Agentenverhalten des Azure SRE-Agenten

Dein Agent denkt Probleme durch, anstatt starren Skripten zu folgen. Da es Deep Context aus deiner Codebasis, früheren Vorfällen und Infrastruktur aufbaut, denkt es über deine Systeme, nicht generische. In der Chat-Oberfläche können Sie beobachten, wie es Beweise sammelt, Werkzeuge auswählt, Aktionsrisiken klassifiziert und seine Überlegungen erklärt.

Die Begründungsschleife

Jede Nachricht folgt derselben Schleife.

Der Mitarbeiter versteht zunächst Ihre Anfrage und identifiziert die benötigten Daten. Anschließend sammelt es Kontext , indem es Datenquellen parallel abfragt, wie Logs, Metriken, Ressourcenstatus, Bereitstellungshistorie und Speicher. Als Nächstes wertet es die Beweise aus, um Muster zu erkennen und Schlussfolgerungen zu ziehen. Schließlich handelt oder reagiert es, indem es sichere Maßnahmen durchführt, um Genehmigungen für riskante Aktionen bittet oder Ergebnisse präsentiert.

Wenn das Problem mehr Arbeit erfordert, iteriert die Schleife bis zu 10 Mal pro Iteration. Danach fragt Ihr Agent, ob der Vorgang fortgesetzt werden soll.

Adaptives Denken

Bei komplexen Problemen zeigt dein Agent im Chat seine Begründung. Ein zusammenklappbarer Thinking-Abschnitt listet jeden Schritt mit einem beschreibenden Titel auf, wie zum Beispiel "Erkundung von Azure-Gesundheitsproblemen" oder "Analyse aktiver Warnungen" sowie vergangene Zeit.

Dein Agent passt seine Argumentationstiefe automatisch an. Eine Statusüberprüfung erhält eine schnelle Antwort. Ein mehrstufiger Ausfall erhält eine tiefere Schlussfolgerung, die Beweise aus verschiedenen Quellen korreliert.

Tiefer Kontext

Adaptives Denken wird stärker, wenn der Agent aus deiner Umgebung schöpfen kann. Tiefer Kontext ist das angesammelte Verständnis des Agenten für diese Umgebung. Sie stammt aus drei Kontextquellen: Connectors, Wissen und Speicher sowie Arbeitsbereichstools. Anstatt jedes Mal bei null zu beginnen, erstellt Ihr Agent ein klareres Bild davon, wie Ihre Systeme funktionieren, und bringt diesen Kontext in jede Schlussfolgeschleife ein.

Dateioperationen und Terminalbefehle erfordern Arbeitsflächen-Tools. Kontaktiere deinen Agentenadministrator oder schalte ihn über die Seite Experimentelle Einstellungen im Portal ein. Die Ausführung von Python ist standardmäßig über den Code Interpreter verfügbar. Wenn Workspace-Tools aktiviert sind, läuft die Python-Ausführung über die Workspace-Sandbox statt über die Standard-Code-Interpreter-Sitzung.

Tiefer Kontext ist nicht eine einzelne Funktion, die Sie aktivieren. Sie wächst, während diese Kontextquellen zusammenarbeiten.

Warum der tiefe Kontext wichtig ist

Die Expertise deines Teams findet sich an vielen Orten: Quellcode in GitHub, Logs im Azure Monitor, Konfigurationen in YAML-Dateien, Runbooks in einem Wiki, das veraltet ist, und Stammeswissen von erfahrenen Ingenieuren. Während eines Vorfalls ist der schwierigste Teil oft nicht, über das Problem nachzudenken. Es geht darum, genug Kontext zu sammeln, um anzufangen.

Tiefer Kontext hilft, indem er Ihrem Agenten fortlaufenden Zugang zu diesen Quellen gibt und sich daran erinnern kann, was er aus jeder Interaktion lernt.

Connectors

Konnektoren bringen Echtzeitdaten aus Diensten in die Schlussfolgerungsschleife ein. Ihr Agent kann verbundene Quellen wie GitHub, Azure DevOps, Kusto, Azure Monitor und andere Dienste nutzen, um Beweise über Ihre Umgebung zu sammeln, anstatt sich nur auf generisches Azure-Wissen zu verlassen.

Einige Verbinder schärfen auch im Laufe der Zeit das Verständnis des Agenten. Wenn du einen Azure Data Explorer (Kusto)-Cluster anschließt, entdeckt der Agent Datenbanken und Tabellen, dokumentiert das Schema jeder Tabelle, schreibt menschenlesbare Beschreibungen und erstellt eine Kusto-Untersuchungsfähigkeit mit Abfrageanleitung.

Wissen und Gedächtnis

Wissen und Gedächtnis liefern den dauerhaften Kontext, den dein Agent über Gespräche hinweg mitbringt. Hochgeladene Runbooks, Architekturanleitungen, Teamabläufe, Fähigkeiten und gespeicherte Fakten helfen dem Agenten dabei, zu verstehen, wie Ihr Team arbeitet.

Ihr Agent merkt sich, was er gelernt hat. Nach Gesprächen werden strukturierte Aspekte extrahiert, wie Tool-Erfolgsraten, Ursachen, wichtige Erkenntnisse, Azure-Dienste und Symptome. Diese Aspekte werden zu dauerhaftem Wissen für zukünftige Untersuchungen.

Zu Beginn jedes Gesprächs durchsucht dein Agent im Gedächtnis nach relevantem Kontext, bevor er antwortet.

