Transcription
запись. >> Да. Да. Да. >> Хорошо. Отлично. Все хорошо. Все правильно. Итак, сейчас у нас будет следующий спикер, Нандеп и Смита. Они всегда были частью активных спикеров в сообществе Delhi Tech, и мы снова приветствуем Нандепа и Смиту в сообществе Delhi Tech и рады видеть вас в эту субботу днем с вашей сессией. >> Здравствуйте. Здравствуйте. Привет всем. Надеюсь, меня слышно четко, потому что я в поездке, поэтому, вероятно, я отключу камеру, чтобы сэкономить пропускную способность, но надеюсь, меня слышно. Позвольте мне просто попробовать поделиться экраном, подтвердите, если вы сможете это увидеть. >> Хорошо, хорошо, хорошо, мне придется поделиться всем экраном. Хорошо, это нормально. Надеюсь, видно. >> Да, отлично видно. Все правильно. Все правильно. Отлично. >> Хорошо. Итак, просто дайте мне знать, когда начинать. >> Да, вы можете начинать. Сцена вся ваша. >> Хорошо. Хорошо. Спасибо. Спасибо. >> Хорошо. Итак, всем привет. Добро пожаловать и спасибо, что снова присоединились к нам сегодня на power aon, организованном сообществом Delhi Tech. Еще раз спасибо всем спикерам, всем организаторам, всем участникам за то, что нашли время для этого мероприятия, и сегодня мы собираемся поговорить о создании многоагентных систем с помощью Microsoft Foundry. Хорошо. Итак, конкретно, хотя наша концепция будет вращаться вокруг Microsoft Foundry, мы будем говорить в целом о том, что такое агент, как мы движемся к многоагентным системам, не только Microsoft Foundry, но и снова, если у вас есть один агент, созданный в Microsoft Foundry, если вы хотите подключить его к cop studio, как вы можете это сделать, хорошо, потому что, например, если вы просто посмотрите, как далеко мы продвинулись в этом путешествии ИИ, оно очень велико, так что, скажем, например, если вы вернетесь в историю, не очень давно, но, возможно, всего два-три года назад, мы начинали с самых основ ИИ, потому что ИИ, по крайней мере, начался в 1950-х годах или, в частности, в 1956 году и так далее, но с генеративным ИИ все очень сильно меняется, и прямо сейчас, если вы посмотрите, разрыв слишком велик, и снова у нас также есть слишком большой путь обучения. Теперь, когда мы начали использовать ИИ, он был очень базовым, и когда мы начали использовать генеративный ИИ, он снова был довольно базовым, возможно, в 2019-2020 годах, когда мы только начали использовать генеративный ИИ, мы задавали вопросы, мы получали ответы, и мы были вполне довольны этим. Так, например, я могу спросить: "Напиши мне стихотворение", и тогда copilot может написать мне стихотворение для этого, или генеративный ИИ, большая языковая модель, которая стоит за этим, может написать мне стихотворение, и все, если я дам постановку задачи, он может дать мне ответы, мы были довольны этим. Затем мы перешли к следующему шагу, которым является агент. Итак, с агентом мы не просто ограничены получением ответов, но мы вошли в эру, когда мы можем делегировать некоторую работу агенту. Так что агенты — это не просто одностороннее общение, что они просто дадут нам ответ или дадут нам ответ, но они пойдут вперед и даже могут выполнить задачу для меня. Так что, если сегодня я спрошу ИИ или, в частности, агента, хорошо, создай мне тикет в Jira или получи все задачи, которые назначены мне в Service Now. Теперь он может это сделать. Теперь мы даже не были вполне довольны этим. Мы хотели иметь несколько созданных агентов. Хорошо. Потому что будет создан различные агенты с конкретными функциями. И тогда снова мы пошли вперед, и тогда у нас есть несколько агентов, и теперь мы ищем сотрудничество между этими несколькими агентами. Эти два агента, связывающиеся друг с другом, разговаривающие друг с другом, передающие информацию и устанавливающие контекст. Хорошо. Итак, прямо сейчас мы находимся в этой области, и снова есть несколько хороших вещей, которые уже были выпущены в Microsoft Foundry, а также в Copa Studio, где вы сможете получить все эти возможности, такие как не только MCP или просто коннектор, но и снова вы можете пойти вперед, использовать протоколы типа A2A, использовать рабочие процессы и выполнять задачи. Хорошо. Итак, теперь снова это своего рода контекст для того, что мы будем охватывать в этой сессии. Итак, чтобы установить контекст снова, мы находимся в эре, где у нас есть несколько агентов, и тогда мы создаем связанную экосистему. Теперь основной вопрос, который вы можете мне задать: почему нам нужны несколько агентов. Хорошо. Итак, снова есть компромисс и все остальное, но, безусловно, наличие многоагентной системы очень выгодно для нас, вместо того, чтобы создавать одного агента, который может выполнять несколько задач. По крайней мере, мое личное мнение, и это также рекомендуется, что у нас должны быть несколько агентов, которые являются своего рода специализированными агентами, и тогда, если потребуется, они могут работать независимо или они могут вызывать друг друга и выполнять работу. Хорошо. Итак, наша сессия будет вращаться вокруг этого: как мы можем создавать эти многоагентные системы. Все правильно. Итак, быстро, это будет повестка дня этой сессии. Мы быстро посмотрим, как произошла эволюция ИИ, хотя я кратко объяснил ранее, мы только начали использовать ИИ просто для ответов на вопросы, но теперь, когда мы движемся в мир агентного ИИ и несколько агентов, связывающихся друг с другом и всем остальным, мы поймем, что означает агент, что они собой представляют и как они работают. Даже мы увидим, что означает подключенный агент, если мы хотим, чтобы агенты были подключены друг к другу, какой должна быть архитектура, функции, а также настройка, и снова мы будем рассматривать интеграцию Microsoft AI. Итак, это не то, что как только вы создадите агента в Microsoft Foundry, вы должны использовать его в Microsoft Foundry. Вы можете взять его снаружи, вы даже можете использовать его в cop studio. Итак, мы увидим это тоже, и в демо, а затем мы, если время позволит, перейдем к размещенным агентам, этим сервисным агентам, как мы можем размещать этих агентов, как мы можем масштабировать, как мы можем развертывать, и снова мы завершим сессию с некоторым ответственным ИИ и некоторыми другими ключевыми выводами. Все правильно. Итак, с этим, прежде чем начать сессию, краткое представление о себе, Нандеп Начан, я Microsoft MVP, а также сертифицированный тренер Microsoft из Пуны, и снова, это несколько моих социальных медиа-хендлеров. Снова, это несколько моих книг, а также курс Udemy. Так что, если вы хотите связаться со мной после этой сессии, пожалуйста, дайте мне знать в LinkedIn, и я буду рад связаться с вами. И со мной сегодня Сита. Здравствуйте, все хорошо, доброе утро. Меня зовут. Я слышно? >> Да. >> Хорошо. Да. Спасибо. Итак, у меня общий опыт работы с технологиями Microsoft почти 18 лет. Я Microsoft MVP. Я автор этих двух книг. И это несколько моих социальных хендлеров, по которым вы можете связаться со мной. И я хотел бы выразить особую благодарность Дувену и другим членам команды из сообщества Dilli за теплый прием и предоставленную возможность. Хорошо. Итак, все правильно. Итак, прежде чем мы перейдем к этим захватывающим вещам, давайте заземлимся в том, где мы были, потому что чтобы по-настоящему оценить сдвиг, который происходит прямо сейчас, вам нужно понять парадигму, которую мы оставляем позади, и я думаю, что большинство из вас в этой комнате уже пережили эту эволюцию лично. Итак, примерно за последнее десятилетие ИИ появлялся в корпоративных средах в двух доминирующих моделях. Итак, вы можете видеть их на слайде. Итак, автоматизация слева и помощь справа. И вот в чем дело: обе они действительно полезны. Так что никто не говорит, что они плохие, но они имеют фундаментальные