Schreiben effektiver Anweisungen für deklarative Agents

Deklarative Agents sind angepasste Versionen von Microsoft 365 Copilot, die Ihnen helfen, personalisierte Erfahrungen zu erstellen, indem sie bestimmte Anweisungen, Aktionen und Kenntnisse deklarieren. Um effektive Anweisungen für Ihren deklarativen Agenten zu schreiben, berücksichtigen Sie die folgenden Fragen:

• Welches Ziel muss Ihr Agent erreichen?
• Welche Workflows stellen Sie sich für Ihre Endbenutzer vor?
  • Gibt es Geschäftslogik, die Sie integrieren möchten?
  • Gibt es eine gewünschte Endbenutzererfahrung, die Sie integrieren möchten?
• Können Sie dem Agent für jeden Workflow eine Schritt-für-Schritt-Anleitung geben?

Wenn Ihr deklarativer Agent auch API-Plugins als Aktionen hat, hilft das OpenAPI-Dokument für Ihr Plugin dem Agenten, alle Anweisungen zu verstehen, die sich auf die API beziehen. Weitere Informationen finden Sie unter Wie Sie ein OpenAPI-Dokument bei der Erweiterung von Copilot effektiv machen.

Dieser Leitfaden gilt für Entwickler und Hersteller, die den Agent-Generator in Microsoft 365 Copilot oder dem Microsoft 365 Agents Toolkit verwenden, um deklarative Agents zu erstellen. Weitere Informationen zum Schreiben von Anweisungen für Copilot Studio-Agents finden Sie unter Konfigurieren hochwertiger Anweisungen für die generative Orchestrierung.

Anweisungskomponenten

Ein gut strukturierter Satz von Anweisungen stellt sicher, dass der Agent seine Rolle versteht, welche Aufgaben er ausführen sollte und wie er mit den Benutzern interagieren soll. Die Hauptkomponenten der Anweisungen für deklarative Agents sind:

• Zweck
• Allgemeine Richtlinien, einschließlich allgemeiner Anweisungen, Ton und Einschränkungen
• Skills

Gegebenenfalls sollten Sie auch die folgenden Komponenten in die Anleitung aufnehmen:

• Schrittweise Anweisungen
• Fehlerbehandlung und Einschränkungen
• Feedback und Iteration
• Beispiele für Interaktionen
• Nicht standardmäßige Ausdrücke
• Nachverfolgung und Abschluss

Das folgende Diagramm zeigt die Hauptkomponenten von deklarativen Agent-Anweisungen.

Bewährte Methoden für Agent-Anweisungen

Verwenden Sie eine klare, umsetzbare Sprache

• Konzentrieren Sie sich auf das, was Copilot tun soll, nicht darauf, was vermieden werden soll.
• Verwenden Sie präzise, spezifische Verben, wie "fragen", "suchen", "senden", "prüfen" oder "verwenden".
• Fügen Sie Beispiele hinzu, um Mehrdeutigkeiten zu minimieren.
• Definieren Sie in den Anweisungen alle Begriffe, die nicht dem Standard entsprechen oder für die organization einzigartig sind.

Erstellen Sie Schritt-für-Schritt-Workflows mit Übergängen

Unterteilen Sie Workflows in modulare, eindeutige und konfliktfreie Schritte. Jeder Schritt sollte Folgendes umfassen:

• Ziel: Der Zweck des Schritts.
• Aktion: Was der Agent tun sollte und welche Tools zu verwenden sind.
• Übergang: Klare Kriterien für den Übergang zum nächsten Schritt oder das Beenden des Workflows.

Strikte Struktur verwenden

Die Struktur ist eines der stärksten Signale, die zum Interpretieren der Absicht verwendet werden:

• Verwenden Sie Abschnitte , um verwandte Aufgaben in logische Kategorien zu gruppieren, ohne eine Reihenfolge anzudeuten.
• Verwenden Sie Aufzählungszeichen für parallele Aufgaben, die unabhängig voneinander ausgeführt werden können. Vermeiden Sie Nummerierungen, die zu einer unbeabsichtigten Reihenfolge führen könnten.
• Verwenden Sie Schritte für Aktionen, die in der erforderlichen Reihenfolge ausgeführt werden müssen, und reservieren Sie sie nur für echte Workflows.

Aufgaben atomar machen

Unterteilen Sie Multiaction-Anweisungen in klar getrennte Einheiten. Dieser Ansatz reduziert Mehrdeutigkeiten und verhindert, dass das Modell Aufgaben zusammenführt oder neu interpretiert.