Die Hintergrund-Insights-Generierung aggregiert frühere Gespräche und andere aktivierte Datenquellen. Es verwendet semantische Abgleiche, um operative Erkenntnisse im Laufe der Zeit zu generieren, abzugleichen und zu verfeinern.

Werkzeuge für den Arbeitsbereich

Workspace-Tools geben deinem Agenten direkten Zugriff auf dein verbundenes Repository und deine Ausführungsumgebung. Wenn du sie aktivierst, kann der Agent Dateien lesen, Code durchsuchen, die Projektstruktur analysieren, Terminalbefehle ausführen und Python während einer Untersuchung im Workspace-Sandbox ausführen. Die Ausführung von Python ist ansonsten standardmäßig über den Code Interpreter verfügbar.

Wenn Sie ein Code-Repository verbinden, analysiert der Agent automatisch dessen Projektstruktur, Technologiestack, Deployment-Konfigurationen und Serviceabhängigkeiten. Dann öffnet es eine PR, die eine SREAGENT.md Datei zu deinem Repository hinzufügt.

Sie können jederzeit mehr Kontext hinzufügen:

• Repositories verbinden: Verknüpfen Sie GitHub oder Azure Repos, damit Ihr Agent Ihren Quellcode lesen kann. Siehe Connectors.
• Hochladen von Wissensdokumenten: Hinzufügen von Runbooks, Architekturhandbüchern und Teamprozeduren. Siehe Speicher und Wissen.
• Sagen Sie Ihrem Makler, er soll daran denken: Geben Sie im Chat ein, #remember um Fakten zu speichern, die Ihr Makler wissen sollte. Siehe Speicher und Wissen.
• Erstellen von Fähigkeiten: Packen von Problembehandlungsverfahren mit Tools. Siehe Fähigkeiten.

Je mehr Wissen du bereitstellst, wie Runbooks, Architekturdokumentationen und Teamverfahren, desto relevanter wird die Begründung. Weitere Informationen finden Sie unter "Speicher und Wissen".

Security

Sie müssen Workspace-Tools über Experimentelle Einstellungen aktivieren, bevor der Agent Dateioperationen und Terminalbefehle verwenden oder die Python-Ausführung in den Workspace-Sandbox routen kann. Die Ausführung von Python selbst ist standardmäßig über den Code Interpreter verfügbar. Die Codeausführung läuft in einer Sandbox- oder isolierten Sitzung, abhängig vom konfigurierten Sandbox-Modus, getrennt vom Agentenhost. Azure CLI-Schreibbefehle erfordern eine explizite Benutzergenehmigung, bevor sie ausgeführt werden.

Toolauswahl

Mit diesem Kontext wählt dein Agent basierend auf dem Problem die Tools aus. Sie beginnt mit allen Tools , die auf dem aktuellen benutzerdefinierten Agent registriert sind, und filtert dann nach Plattform, wobei nur Vorfalltools für die verbundene Vorfallplattform verwendet werden. Es filtert weiter anhand der veröffentlichten Liste, um nur die Tools einzuschließen, die Sie bereitstellen, und passt sich neuen Informationen während des Gesprächs an.

Jeder benutzerdefinierte Agent verfügt über einen eigenen Toolsatz. Wenn Ihr Agent an einen anderen benutzerdefinierten Agent delegiert wird, werden die verfügbaren Tools automatisch geändert.

Weitere Informationen zu den verfügbaren Tools finden Sie unter Tools.

Parallele Ausführung

Wenn dein Agent unabhängige Operationen identifiziert, also Aktionen, die nicht voneinander abhängen, führt er diese gleichzeitig in einem Zug aus, anstatt sie einzeln auszuführen.

Wenn Ihr Agent z. B. den Pod-Status, den Dienststatus und den Bereitstellungsverlauf überprüfen muss, werden alle drei Befehle parallel ausgeführt, anstatt darauf zu warten, dass die einzelnen Befehle abgeschlossen sind, bevor die nächste gestartet wird. Dieser Ansatz reduziert die Schlussfolgerungen und beschleunigt die Untersuchungen.

Tool-Level-Prompts leiten die parallele Ausführung, indem sie dem Modell mitteilen: "Wenn die Befehle unabhängig sind und parallel ausgeführt werden können, führen Sie mehrere Toolaufrufe in einer einzigen Nachricht durch."

Aktionsklassifizierung

Dein Agent klassifiziert jede Aktion, bevor sie ausgeführt wird.

Wie Ihr Agent jeden Typ verarbeitet, hängt vom Ausführungsmodus ab.

Konversationsmanagement

Mehrere Mechanismen halten lange Gespräche auf Kurs.

Stornierung

Wenn Sie Stopp auswählen, stoppt Ihr Agent alle Operationen und verhindert Wiederholungen für die abgebrochene Aufgabe. Deine nächste Nachricht beginnt neu, es sei denn, du änderst die stornierte Anfrage ausdrücklich.

Boundaries

Vernunft hat Grenzen.

Nächster Schritt

Verwandte Inhalte

• Ursachenanalyse: Umfassende Untersuchung mit Hypothesenbäumen
• Connectors: Quellcode, Azure-Ressourcen und andere Kontextquellen verbinden
• Speicher und Wissen: Wie Ihr Agent sich kontextübergreifend in Unterhaltungen erinnert
• Ausführungsmodi: Überprüfung und autonomes Verhalten
• Tools: Integrierte und benutzerdefinierte Toolfunktionen
• Fähigkeiten: Domänenspezifische Untersuchungsverfahren
• Python-Code-Ausführung: Python während Untersuchungen ausführen
• Geplante Aufgaben: Führen wiederkehrende Untersuchungen und Überprüfungen durch