архитектурные ограничения, которые стоит явно назвать. Итак, начнем с автоматизации. Итак, это ваши системы на основе правил. Итак, подумайте о потоках Power Automate, ботах UiPath, Azure Logic Apps, запланированных Azure Functions. Итак, шаблон всегда один и тот же. Разработчик или бизнес-аналитик определяет детерминированный рабочий процесс. Итак, если условие А, выполнить действие Б, повторить. Итак, система выполняет именно то, что было настроено, и делает это надежно в масштабе круглосуточно, и предлагает ли она также ценность. Итак, пример на этом слайде — это базовое добавление нового сотрудника в HR-систему. Кто-то однажды создает автоматизацию. Возможно, он отслеживает список SharePoint, запускает поток, создает учетную запись AD, отправляет электронное письмо, приветственное письмо, предоставляет лицензии, прекрасные вещи. Но вот что происходит в реальном мире: HR-отдел меняет имя поля в своей форме, или переключается с локального ID на Intra ID, или кто-то добавляет условные шаги для подрядчиков по сравнению с полноправными сотрудниками, и внезапно эта автоматизация ломается, потому что у нее нет способности рассуждать о том, что изменилось, и ее детерминированное выполнение кода определяет логику, поэтому нет понимания намерения. Итак, теперь посмотрите на помощь справа. Итак, это эпоха чат-ботов, все, от FAQ-ботов в Teams до ранних опытов copilot. Итак, эти системы реактивны, поскольку они ждут, пока вы введете вопрос. Итак, вы спрашиваете что-то вроде: "Какой дресс-код в офисе?", и помощник выполняет операцию поиска. Возможно, он требует индекса Azure AI Search, выполняет некоторую RAG по вашим документам SharePoint, ранжирует результаты и возвращает ответ. Итак, это полезно, но заметьте, что происходит дальше. Абсолютно ничего. Помощник предоставляет вам информацию, а затем вам решать, что с ней делать. Итак, вы все еще тот, кто планирует, связывает и выполняет. Итак, теперь на следующем слайде посмотрите, что именно изменилось. Итак, ИИ как товарищ по команде. Итак, это было вчера. Теперь давайте поговорим о сегодняшнем дне, и именно здесь все становится по-настоящему интересным с технической точки зрения. Итак, заголовок этого слайда имеет решающее значение. Итак, ИИ переходит от инструмента к товарищу по команде, и это не просто инструмент, как мы упоминали, это теперь ваш товарищ по команде. Итак, вам нужно понять, как и как он будет работать в вашей повседневной жизни. И я знаю, что это звучит как маркетинговый слоган. Итак, позвольте мне объяснить, что я имею в виду с точки зрения инженерной команды. Инструмент — это что-то с фиксированным интерфейсом. Итак, вы можете вызвать его, он возвращает результат. У него нет памяти о том, почему вы его вызвали или что будет дальше. Товарищ по команде понимает контекст, может разбить цель на подзадачи, может решить, какие инструменты использовать, может восстановиться после сбоев и может координировать работу с другими товарищами по команде. Итак, это архитектурный сдвиг, через который мы проходим прямо сейчас. Итак, давайте сначала посмотрим на левую карточку. Итак, агент. Итак, что такое агент технически? Итак, по своей сути агент — это программа, в которой поток управления определяется большой языковой моделью. Итак, вместо того, чтобы вы писали эти ветви "если", LLM решает, что делать дальше, основываясь на текущем состоянии, цели, доступном ему инструменте. Итак, там есть цикл рассуждений: наблюдать, думать, действовать, снова наблюдать. Итак, пример на слайде — заказать ноутбук для нового сотрудника. Итак, позвольте мне провести вас через то, что именно происходит под капотом. Итак, агент получает эту инструкцию. Он рассуждает: "Мне нужно знать роли сотрудника, чтобы определить уровень оборудования", и вызывает инструмент, возможно, запрос API Microsoft Graph, чтобы получить профиль сотрудника из Azure AD. Итак, он получает роли, например, старший инженер-программист, он возвращает высокопроизводительную конфигурацию для старшего инженера-программиста. Итак, он вызывает API закупок, размещает заказ, получает идентификатор заказа. Затем он вызывает API Service Now, чтобы обновить тикет с подтверждением заказа. Итак, четыре вызова инструмента, три шага рассуждений, ноль человеческого вмешательства между шагами. Это фундаментально отличается от автоматизации и помощи. Итак, вот аналогия, которая действительно помогает: калькулятор против финансового аналитика. Хорошо. Итак, с калькулятором вы нажимаете каждую кнопку, вы владеете всей последовательностью операций. Итак, с финансовым аналитиком вы можете сказать: "Скажите мне, имеет ли это приобретение смысл", и он выяснит, какие модели запустить, какие данные получить, какие предположения проверить, и вы опишете вопрос, а он выяснит метод. Теперь посмотрите на правую карточку: агентная система. Итак, вот где это становится действительно мощным, и это ядро того, что вы будете строить на этой сессии. Итак, вместо того, чтобы один агент делал все, у вас есть несколько специализированных агентов, сотрудничающих для достижения большего результата. Итак, подумайте о микросервисах, но для интеллекта. Итак, пример здесь — адаптация пяти новых сотрудников к понедельнику. Итак, это не простая декомпозиция задачи, такая как создание учетной записи Azure AD, заказ ноутбука, лицензии Microsoft 365, назначение каналов команды, отправка учебных материалов, представление менеджера, планирование. Итак, в агентной системе у вас может быть агент IT-обеспечения, отвечающий за учетные записи и лицензии, агент закупок, отвечающий за оборудование, агент HR, отвечающий за документацию и соответствие требованиям, и агент связи, отвечающий за приветственные сообщения и приглашения в календарь. Итак, здесь каждый агент способен самостоятельно, но они координируют передачу контекста, обмен результатами, а также обработку зависимостей, и вот ключевой вывод для архитекторов в комнате: сложность остается внутри системы, а не на человеческой тарелке. Хорошо. Итак, пользователь просто сказал: "Адаптируйте пять человек к понедельнику". Система выясняет остальное. Ваша роль смещается с менеджера задач на постановщика целей. Итак, что именно изменилось, чтобы сделать эту проблему конкретной? На следующем слайде мы увидим, что от предоставления инструкций к обмену целями. Итак, я хочу сделать до и после действительно конкретными. Итак, эти слайды представляют четыре конкретных сдвига. Каждый из них стоит того, чтобы его разобрать, потому что они представляют собой фундаментальное изменение в том, как мы проектируем решения, как мы думаем о сотрудничестве человека и ИИ. Давайте поговорим больше об этом для всех этих четырех шагов. Итак, начнем с первой строки. Вы разбиваете работу на шаги против вы описываете желаемый результат. Итак, это самый значительный сдвиг с инженерной точки зрения. Итак, подумайте о том, как вы сегодня создаете автоматизацию. Вы садитесь, сначала разбиваете проблему: сделайте это, затем проверьте это, если это условие, то перейдите сюда, обработайте ошибку. Вызовите API. Итак, вы планировщик. Хорошо. Итак, вы кодируете все дерево решений заранее, а с агентным ИИ вы описываете результат: "Решите этот тикет поддержки" или "Подготовьте квартальный отчет". Итак, агент выполняет декомпозицию задачи во время выполнения. Итак, он выясняет шаги, последовательность и зависимости. Итак, для тех из вас, кто думает, что в паттернах проектирования мы перешли от паттерна жестко закодированной стратегии к динамическому паттерну, где LLM является движком планирования. Вторая строка: ИИ выполняет одну задачу за раз против ИИ планирует и выполняет множество задач. Итак, это разница между одним вызовом функции и уровнем