• Statt: Extrahieren Sie Metriken und fassen Sie die Ergebnisse zusammen.
• Führen Sie separate Schritte durch:
  1. Metriken extrahieren.
  2. Ergebnisse zusammenfassen.

Geben Sie immer Ton, Ausführlichkeit und Ausgabeformat an

Wenn Sie den Ton und den Detaillierungsgrad nicht angeben, kann das Sprachmodell diese Attribute ableiten, was zu einem inkonsistenten Verhalten zwischen den Modellen führen kann. Geben Sie z. B. Folgendes an:

• Ton: professionell und prägnant.
• Ausgabe: Drei Aufzählungspunkte pro Abschnitt.
• Geben Sie nur das gewünschte Format zurück. Keine Erklärungen.

Strukturanweisungen in Markdown

Um die Reihenfolge der Schritte hervorzuheben und zu verdeutlichen, verwenden Sie Markdown.

• Verwenden Sie #, ##und ### für Abschnittsüberschriften.
• Wird für ungeordnete Listen und 1. für nummerierte Listen verwendet-. Verwenden Sie ungeordnete Listen, es sei denn, die Reihenfolge der Schritte ist wichtig. In diesem Fall sollten Sie nummerierte Listen verwenden.
• Heben Sie Tool- oder Systemnamen (z. B. Jira, ServiceNow, Teams) mithilfe von Backticks (''''') hervor.
• Mache kritische Anweisungen fett, indem du .**

Klare Überschriften und einheitliche Listenstrukturen helfen dem Modell, Ihre beabsichtigte Hierarchie zu verstehen. Vermeiden Sie das Mischen von Listentypen auf eine Weise, die zu unbeabsichtigten Interpretationen führen kann.

Bereitstellung von Domänenvokabular

Definieren Sie Fachbegriffe, Formeln, Akronyme und datasetspezifische Sprache. Diese Definition verhindert falsche Schlussfolgerungen und sorgt für eine konsistente Interpretation.

Explizites Verweisen auf Fähigkeiten, Wissen und Aktionen

Nennen Sie klar die Namen der Aktionen, Fähigkeiten oder Wissensquellen, die an jedem Schritt beteiligt sind.

• Aktionen: Zum Beispiel "Zum Abrufen von Tickets verwenden Jira ".
• Wissen über Copilot-Connector: Zum Beispiel: "Für Hilfeartikel verwenden ServiceNow KB "
• SharePoint-Kenntnisse: Zum Beispiel: "Verweisen auf interne SharePoint- oder OneDrive-Dokumente".
• Email Nachrichten: Beispiel: "Überprüfen Sie Benutzer-E-Mails auf relevante Informationen."
• Teams-Nachrichten: Beispiel: "Teams-Chatverlauf durchsuchen".
• Code-Interpreter: Beispiel: "Verwenden Sie den Code-Interpreter, um Balken- oder Kreisdiagramme zu generieren."
• People Knowledge: Zum Beispiel: "Verwenden Sie People Knowledge, um Benutzer-E-Mails abzurufen."

Antworten auf konfigurierte Wissensquellen basieren

Sprachmodelle verfügen über integriertes Wissen aus ihren Trainingsdaten. In vielen Agent-Szenarien soll sich der Agent nur auf die von Ihnen konfigurierten Wissensquellen verlassen – nicht auf das interne Wissen des Modells. Dieser Ansatz stellt sicher, dass die Antworten genau, konsistent und auf Ihre Organisationsdaten zurückführbar sind.

Die empfohlene Möglichkeit, um zu verhindern, dass das Modell auf sein eingebautes Wissen zurückgreift, besteht darin, die discourage_model_knowledge Eigenschaft true auf im special_instructions Objekt Ihres Agentmanifests festzulegen. Wenn diese Option aktiviert ist, versucht der Agent sein Bestes, um die Generierung von Antworten aus Modellwissen zu vermeiden, und verlässt sich stattdessen auf Ihre konfigurierten Wissensquellen. Weitere Informationen finden Sie unter Objekt "Besondere Anweisungen".

Beispiele angeben

Beispiele helfen dem Agenten, Anweisungen zu verstehen.

• Für einfache Szenarien müssen Sie keine Beispiele angeben.
• In komplexen Szenarien funktionieren deklarative Agents am besten mit wenigen Eingabeaufforderungen. Das heißt, geben Sie mehr als ein Beispiel, um verschiedene Aspekte oder Grenzfälle zu veranschaulichen.

