompter, i stedet for at organisatoren bestemmer

Hver agent, der oprettes i Copilot Studio, bruger organisatoren til at bestemme, hvordan den skal reagere, ved at vælge værktøjer, emner og vidensbase baseret på systeminstruktioner, brugerinput og kontekstuel information. Organisatoren er motoren bag generativ orkestrering, som planlægger handlinger og sammensætter svar ved hjælp af agentens værktøjer og beskrivelser.

Selvom organisatorbaserede svar kan virke som AI-prompter, har de to funktioner forskellige formål. AI-prompter er selvstændige promptbaserede handlinger, der giver udviklere mere kontrol over modelkonfigurationen.

AI-prompter understøtter et bredere udvalg af modeller, inklusive dem, der er tilgængelige gennem Microsoft Foundry. De understøtter også funktioner som Dataverse-begrundelse, filinput og kodefortolker.

Organisatoren bruger en fast systemprompt og værktøjsbeskrivelser til at vælge de rigtige byggesten til en given anmodning. Udviklere kan ikke redigere organisatorens systemprompt, men de kan påvirke, hvordan den opfører sig gennem agentinstruktioner.

AI-prompter giver fuld kontrol over formatering, begrænsninger og logik, hvilket gør dem optimale til situationer, der kræver finjusteret eller meget struktureret output. Hvis du f.eks. har brug for stilistisk kontrol ud over simpel formatering ("skriv et digt, der rimer, i ABAB-struktur med netop disse ord"), er en prompt det bedste valg.

Organisatoren fungerer godt til simple opgaver som f.eks. at udtrække et enkelt navn fra tekst. Brug AI-prompter til kompleks udtrækning. Det kan for eksempel være at hente flere objekter fra en lang rapport og sammenkæde dem med domænespecifikke relationer (såsom at udtrække flere navne fra en forsikringsrapport og identificere bilværkstedsejeren, der kun er tilknyttet én part i hændelsen).

Valget mellem organisator og AI-prompter afhænger af, hvor meget tilpasning der kræves. Hvis du har brug for præcis kontrol over modellens adfærd eller output, skal du vælge AI-prompter. I scenarier, hvor generelt ræsonnement, værktøjsvalg og letvægtsformatering er tilstrækkelige, er organisator det rette valg.

Integrer agentværktøjer ved at bruge MCP

Model Context Protocol (MCP) er en universelt grænseflade, som AI-modeller bruger til at interagere med eksterne værktøjer, datakilder og brugermiljøer på en ensartet og skalerbar måde.

Til sammenligning kræver Power Platform-connectors, at du beskriver hver handling og dens input, og opdaterer disse beskrivelser, når nye definitioner bliver tilgængelige. Brugerdefineret kodning af en integration for hvert værktøj er mere komplekst og mindre skalerbart.

Brug MCP-serverne i Copilot Studio til Microsoft-tjenester som f.eks. Outlook, Dataverse og GitHub samt tredjepartstjenester som Salesforce og JIRA. Lav brugerdefinerede MCP-servere til tjenester, hvor der ikke findes nogen.

Her er nogle af fordelene ved MCP:

• Standardiseret kontekst for AI-modeller
• Nem integration med Copilot Studio
• Forbedret effektivitet for udviklere og brugeroplevelse
• Styring, overvågning og mulighed for udvidelse

Overvej følgende begrænsninger, før du implementerer MCP-servere:

• Du kan ikke berige værktøjsbeskrivelser med mere kontekst om, hvornår de skal kaldes.
• Emner kan ikke kalde MCP-servere direkte.

Forstå, hvornår du skal bruge MCP

Du kan opnå de samme resultater i Copilot Studio ved hjælp af flere integrationsmetoder. Det er vigtigt at forstå, hvornår du skal bruge Model Context Protocol (MCP)-servere sammenlignet med enklere muligheder som Power Platform connectors eller direkte REST API-kald.

Brug MCP, når du har brug for en standardiseret, centralt administreret måde at til at tilgængeliggøre værktøjer og ressourcer for flere agenter uden konfiguration pr. klient. MCP-servere udgiver værktøjer og ressourcer, som agenter automatisk kan opdage, versionere og anvende på en ensartet måde, fordi MCP-serveren definerer værktøjsbeskrivelserne og deres input. Modsat kræver det, at du manuelt beskriver formålet med et API og definerer dets input for hver agent.