оркестрации. Итак, старая интеграция ИИ, которая, по сути, была вызовами stateless API: отправьте входные данные, получите выходные данные, готово. Итак, современные агенты поддерживают состояние в цикле рассуждений. Они вызывают инструмент, оценивают результат, решают, что делать дальше, вызывают другой инструмент, обрабатывают неожиданный ответ, повторно пытаются с другим подходом. Итак, под капотом это реализовано как интерактивный цикл вызовов инструментов, где LLM генерирует вызовы функций, среда выполнения выполняет их, передает результат обратно, и LLM решает следующий шаг. Итак, это, по сути, цикл while, где LLM является условием цикла, а такие фреймворки, как Microsoft Agent Framework и LangGraph, предоставляют вам каркас для создания этих циклов с надлежащим управлением состоянием, контрольными точками, а также обработкой ошибок. Давайте поговорим о третьей строке: человек связывает точки против ИИ координирует работу с инструментами и данными. Итак, это то, что действительно резонирует с любым, кто создавал интеграционные решения. Итак, сколько из вас тратило время на копирование данных из одной системы в другую, получение отчета из одного инструмента, переформатирование его, передачу другому инструменту, запуск процесса в третьей системе? Итак, это клеевая работа, и интеграционный налог огромен. Итак, агенты устраняют это, потому что они могут перемещаться по системе нативно. Агент с доступом к API Microsoft Graph, Service Now и вашим базам данных Azure SQL может получать контекст из всех трех, собирать данные и предпринимать действия. Итак, все в одной цепочке рассуждений, вам больше не нужна промежуточная программа. Давайте поговорим о последнем, четвертом. И четвертая строка — моя любимая: масштабируется в зависимости от того, сколько вы печатаете, против масштабируется в зависимости от того, насколько ясно вы думаете. Итак, я хочу, чтобы все действительно задумались над этим. Итак, в одном мире ваша продуктивность была буквально ограничена вашей скоростью мышления. Хорошо. Итак, как быстро вы могли печатать подсказки, писать код, настраивать рабочий процесс. Итак, в агентном мире продуктивность ограничена тем, насколько точно вы можете сформулировать результат. Итак, узкое место смещается со скорости выполнения на ясность намерения, и это меняет навыки, которые имеют значение. Итак, быть быстрым наборщиком имеет меньшее значение, а быть чистым мыслителем — тем, кто может определять цели, устанавливать ограничения и указывать критерии успеха, — имеет наибольшее значение. Итак, для технических лидеров это имеет реальные последствия для того, как вы нанимаете, обучаете и оцениваете производительность. Хорошо. Итак, следующее, что мы будем обсуждать, это агентный ИИ — новая граница. Итак, этот слайд является кульминацией того, почему агентный ИИ имеет значение, и я хочу донести это с точностью, потому что все, что мы строим в остальной части этой сессии, основано на этих трех столпах. Итак, заголовок гласит, что агентный ИИ — это новая граница, и я хочу быть ясным относительно того, что здесь означает граница. Итак, это не означает новое и блестящее. Это означает, что мы находимся на границе того, что возможно с программным обеспечением. Итак, впервые мы можем создавать системы, которые не просто обрабатывают данные, а преследуют цели, и это фундаментально разные возможности, и это меняет то, как мы проектируем решения. Итак, позвольте мне провести вас через эти три столпа. Итак, первый — автономия. Итак, это способность продвигать действие к цели, а не просто реагировать на запрос. Итак, подумайте о том, что это означает технически. Автономный агент имеет представление о цели, модель мира, построенную из его инструментов и контекста, и способность планирования, которая генерирует последовательность действий. Хорошо. Итак, когда вы говорите "запланировать встречу с продуктовой командой на следующей неделе", автономный агент не просто составляет черновик электронного письма для вас, он запрашивает Microsoft Graph, чтобы проверить пять календарей, определяет совпадающие свободные слоты, оценивает доступность комнат, отправляет приглашение и подтверждает. Хорошо. Затем второе — это рассуждение. Итак, это то, что отличает агента от макроса или RPA-бота. Итак, рассуждение означает, что агент может обдумать шаги, обрабатывать неопределенность, корректироваться, когда что-то идет не так, и выбирать следующее лучшее действие на основе новой информации. Итак, позвольте мне привести конкретный технический пример. Агент пытается решить тикет поддержки. Он вызывает API базы знаний. Соответствующая статья не найдена. Макрос остановился бы там или вернул бы неверный результат. Рассуждающий агент говорит: "База знаний не дала ответа. Итак, давайте попробуем вики инженеров", и все равно ничего. Итак, давайте проверим недавний отчет об инциденте в системе тикетов на предмет похожих проблем. Найдено совпадение. Затем была развертка прошлой ночью. Итак, прошлой ночью была развертка, которая вызвала те же симптомы, и исправление заключалось в развертывании конфигурации. Итак, агент синтезирует эту информацию и составляет ответ, а многошаговое адаптивное поведение с откаткой — это рассуждение под капотом. Это LLM, оценивающий выходные данные инструментов и динамически выбирающий следующее действие, паттерн, называемый React (Response + Act). Хорошо. Итак, третье — это сотрудничество, и именно здесь появляются многоагентные системы, которые являются основной темой сегодняшней сессии. Итак, я не буду углубляться в теорию, потому что нам слишком много нужно охватить. Итак, давайте поговорим напрямую о том, что такое агент, на следующем слайде. Итак, этот агент ИИ — это простая программа, в которой вы позволяете LLM помочь вам определить поток управления программой. Итак, это похоже на микросервис, который может выполнять задачу и достигать конкретного бизнес-результата. Итак, давайте перейдем к демонстрации. >> Все правильно. Итак, с этим, позвольте мне перейти на портал Microsoft Foundry, и это место, откуда мы будем создавать нашего первого агента. Хорошо. Итак, большинство из вас, возможно, уже использовали Microsoft Foundry, но это новый интерфейс, который у нас есть для, о, извините, не этот, это новый интерфейс, который у нас есть для Microsoft Foundry. Итак, это новый портал Microsoft Foundry, который у нас есть. Поверьте мне, это так же просто, как использовать cop studio для создания агентов даже с низким кодом в Microsoft Foundry. Итак, здесь, вверху, вы можете видеть все ключи API, конечную точку проекта, конечную точку L0 OpenAI, если вы хотите использовать их программно. Теперь хорошая новость здесь в том, что у нас есть вкладки наверху, которые дадут вам информацию о том, как мы можем все обнаружить. Например, все модели, инструменты и все, что у нас есть. Итак, это все доступные модели. Например, если я перейду к моделям, набор моделей, доступных здесь, прямо сейчас, на основе конфигурации, которую я получил, по крайней мере, в моем проекте, у меня есть более 1400 моделей. Но, конечно, когда у вас работают полные проекты, доступно более 11 000 моделей на сегодняшний день. У нас есть инструменты, и это инструменты, которые мы можем использовать напрямую. Некоторые из них основаны на MCP, некоторые из них являются прямыми коннекторами, которые мы можем использовать для подключения к любой системе, которая у нас есть. Хорошо. Итак, большинство систем, с которыми мы взаимодействуем каждый день, например, база данных Microsoft, GitHub, SharePoint, Microsoft Teams, Work IQ и все остальное, даже Microsoft Azure, и даже сторонние системы, которые у нас есть, мы сможем подключить их, а затем не только извлекать данные, но