Steuern des logischen Denkens durch Formulierungen

Ihre Formulierung signalisiert, wie viel Argumentation das Modell anwenden soll.

Deep Reasoning

So erhöhen Sie die Tiefe:

• Verwenden Sie explizite Argumentationsverben (analysieren, ableiten, bewerten, begründen).
• Fügen Sie Meta-Argumentationshinweise hinzu (denken Sie Schritt für Schritt, reflektieren Sie, überprüfen Sie die Logik).
• Strukturieren Sie Aufgaben in mehrere abhängige Schritte.

Use deep reasoning. Break the problem into steps, analyze each step, evaluate alternatives, and justify the final decision. Reflect before answering.
Task: Determine the optimal 3-year migration strategy given constraints A, B, and C.

So erkennen Sie, wann Deep Reasoning ausgewählt wurde:

Before answering, report in one sentence whether you needed deep reasoning or minimal reasoning to solve this. Then provide the final answer only.

Moderates Denken (ausgewogen)

Um die Argumentation auszugleichen:

• Bitten Sie um eine präzise, aber strukturierte Erklärung.
• Geben Sie klare Einschränkungen an, aber keine Meta-Argumentationshinweise.

Provide a concise but structured explanation. Include a short summary, 3 key drivers, and a final recommendation. No step-by-step reasoning required.
Task: Explain the tradeoffs between solution X and Y.

Schnelles und minimales Denken

So reduzieren Sie die Tiefe:

• Kürze des Signals. Geben Sie kurze, schnelle Antworten an. keine Begründung/Erklärung.
• Vermeiden Sie analytische Verben und mehrstufige Strukturen.
• Verwenden Sie eine einstufige, einphasige imperative Formulierung

Short answer only. No reasoning or explanation. Provide the final result only.
Task: Extract the product name and renewal date from this paragraph.

Vermeiden Sie häufige Fehler bei Eingabeaufforderungen

Seien Sie sich der folgenden Fallstricke und der darin enthaltenen Lösungen bewusst, um häufige Fehler zu vermeiden.

• Übereifriger Tool-Einsatz
  • Problem: Das Modell ruft Werkzeuge ohne erforderliche Eingaben auf.
  • Lösung: Anweisung hinzufügen "Rufen Sie das Tool nur auf, wenn notwendige Eingaben verfügbar sind; andernfalls fragen Sie den Benutzer."
• Wiederholte Formulierungen
  • Problem: Das Modell verwendet Beispielformulierungen wörtlich wieder.
  • Lösung: Fördern Sie unterschiedliche Antworten und natürliche Sprache. Erwägen Sie, mehr als ein Beispiel anstelle von nur einem hinzuzufügen (wenige Eingabeaufforderungen). Experimentieren Sie mit dem Entfernen des Beispiels, um Token zu sparen.
• Ausführliche Erklärungen
  • Problem: Das Modell erklärt zu viel oder bietet übermäßige Formatierung.
  • Lösung: Um die Ausführlichkeit oder Formatierung einzuschränken, fügen Sie Einschränkungen und prägnante Beispiele hinzu.

Fügen Sie einen letzten Schritt zur Selbstevaluierung hinzu

Ein Schritt zur Selbstprüfung verstärkt die Vollständigkeit und stellt sicher, dass der Agent die Ausrichtung mit Ihren Anweisungen überprüft, bevor er antwortet. Beispiel: Vergewissern Sie sich vor dem Abschluss, dass alle Elemente aus Abschnitt A in der Zusammenfassung enthalten sind.

Anwenden eines stabilisierenden Headers bei Bedarf

Wenn ein Agent Anzeichen von Inferenzabweichung oder Schrittneuordnung zeigt, fügen Sie einen kurzen Header hinzu, der das Modell anweist, die Anweisungen wörtlich zu interpretieren und Rückschlüsse zu vermeiden. Weitere Informationen finden Sie unter Muster 8: Anwenden eines Literalausführungsheaders für sofortige Stabilität.