MCP er især nyttigt, når upstream-API'er ofte ændres. I stedet for at opdatere hver agent, der bruger API'et, ændrer du definitionen én gang på MCP-serveren, og alle agenter anvender automatisk den opdaterede version uden at genudgive. Hvis der ikke findes en MCP-server, eller du arbejder med hurtig prototypeudvikling, er det hurtigere at kalde API'er direkte, og du undgår det opsætningsarbejde, der kræves for at introducere hele MCP-livscyklussen.

Generativ orkestrering skal være aktiveret for at bruge MCP. Læs mere i Hvordan fungerer MCP?

Automatiser skrivebordsprocesser ved at bruge computerbrug-værktøjet

Ved hjælp af computerbrugsværktøjet kan en agent betjene en computer uden behov for automatiseringsscripts eller API'er. I stedet for at bruge scripts eller API'er konfigurerer du agenten med en prompt. Agenten afgør, hvordan den bedst når sine mål. Under processen tager agenten et skærmbillede i hvert trin, analyserer det for at beslutte den næste handling, udfører denne handling og gentager denne cyklus, indtil opgaven er fuldført. Skærmbilleder, der er taget af agenten, samt ræsonnementstrin er tilgængelige som en del af kørselshistorikken.

Her er nogle af de typiske scenarier, hvor en agent med fordel kan benytte computerbrugsværktøjet:

• Dataindtastning: Opret en salgsordre i SAP for hver række i den modtagne CSV-fil, og skriv det genererede ordre-ID tilbage i filen.
• Dataudtrækning: Gå til hver leverandørportal, søg efter den angivne SKU, udtræk pris, lager og leveringstid, og indsæt resultaterne med et tidsstempel i databasen.
• I flere apps: Eksporter transaktioner for dags dato fra den computerbaserede finansklient, navigér i QuickBooks, og bogfør hver post på den rigtige konto.

Forstå forskellen på hostede og medbragte maskiner

Agenter kan anvende computerbrugsværktøjet på en Microsoft-hostet maskine eller en medbragt maskine (BYO). Hostede maskiner kan bruges med det samme uden it-konfiguration eller fakturering. De tilhører en fælles pulje af Windows 365 Cloud-pc'er, som er klargjort på forhånd og ikke er tilknyttet kundens lejer via Entra. BYO-maskiner skal klargøres på forhånd i kundens eget virtuelle netværk. Du skal registrere og administrere maskiner i Power Automate.

Brug BYO-maskiner til produktionsscenarier. De understøtter Microsoft Entra ID, er Intune-registrerede og understøtter både web- og computer-automatiseringsscenarier. Brug kun hostede maskiner til prototypeudvikling på grund af deres begrænsede funktioner. Der er kun én cloud-pc tilgængelig pr. bruger ad gangen, og forbruget kan begrænses ud fra efterspørgslen.

Få mere at vide i Konfigurer, hvor computerbrug kører.

Procesautomatisering med robotteknologi (RPA) ifht. computerbaserede agenter (CUA)

Procesautomatisering med robotteknologi (RPA) er automatisering af en computer ved hjælp af et script. Du kan anvende det i mange af de samme scenarier som CUA. Det er dog vigtigt at forstå forskellene på RPA og CUA.

Brug RPA, når:

• Kun generelt tilgængelige funktioner (GA) er tilladt.
• Brugergrænsefladen er stabil. Skærme, felter og vælgere sjældent ændres.
• Reglerne er tydelige. Du kan registrere beslutninger i regler.
• Hastighed er afgørende. Store mængder. Hvert sekund tæller.
• Et RPA-team har ansvaret for det. Teamet har allerede viden om udvikling og styring af RPA.

Brug CUA, når:

• Brugergrænseflader skifter eller varierer meget. Du arbejder med flere apps og ofte omdesigner.
• Det skal være hurtigt. RPA-teamet har for mange opgaver.
• Brugergrænsefladen er vigtig. Opgaven afhænger af, hvad der er synligt på skærmen, såsom diagrammer, farver og dynamiske layout.
• Beslutninger er uklare. Agenten skal kunne ræsonnere, vælge det næste skridt eller korrigere sig selv.

Relaterede oplysninger

• Tilføj værktøjer til brugerdefinerede agenter
• Udvid din agent med Modelkontekstprotokol
• Automatiser web- og desktop-apps med computerbrug