и выполнять все операции CRUD (создание, чтение, обновление, удаление) отсюда. Теперь, например, если вы ищете что-то для начала, шаблоны решений — это то, что вам нужно. Итак, с этими шаблонами решений вы сможете просто выбрать шаблон и использовать его для создания сценария на основе ИИ-агента. Скажем, ваш сценарий — это просто начало работы с приложением на основе чата с ИИ. Итак, вот что оно будет использовать. Итак, оно будет использовать инструменты Foundry, Azure OpenAI, Foundry IQ, а также Azure Container Apps. Хорошо. Итак, вы можете запустить любой из этих сценариев, развернуть все, а затем начать использовать его с приложением. Но теперь, скажем, например, если вы хотите создать что-то на заказ, в этом случае у нас есть вкладка "Создать". Здесь снова у нас есть доступные модели. Итак, снова вы можете просто нажать на модели, и это место, откуда вы сможете развернуть свою модель. Хорошо. Итак, например, если у вас есть дообученная модель, вы сможете использовать ее отсюда, или просто нажмите "Развернуть базовую модель", и тогда вы увидите все модели, которые были там, а затем выберите и разверните ее в своем проекте. Хорошо. Еще одна вещь, если у вас есть какие-либо пользовательские модели, вы сможете увидеть их здесь. Сервисы ИИ здесь. Если вы хотите подключиться к сервисам ИИ, вы сможете это сделать. Например, сервис речи, сервис перевода, перевод документов и так далее. И снова все пакетные задания будут создаваться отсюда. Теперь быстро перейдем к тому, как мы сможем создать агентов, а затем как мы сможем использовать несколько инструментов. Теперь одна вещь здесь: вы можете создать агента, добавить к нему инструменты, или вы можете просто перейти к инструментам. Инструменты — это место, откуда вы сможете создать свой полный набор инструментов, который сейчас находится в предварительной версии. Но если вы просто перейдете к инструменту и попытаетесь подключиться к инструменту, у нас есть три категории инструментов, доступных здесь. В разделе "Настроенные" у нас есть три, которые находятся в предварительной версии, но откуда вы сможете подключиться к агенту данных Fabric, SharePoint, а также к учетной записи учетных данных Azure Automation. Итак, это предварительно настроенные инструменты. Вам нужно быть в том же клиенте. Вы можете просто нажать на это, и тогда вы сможете использовать эти инструменты напрямую. Помимо этого, у нас есть различные инструменты, доступные в каталоге. Итак, скажем, например, отсюда снова вы хотите подключиться к Microsoft Data, GitHub и всему остальному, вы сможете подключиться или создать инструмент отсюда, а затем использовать эти предварительно настроенные инструменты в своем агенте. Это означает, что вместо того, чтобы прилагать усилия для создания и настройки инструментов на каждом уровне агента, вы можете предварительно создать их, иметь их здесь и затем использовать в своих агентах. Помимо этого, даже если у вас есть свои API или если у вас есть свой сервер MCP, в этом случае вы сможете подключиться и к нему, и, что более важно, это то, что все еще находится в предварительной версии, но протокол агент-агент вы также сможете использовать. Теперь позвольте мне просто перейти к агентам, чтобы показать вам, как вы сможете создать агента. Хорошо. Итак, это очень просто, но давайте посмотрим, насколько прост новый портал Foundry и какие новые изменения у нас есть, когда мы пытаемся создать агента с нового портала Foundry. Итак, я просто нажму "Новый агент", и тогда, скажем, например, я назову его "агент отеля". Хорошо. Итак, скажем, например, это агент, который должен помочь мне увидеть все отели, а затем я смогу забронировать отель или, по крайней мере, получить информацию от этого агента. Итак, просто нажмите на имя агента. Снова имя агента не должно содержать пробелов и всего остального. Итак, если вы хотите иметь украшение или, по крайней мере, иметь разделение, вы можете использовать тире, как на старом портале Foundry, вы можете использовать развернутые здесь модели. Итак, вы можете выбрать эту модель. Я собираюсь использовать GPT-4. Хорошая новость в том, что у нас здесь также включен голосовой режим. Итак, это означает, что вместо набора текста я могу просто говорить со своим агентом, и тогда я смогу получить ответы. Хорошо. Итак, я могу просто нажать "Пуск", и тогда вместо того, чтобы вводить вопросы агенту. Итак, это означает, что вместо того, чтобы вводить здесь, я смогу использовать это. Итак, определенно это будет хорошее дополнение, например, когда ваша база сотрудников — это, возможно, линейные работники, или вы в пути, и вы хотите, чтобы некоторая информация была передана или получена от агента, вы можете использовать этот режим. Теперь это инструкция, то же самое. Итак, я скажу: "Вы — агент ИИ, который помогает пользователям получать информацию, связанную с отелями". Хорошо. Все правильно. Базовый. Но теперь самое главное начинается отсюда. Итак, здесь у нас есть инструменты. Теперь, скажем, здесь у нас также есть веб-поиск. Если вы не хотите использовать веб-поиск, вы можете просто удалить его. Итак, этот инструмент будет искать только в базе знаний, которую вы использовали здесь. Еще одна вещь здесь — у нас есть инструменты. Итак, если инструменты, если вы настроили их отсюда, вы сможете использовать их напрямую, или вы можете снова включить веб-поиск или интерпретатор кода, или даже вы сможете добавить свой собственный инструмент сюда. Хорошо. Итак, по этой причине создайте один инструмент в одном месте, а затем используйте его в нескольких агентах. Большая часть здесь — это, возможно, загрузка файлов. Хорошо. Итак, теперь, например, если вы сравните этот опыт со старым порталом, который у нас есть, очевидно, на старом портале, когда вы хотели загрузить свои собственные данные, загрузить свои собственные файлы для создания паттерна RAG (генерация, дополненная поиском), вам нужно было иметь две основные вещи: первое — это ваш Azure Blob Storage, где будут храниться файлы, и второе — это векторный индекс или, другими словами, служба Azure AI Search. Но теперь, если вы посмотрите сюда, он не просит меня предварительно создать эти две службы. Вместо этого я могу создать свой собственный индекс. Итак, я уже создал индекс для отелей. Но что может произойти в этом случае: если у меня нет созданного индекса, я могу просто нажать "Загрузить файлы". Я могу просмотреть, загрузить файлы и назвать индекс. Итак, теперь вопрос: где хранится эта информация? Итак, здесь у нас есть что-то под названием "векторные хранилища", и информация или этот паттерн ранжирования создаются в этих векторных хранилищах. Хорошо. Итак, это означает, что нам не нужно владеть собственной службой Azure Search, а также нам не нужно владеть нашим Azure Blob Storage. Хорошо. Итак, мы можем обойти это и просто создать индексы. Мы можем использовать их отсюда. Теперь снова я собираюсь использовать индекс, который я создал, потому что снова это занимает некоторое время. Итак, чтобы сэкономить время, я предварительно загрузил несколько брошюр, которые содержат информацию о городе и всех отелях, которыми мы управляем. Хорошо. Итак, вот и все. Я просто нажму "Прикрепить", и тогда этот индекс будет прикреплен сюда. Хорошо. Итак, теперь вы можете видеть, что этот конкретный агент использует этот индекс. Теперь снова, если вы хотите углубиться, что вы можете сделать отсюда, это вы сможете добавить больше знаний. Итак, скажем, например, отсюда вы хотите подключиться к Foundry IQ. Если вы создали Foundry IQ, вы сможете использовать его. Отсюда также, это в предварительной версии, но снова вы можете определить, хотите ли вы использовать память, потому что снова мы знаем, что по умолчанию память не используется агентом, но снова, если вы хотите использовать ее для прошлых транзакций, вы сможете использовать ее. К сожалению, регион East US, где я развернул эту функцию, еще не здесь, но вы сможете использовать ее, и, что наиболее важно, то же самое: у нас есть и защитные ограждения, чтобы мы могли следовать всем принципам ответственного ИИ для этого агента. Итак, вот и все. Я просто нажму "Сохранить", и тогда я смогу использовать этого агента. Это было очень просто, но мы собираемся расширить этого агента. Итак, давайте, например, здесь я спрошу: "Предложи мне отели в Дубае". Хорошо. Итак, в этом случае он даст мне результат. Это было очень просто, но мы собираемся расширить этого конкретного агента в многоагентный сценарий. Хорошо. Но давайте подождем. И отсюда вы можете видеть, что он смог предоставить нам информацию, и это цитата, которая показывает нам, что информация основана на паттерне RAG (генерация, дополненная поиском), и мы смогли получить данные. Хорошо. Итак, это отправная точка. Одна вещь, которую стоит отметить, которая определенно стала революционной, заключается в том, что нам не нужно владеть нашими базами данных Azure или, точнее, базами данных, но Azure AI Search, а также Azure Blob Storage, но мы можем использовать векторный поиск здесь напрямую. Еще одна вещь, если вы хотите использовать его как YAML, использовать его как код, вы все равно можете это сделать. Более того, сейчас, если вы хотите опубликовать этого агента, вы можете просто нажать "Опубликовать агента", и эти агенты будут опубликованы в ваших Microsoft Teams, а также в Microsoft 365 Copilot. В старом портале у нас не было этой гибкости. В старом портале нам приходилось писать свой собственный код, а затем упаковывать этот код, развертывать его в центре администрирования Microsoft Teams как приложение, а затем использовать его в Microsoft Teams, а также в Copilot. С этим это всего лишь один клик, и тогда этот агент будет развернут в Microsoft Teams, а также в Microsoft 365 Copilot. Все правильно. Итак, это была быстрая демонстрация того, как вы можете создать агента на портале Microsoft Foundry, но это новый портал Foundry. Итак, давайте перейдем дальше и посмотрим, как мы сможем расширить его дальше в подключенных агентах. Хорошо. Итак, давайте посмотрим, что такое подключенные агенты. Итак, по своей сути, это многоагентная архитектура, доступная в службе агентов Foundry. Итак, вместо того, чтобы создавать одного массивного агента, который пытается справиться со всем, вы проектируете систему с основным агентом, который действует как координатор, и несколькими подключенными субагентами, каждый из которых специализируется на конкретной задаче. Итак, основной агент интерпретирует запросы пользователя, определяет, какой тип задачи это, а затем делегирует ее соответствующему субагенту. Итак, думайте об этом как о менеджере, который получает запрос и назначает его правильному члену команды. Итак, следующее, что мы будем обсуждать на следующем слайде, — это ключевые функции. Итак, давайте посмотрим на ключевые функции, которые делают подключенных агентов такими полезными. Итак, первый — упрощенный дизайн рабочего процесса. Итак, разбивая сложные задачи на специализированных агентов, каждый из них имеет четкую направленность и ответственность. Итак, это снижает сложность одного агента и делает общую систему намного проще для понимания и обслуживания. Итак, второй — не требуется пользовательская оркестрация. Итак, это большая сделка. Традиционно создание многоагентной системы означало написание пользовательской логики маршрутизации, выяснение того, какой агент обрабатывает какой запрос, обработку передачи и обработку крайних случаев. Итак, с подключенными агентами основной агент использует естественный язык для автоматической маршрутизации задач. Итак, вы просто описываете, когда должен быть вызван каждый субагент, а система обрабатывает остальное. Итак, третий — простота расширения. Итак, нужно добавить новую возможность, такую как перевод или переоценка? Итак, просто создайте нового агента и подключите его. Вам не придется изменять основной агент вообще. Итак, это делает рост вашей системы инкрементально очень простым. И с этим, давайте перейдем к следующему слайду для примера многоагентной системы сортировки тикетов. Итак, давайте пройдем практический пример. Это система сортировки тикетов, построенная с помощью подключенного агента. Итак, наверху у нас есть агент сортировки. Итак, это наш основной агент. Итак, когда поступает тикет поддержки, агент сортировки читает его и делегирует трем конкретным субагентам для получения полной оценки. Итак, первый — это агент усилий. Он оценивает, сколько работы потребует тикет, используя простую шкалу: малый — для задач, которые могут быть выполнены за день, средний — для работы в течение двух-трех дней, и большой — для усилий, требующих нескольких дней или межкомандной работы. Итак, второй — это агент команды. Итак, он решает, какая команда должна владеть тикетом: фронтенд, бэкенд, инфраструктура или маркетинг, в зависимости от того, о чем тикет. Хорошо. Итак, ошибка пользовательского интерфейса идет на фронтенд, а API — на бэкенд и так далее. Итак, третий — это агент приоритетов. Он оценивает срочность: высокий — для проблем, видимых пользователю или блокирующих, средний — для срочных и неблокирующих элементов, и низкий — для косметических и не срочных задач. Итак, агент сортировки оркестрирует все три, объединяет их результаты и дает вам полный результат сортировки: приоритет, команда и усилия — все сразу. Итак, следующее, что мы проверим, — это настройка, настройка этого подключенного агента. Итак, создайте своих агентов, подключите субагентов и протестируйте в игровой площадке. Итак, вместо теории мы можем просто перейти к демонстрации, и мы просто проверим демонстрацию для этого. >> Все правильно. Итак, с этим, давайте перейдем к другой демонстрации, и в этой демонстрации я покажу вам старый портал Microsoft Foundry, потому что эта функциональность еще не выпущена на новом портале Foundry. Итак, я уже предварительно создал определенные агенты, чтобы мы могли сэкономить время. Итак, очевидно, сценарий, который мы видели, заключается в том, что у нас будет агент сортировки, который является нашим основным агентом, который будет использовать помощь агента усилий, агента команды и агента приоритетов для выполнения задач. Хорошо. Итак, это означает, что это будет наш основной агент, и он будет вызывать эти три агента как подключенных агентов и работать с ними. Итак, вы можете просто нажать "Новый агент" снова, чтобы создать своего агента. Имя агента, которое мы здесь указываем, — это "агент сортировки", "развертывание". Снова мы используем GPT-4o. Инструкции, указанные здесь: "Проанализируйте данный тикет, используйте подключенные инструменты, чтобы определить приоритет тикета, в какую команду он должен быть назначен, и сколько усилий он потребует". Снова здесь, если вы видите, это три вещи, которые мы просим этого конкретного агента сделать. Первое: он должен дать нам приоритет. Второе: он должен дать нам команду, которой он должен быть назначен. И третье: он должен дать нам усилия, которые потребуются для исправления проблемы. Прежде чем я покажу, как работают эти подключенные агенты, позвольте мне быстро перейти к каждому из агентов. Итак, это специализированные агенты для любой конкретной задачи, и именно поэтому в начале я также сказал, что вместо создания одного агента, который делает все, вы должны создавать специализированных агентов и затем подключать их друг к другу, чтобы, если потребуется, вам не нужно было реструктурировать всю экосистему одного агента, но вы можете вносить изменения в конкретного агента и затем выполнять их. Итак, снова это агент усилий, который у нас есть, построенный на GPT-4o, но снова, если вы хотите использовать определенную другую модель развертывания, вы можете это сделать. Нет никаких ограничений, например, если используемая модель развертывания — GPT-4, и только тогда вы сможете подключиться к агенту, который использует ту же модель, вовсе нет, вы можете иметь одного агента, использующего одну модель, а другого — другую модель. Инструкция здесь: этот конкретный агент должен оценить работу на основе тикета. Например, потребуется ли он малых, средних или больших усилий. Мы не даем ему никаких знаний. Просто на основе описания он должен выяснить, сколько усилий потребуется. Во-вторых, у нас есть агент команды. Снова, на основе описания тикета, он должен решить, в какую команду он должен перейти: фронтенд, бэкенд, инфраструктура или маркетинг. И тогда, очевидно, если у вас есть какая-либо статья из базы знаний или если вы создали матрицу RACI, вы определенно можете предоставить ее в качестве источника знаний этому конкретному агенту. Наконец, у нас есть агент приоритетов. Снова, это своего рода независимый агент, который у нас есть, и мы просим этого конкретного агента проверить или дать нам приоритет этого инцидента. Хорошо, будет ли он рассматриваться как высокий, средний или низкий. Итак, вот и все. Это три независимых агента, которые у нас есть. Теперь мы собираемся подключить всех этих агентов к этому агенту, который является агентом сортировки. Итак, чтобы сделать это, у нас есть что-то здесь под названием "подключенные агенты". Итак, когда вы нажмете "Добавить" здесь, отсюда вы сможете выбрать агента, к которому нужно подключиться. Поскольку я уже подключил всех трех агентов, я не получаю этой опции. Здесь нам нужно указать уникальное имя для этого агента. И тогда самое важное здесь — это текстовое поле, когда этот конкретный агент должен быть вызван. Итак, мы должны указать здесь, когда этот конкретный агент должен быть вызван основным агентом. Итак, для этого, если я снова перейду к редактированию для этого. Итак, вы можете видеть, что этому конкретному агенту снова присвоено уникальное имя "агент усилий", и шаг активации для этого — оценить, сколько работы потребуется каждому тикету. Итак, когда основной агент хочет оценить требуемую работу для этого конкретного инцидента, он вызовет этого агента. Аналогично, у нас есть агент приоритетов. Итак, когда основной агент хочет определить срочность тикета, он должен вызвать этого агента. И третье, снова, когда основной агент хочет определить команду, которая должна владеть этим тикетом, он вызовет этого агента. Хорошо. Итак, вот и все. Это единственные подключенные агенты, которые у нас есть. Теперь, что мы собираемся сделать отсюда, это мы выбрали этого агента сортировки. Я просто нажму "Попробовать в игровой площадке", и тогда мы перейдем в игровую площадку, и тогда мы дадим подсказку, и тогда он вызовет всех этих трех агентов. Хорошо. Итак, что я собираюсь сказать здесь, это: "Пользователи не могут просматривать домашнюю страницу интернета с ошибкой 500". Хорошо. Итак, это своего рода утверждение, которое у нас есть. Итак, я просто нажму "Отправить". Итак, что должен сделать этот конкретный агент, если у него есть какие-либо связанные с ним знания, он будет использовать их. Но в этом случае вы можете видеть, что он ищет ссылки, используя этих подключенных агентов. Итак, он просто пытается увидеть, сможет ли какой-либо из агентов, подключенных к этому основному агенту, помочь здесь. И тогда, очевидно, этому конкретному агенту поручено данное утверждение. Итак, скажем, например, в вашем Jira или в вашем Service Now у вас есть инцидент, говорящий: "Пользователи не могут просматривать домашнюю страницу". Итак, в этом случае это своего рода агент, который вызовет этих трех агентов, и тогда отсюда вы можете видеть, что приоритет высокий, потому что пользователи заблокированы. Они не могут получить доступ к домашней странице интернета, и он должен быть назначен команде инфраструктуры, потому что это ошибка конфигурации сервера. И тогда, в-третьих, оценка усилий средняя, потому что это может занять два-три дня, но это не потребует межкомандного сценария. Теперь лучшее здесь то, что вы можете просто перейти к "Просмотр информации о выполнении", чтобы увидеть поток, через который прошел этот конкретный агент. Итак, отсюда вы можете видеть, что был шаг выполнения.
Эм, было несколько, э, вызовов инструментов, которые проходили. Итак, первый вызов инструмента был, э, к агенту, который был приоритетным агентом. Второй был к командному агенту, а третий — к агенту усилий. Это означает, что есть только один агент, но мы можем подключить этих агентов к нескольким агентам и, э, создать связанную своего рода экосистему. Хорошо. Итак, с этим давайте перейдем к тому, как мы можем подключиться к агенту Microsoft Foundry из Copal Studio. Хорошо. Итак, теперь мы переходим к следующему основному разделу этой беседы, и именно здесь все становится по-настоящему захватывающим для тех, кто уже создает агентов в Microsoft Foundry. До сих пор мы говорили о том, что такое агенты, как связанные агенты работают в экосистеме Foundry, и мы даже рассмотрели практический пример с тикетами. Но вот естественный следующий вопрос: после того, как вы создали мощного агента Foundry, как нам представить его вашим конечным пользователям. Итак, вот две платформы, которые вы сможете увидеть. Итак, слева у нас есть Microsoft Foundry. Это ваш центр искусственного интеллекта. Думайте о Foundry как о машинное отделение. Э, это место, где происходят тяжелые вычисления, где живет интеллект и где разработчики создают сложные многоагентные системы, такие как пример с обработкой тикетов, который мы обсуждали ранее, а справа у нас есть Copilot Studio. Это совершенно другой опыт, это платформа для создания с низким уровнем кода, разработанная для бизнес-пользователей и гражданских разработчиков. Думайте о Copilot Studio как о входной двери. Это то, как ваш конечный пользователь взаимодействует с ИИ посредством естественных разговоров в приложениях, которые они уже используют каждый день. Итак, давайте посмотрим на следующих слайдах, как это начинается. Итак, сначала вам нужен проект Microsoft Foundry, а затем нам нужна вторая — аутентификация должна быть настроена. Третье — вам нужна среда Copilot Studio, а четвертое — это то, что люди часто упускают из виду: готовность сети и политики. Хорошо. Итак, вместо того, чтобы углубляться в теорию, я думаю, будет хорошо, если мы просто перейдем непосредственно к демонстрационной части. >> Правильно. Хорошо. Итак, с этим давайте перейдем и посмотрим, как агент Foundry, который мы создали, был нашей самой первой демонстрацией. Агент, который мы называем, э, э, отельный агент. Давайте посмотрим, если, например, вы хотите вызвать этого агента из Microsoft Foundry, как мы можем это сделать. Итак, прямо сейчас, э, ой, простите, из Copilot Studio, как мы собираемся это сделать. Итак, прямо сейчас я в Copilot Studio. Это один из агентов, который я создал как туристический агент. Опять же, этот агент является связанным агентом, потому что, как только вы нажмете на агент, вы уже можете видеть, что в этом туристическом агенте у меня есть агент бронирования авиабилетов. Но то, что я собираюсь сделать сейчас, это я просто нажму «Добавить агента». Отсюда у нас есть возможность подключаться к внешним агентам. Хорошо. Итак, вот часть, которую мы получили. Теперь отсюда, в предварительной версии, вы сможете, э, подключаться к Microsoft Fabric, Microsoft Foundry, Microsoft 365 Agent SDK, а также к протоколу агент-агент. Э, мы выберем этот Microsoft Foundry, чтобы начать. Э, у меня уже есть подключение, но, чтобы создать подключение, вам нужно нажать, э, новое создание или создание нового подключения. У вас будет только один вариант использования входа Entra. Э, здесь вам нужно будет предоставить конечную точку проекта Azure AI, которую вы можете получить, вернувшись на главную страницу. Итак, отсюда вы можете получить эту конечную точку проекта или конечную точку Azure OpenAI, а затем вы можете перенести ее в Foundry или в Copilot Studio, и тогда вы сможете подключиться. Итак, вместо того, чтобы создавать это подключение еще раз, я буду использовать подключение, которое у меня уже есть. Я нажму «Далее», и это место, где мне нужно указать имя для моего агента, а затем, э, идентификатор агента. Идентификатор агента здесь очень важен, потому что агент, который мы создали здесь, например, hotel-agent, который был агентом, нам придется дать то же имя. Это имя должно быть, э, таким же, как в портале, где мы его указываем. Итак, это идентификатор агента, с которым произойдет подключение. А затем снова здесь нам придется, э, дать ему имя. Итак, я просто назову его отельным агентом. Вероятно, я не дам то же самое имя. И описание — это место, где, э, оно будет использоваться для вызова. Хорошо. Итак, э, э, помогает пользователю получить информацию, связанную с отелями. Хорошо. Вот и все. Итак, я просто нажму «Добавить и настроить». Э, так что, вероятно, я просто попробую запустить этот, э, агент независимо. И снова вы можете вернуться к туристическому агенту. Оттуда, если, например, вы зададите какой-нибудь вопрос о туризме, потому что, э, я уже предоставил несколько, э, URL-адресов, общедоступных веб-сайтов, с которыми туристический агент может работать. Но хорошо, давайте перейдем к отельному агенту, и в этом, э, случае снова я скажу, э, предложите мне отели в Лондоне. Хорошо. Потому что снова в моем, э, списке, э, списке, э, PDF-файлов, которые у нас есть, на основе которых мы создали индекс, есть один файл, который, э, относится к, э, лондонским, э, отелям. Хорошо. Итак, отсюда вы можете видеть, что прямо сейчас он работает над этим, он пытается подключиться к агенту, э, в Microsoft Foundry. Э, оттуда мы получим информацию, и тогда, если все пойдет хорошо, мы должны увидеть результат. Хорошо, в первый раз это займет некоторое время, потому что, э, устанавливается соединение, но как только первая часть пройдет, э, по крайней мере, по моему личному опыту, следующие части будут намного проще, и тогда мы сможем, э, использовать это очень легко. Хорошо. Итак, давайте подождем некоторое время. Хорошо. Хорошо. Итак, пока это происходит, давайте, например, вы хотите отследить, как идут запросы. Итак, для этого снова вы можете перейти к этому, э, агенту, и здесь у нас есть что-то под названием «трассировки». Хорошо. Итак, в этих трассировках вы сможете увидеть, если вы просто нажмете на ответы. Это место, где вы сможете увидеть все ответы. Итак, это был самый первый ответ, который мы отправили где-то около 11:36:35, когда у нас была первая демонстрация, и это был второй ответ, который приходит прямо сейчас, который в 11:52. Хорошо. Итак, это место, откуда вы сможете отследить это. Э, хорошо, он все еще работает над этим, вероятно. Позвольте мне просто попробовать создать новую сессию, потому что запрос есть. Иногда, э, демонстрация не работает. Все работает хорошо, когда вы пробуете это, э, в одиночку, но, э, когда вы показываете это вживую аудитории, иногда некоторые вещи не работают. Хорошо. Итак, давайте подождем. Э, хорошо, давайте снова попробую, э, дать этому еще один шанс. Прямо сейчас вы снова можете видеть, что он пытается получить доступ к агенту, э, к которому мы подключились, и тогда, если, например, я обновлю здесь, или позвольте мне просто обновить эту страницу напрямую, мы должны увидеть третий запрос, идущий из Foundry, э, или Microsoft Copilot Studio. Итак, это третий запрос, который вы можете видеть, который приходит в 11:53, текущее время, а затем, э, хорошо, теперь он завершен, и вы можете видеть ответ. Хорошо. Итак, это, это то, как вы сможете подключиться к Microsoft Foundry также из Copilot Studio. Итак, это была очень, очень базовая вещь. Хорошо. Э, так что давайте быстро перейдем. Э, мы быстро поговорим о том, что такое размещенные агенты. Итак, снова размещенные агенты дадут вам гибкость размещать ваших агентов на ваших собственных условиях. Возможно, если, например, вы хотите создать контейнеры, э, для размещения ваших агентов, вы сможете это сделать. Итак, поскольку у нас осталось всего шесть минут, вероятно, я пропущу все эти слайды, а затем просто перейду на портал Microsoft Foundry и покажу вам, как вы сможете иметь свои размещенные агенты. Итак, для этого позвольте мне снова вернуться к агентам. Хорошо. Итак, это агент, с которого мы начали создавать нашего первого агента. Во-вторых, теперь, когда вы хотите иметь свои рабочие процессы. Итак, теперь снова вы спросите, зачем нам нужны рабочие процессы. Первая вещь, у нас есть агент, потому что агенты по своей природе очень недетерминированы. Мы не очень уверены, э, когда у нас есть связанный агент, будет ли он всегда следовать одной и той же последовательности, э, каждый раз, когда агент будет следовать, или нет. Может случиться так, что иногда он принимает решение вызвать, э, связанного агента, иногда нет, иногда из 10 связанных агентов он может, э, подключиться к двум агентам, он может пропустить несколько. Так что это недетерминировано по своей природе. Теперь, чтобы избежать этого, если, например, вы хотите иметь больший контроль над тем, как эти агенты должны общаться друг с другом, вы можете создавать рабочие процессы, которые находятся в предварительной версии, но вы можете просто нажать «Создать», и здесь у нас есть, э, различные вещи снова, последовательные, человек в цикле, групповой чат, что означает, что несколько агентов могут общаться друг с другом. Э, так что, вероятно, вместо того, чтобы создавать один, я просто, э, перейду к рабочему процессу, который я уже создал. Итак, отсюда вы можете видеть, как я начинаю, затем я задаю вопрос, затем я, э, передаю эту информацию, которую я получил от агента, э, к вопросу от пользователя, передавая эту информацию агенту, который является классификационным агентом. Этот агент, э, обработает эту информацию, отправит сообщение, он передаст значение, он снова пойдет вперед, и затем, э, на основе условия он вызовет другого агента или остановится. Итак, позвольте мне просто нажать на предварительный просмотр снова. Это занимает некоторое время, но, э, здесь я могу, э, передать какого-нибудь агента, хорошо, я просто скажу, как дела, хорошо, я даже не уверен, для чего я создал этого классификационного агента, так что он сделает, это своего рода детерминированная природа, где мы хотим, чтобы пользователь задавал вопрос, мы хотим, чтобы этот конкретный агент был вызван, этот конкретный агент должен обработать информацию, и тогда, и только тогда он должен следовать этому пути, хорошо, то есть вместо того, чтобы полностью полагаться на ИИ, мы хотим построить детерминированный вид природы, и когда мы хотим создать это, мы должны перейти и использовать эти рабочие процессы. Хорошо. Итак, вероятно, я пропущу эти рабочие процессы, вы просто можете поверить мне, что, хорошо, вот как это работает. Э, теперь конкретно здесь у нас нет третьей вкладки, которая является развертыванием размещенного типа агента, но есть невидимая часть, своего рода, э, часть здесь, которая является своего рода размещенным агентом. Хорошо. Итак, снова эти размещенные агенты мы сможем увидеть здесь. Э, нет третьей вкладки как таковой, но если, например, вы хотите создать своего собственного размещенного агента, вам придется иметь какую-то, э, программу, сделанную, не совсем программирование, но по крайней мере некоторую конфигурацию, некоторую программу, которую вам придется сделать. Прямо сейчас я в Microsoft Visual Studio Code, и затем я перейду к Microsoft Foundry. Снова вы можете видеть, что это своего рода плагин или расширение, которое у нас было, но снова оно исчезнет 1 июня 2026 года, но, к счастью, у нас снова есть этот, э, набор инструментов ИИ, который мы можем использовать здесь. Отсюда, во-первых, нам нужно подключиться к, э, ресурсам. Итак, отсюда вы можете видеть, что я подключен к, э, агенту Foundry отсюда, и что мы можем просто сделать, это начать с создания агента, или вы даже можете нажать Ctrl+Shift+P, чтобы начать, и тогда первое здесь — это то, что у меня есть Microsoft Foundry, создать нового размещенного агента, хорошо, я собираюсь создать размещенного агента. Э, здесь, в размещенном агенте, мы получим полный контроль над агентом, как этот конкретный агент должен работать. Теперь, если, например, я вернусь сюда, к агентам, когда мы создаем агента, у нас есть ограниченные возможности, мы не можем иметь свою собственную логику типа «если-то», мы можем полностью полагаться на недетерминированную природу ИИ, какой инструмент он должен вызывать, какие знания он должен использовать, и все остальное, но если, например, вы хотите иметь полный контроль, это место, которое вы должны использовать. Э, вероятно, я выберу Python, снова у нас есть две вещи здесь: API ответов, который является своего рода стандартизированным, но, я скажу, э, мы, э, пойдем с этим, э, API вызова. Хорошо. Итак, в этом API вызова снова я буду использовать эхо, я буду использовать папку по умолчанию здесь, чтобы хранить эту информацию. Но теперь отсюда вы можете видеть, это своего рода код, который он сгенерировал. Хорошо. Итак, позвольте мне снова вернуться сюда. Главное здесь — у нас есть этот файл Docker, созданный, потому что это будет контейнеризированное приложение. Хорошо. Итак, это означает, что будет создан контейнер, и ваш агент будет работать в этом Docker-контейнере. Хорошо. И затем это код, который мы получили. Итак, это означает, что отсюда мы подключаемся к Microsoft Foundry, но в то же время у нас есть контроль над тем, как этот конкретный агент должен вести себя, и тогда мы сможем использовать этого агента напрямую из Microsoft Foundry, подключиться к Copilot Studio и так далее. Теперь, вероятно, я пропущу некоторые части, но снова, если, например, я снова нажму Ctrl+Shift+P. Отсюда у меня есть возможность развернуть размещенного агента. Теперь отсюда начинаются все вещи Azure. Если, например, вы хотите использовать ACR, вы можете использовать ACR, или если, например, вы хотите иметь пользовательский реестр контейнеров Azure, вы можете это сделать. И быстро, чтобы пропустить это, но показать вам, как это работает. Э, позвольте мне снова вернуться к другому проекту, который я создал. Итак, пусть он загрузится. Хорошо. Итак, это другой проект, который я создал. И если, например, я перейду к сборке и покажу вам всех агентов здесь. Здесь у меня есть один из агентов. Это размещенный агент, который я создал. Это снова простой агент. Он ничего не делает, но это агент, который даст вам информацию о, э, об отелях. Хорошо. Но похоже, что он больше не хочет работать. Хорошо. Хорошо, я просто дам еще один шанс, чтобы увидеть, работает ли он, или, э, вы просто должны поверить мне, что, как это работает. Хорошо, так что вы можете сделать, это создать размещенного агента. Хорошо, единственное, что я удалил все эти реестры контейнеров и все остальное, поэтому он не может найти это. Но то, что вы можете сделать отсюда, это, э, вы можете передавать сообщения этому агенту. Этот агент будет работать в ваших контейнерах Azure, и тогда даже отсюда вы сможете публиковать их в Microsoft Teams, а также в Microsoft 365 Copilot. Хорошо. Итак, это то, что вы определенно можете, э, сделать с этим. Но я думаю, что мы, э, почти исчерпали время. Итак, с этим я пропущу некоторые другие слайды. Но, надеюсь, э, это имеет смысл, как вы сможете создать агента в Microsoft Foundry, как вы сможете подключить его, э, к, э, Copilot Studio, а также еще одна вещь — это, э, снова, как вы сможете создать связанную экосистему, даже рабочие процессы и даже размещенного агента. Хорошо. Итак, с этим, э, спасибо большое за то, что вы здесь. Спасибо всем организаторам, а также всем, э, докладчикам, а также участникам за то, что они провели это мероприятие. Так что большое спасибо. >> Спасибо большое, и >> да, это была очень фантастическая сессия. Так что большое спасибо за ее представление. У нас есть один вопрос в чате. Я его вам прочитаю. Если человек без технического образования хочет изучать ИИ, с чего ему начать и какой учебный путь вы бы посоветовали? э, смотрите, если они хотят изучать ИИ, то, безусловно, у Microsoft есть хорошие справочные материалы с Microsoft Learn, и снова есть различные, э, экзамены, связанные с ИИ, которые появились, например, AP900, если, например, вы хотите изучить основы ИИ, а также Copilot в экосистеме Microsoft, это те экзамены, которые вы также можете пройти, или, или, безусловно, э, Microsoft Learn — это лучшее, или даже если, например, вы заинтересованы, вот мой, э, YouTube. Снова, это хороший источник информации для вас. Так что просто подпишитесь, и тогда вы сможете получить больше информации об ИИ, чтобы начать. >> Э, это звучит хорошо, Нандеп, и я надеюсь, Паван, что это отвечает на ваш вопрос. Если у вас есть какие-либо дополнительные вопросы, пожалуйста, не стесняйтесь обращаться к Нандепу и Смите. Я уверен, что они смогут помочь вам начать ваше путешествие в области ИИ. Э, и я, да. Хорошо. И я вижу поднятую руку Нлеша. Итак, Нлеш, я не думаю, что вы сможете включить звук. Так что, пожалуйста, напишите свой вопрос в чате или в разделе вопросов и ответов. Хорошо. Итак, в каком контексте фактически выполняется запрос Copilot? Привязан ли он к пользователю, среде или подключенному источнику данных? >> Э, запрос Copilot фактически выполняется. Хорошо. Итак, снова это зависит от того, как, какой тип источников знаний вы им предоставляете. Хорошо. Итак, давайте, например, хорошо, позвольте мне просто попробовать, э, снова поделиться экраном. Да, я просто пытаюсь поделиться им еще раз. Хорошо. Итак, например, когда вы используете Microsoft Copilot, вот эти параметры. Итак, например, если, например, вы хотите отобразить или позволить отобразить информацию для Copilot из вашего рабочего контекста, из вашего рабочего IQ, перейдите к этой работе. Если, например, вы хотите использовать, э, также позволить ему использовать веб, вы можете использовать этот веб. Так что это означает, что вы можете решить, как этот Copilot должен работать. Снова здесь у нас есть другие параметры, например, если, например, вы хотите добавить рабочий контент, загрузить все ваши изображения или файлы. Так что это означает, что вы тот, кто, кто контролирует, чтобы решить, какую информацию Copilot должен отображать для ответа на ваши вопросы. Хорошо. >> Хорошо. Есть ли последующие вопросы или, или, э, возможно, давайте не будем отнимать время у следующего фар, если, например, у вас есть какие-либо вопросы, не стесняйтесь также набирать их в окне чата или, возможно, просто отправлять их мне в LinkedIn. >> Мы в окне чата, если вы предпочитаете отвечать в чате. >> Э, большое спасибо. Определенно. Определенно. Да. >> Есть один вопрос о Microsoft Foundry против Copilot Studio. Да. >> Конечно. Спасибо. >> Да. Хорошо. Спасибо. >> Э, хорошо. Итак, с этим, просто дайте мне минуту. Я остановлю запись и начну снова.