Durchlaufen Sie Ihre Anweisungen

Die Entwicklung von Anweisungen für deklarative Agenten ist oft ein iterativer Prozess. Er besteht in der Regel aus folgenden Schritten:

1. Erstellen Sie Anweisungen und Gesprächsstarter für Ihren Agenten gemäß der in diesem Artikel beschriebenen Struktur und dem in diesem Format beschriebenen Struktur.
2. Veröffentlichen Sie Ihren Agent. RAI-Praktiken (Responsible AI) werden in den Validierungsprozess integriert, um sicherzustellen, dass die Agenten ethische Standards einhalten. Weitere Informationen finden Sie unter:
   • RAI-Validierung
   • RAI-Tools und -Praktiken
   • Apps, die von künstlicher Intelligenz unterstützt werden
3. Testen Sie Ihren Agent.
   1. Um zu bestätigen, dass der Agent bei der Beantwortung einen Mehrwert bringt, vergleichen Sie die Ergebnisse mit Microsoft 365 Copilot.
   2. Stellen Sie anhand der Schritt-für-Schritt-Anleitung sicher, dass die Unterhaltungsstarter wie erwartet funktionieren.
   3. Vergewissern Sie sich, dass der Agent gemäß den bereitgestellten Anweisungen handelt.
   4. Vergewissern Sie sich, dass Benutzerprompts außerhalb der Unterhaltungsstarter angemessen behandelt werden.
4. Iterieren Sie die Anweisungen, um herauszufinden, ob Sie die Ausgabe weiter verbessern können.
   • Ändern Sie Anweisungen, um das Verhalten des Agenten zu ändern.
   • Versuchen Sie, Wissen wie Websuche, OneDrive/SharePoint oder Microsoft 365 Copilot-Connectors hinzuzufügen, bei Bedarf mithilfe von Agents Toolkit oder Copilot Studio.

Das folgende Diagramm zeigt den iterativen Prozess zum Erstellen und Verfeinern von Anweisungen für deklarative Agents.

Beispielanweisungen

Die folgenden Beispielanweisungen beziehen sich auf einen Agenten, der beim Beheben allgemeiner IT-Probleme helfen kann.

# OBJECTIVE
Guide users through issue resolution by gathering information, checking outages, narrowing down solutions, and creating tickets if needed. Ensure the interaction is focused, friendly, and efficient.

# RESPONSE RULES
- Ask one clarifying question at a time, only when needed.
- Present information as concise bullet points or tables.
- Avoid overwhelming users with details or options.
- Always confirm before moving to the next step or ending.
- Use tools only if data is sufficient; otherwise, ask for missing info.

# WORKFLOW

## Step 1: Gather Basic Details
- **Goal:** Identify the user's issue.
- **Action:**
  - Proceed if the description is clear.
  - If unclear, ask a single, focused clarifying question.
    - Example:
      User: "Issue accessing a portal."
      Assistant: "Which portal?"
- **Transition:** Once clear, proceed to Step 2.

## Step 2: Check for Ongoing Outages
- **Goal:** Rule out known outages.
- **Action:**
  - Query `ServiceNow` for current outages.
  - If an outage is found:
    - Share details and ETA.
    - Ask: "Is your issue unrelated? If yes, I can help further."
    - If yes, go to Step 3. If no/no response, end politely.
  - If none, inform the user and go to Step 3.

## Step 3: Narrow Down Resolution
- **Goal:** Find best-fit solutions from the knowledge base.
- **Action:**
  - Search `ServiceNow KB` for related articles.
  - **Iterative narrowing:** Don't list all results. Instead:
    - Ask clarifying questions based on article differences.
    - Eliminate irrelevant options with user responses.
    - Repeat until the best solution is found.
  - Provide step-by-step fix instructions.
  - Confirm: "Did this help? If not, I can go deeper or create a ticket."
    - If more info is provided, repeat this step.
    - If ticket needed, go to Step 4.
    - If resolved/no response, end politely.

## Step 4: Create Support Ticket
- **Goal:** Log unresolved issues.
- **Action:**
  1. Map **category** and **subcategory** from the `sys_choice` SharePoint file.
     - Use only valid pairs. Leave blank if not clear.
  2. Fetch user's UPN (email) with the people capability.
  3. Fill the ticket with:
     - Caller ID (email)
     - Category, Subcategory (if mapped)
     - Description, attempted steps, error codes, metadata
- **Transition:** Confirm ticket creation and next steps.

# OUTPUT FORMATTING RULES
- Use bullets for actions, lists, next steps.
- Use tables for structured data where UI allows.
- Avoid long paragraphs; keep responses skimmable.
- Always confirm before ending or submitting tickets.

# EXAMPLES

## Valid Example
**User:** "I can't connect to VPN."
**Assistant:**
- "Are you seeing a specific error?"
  (User: "DNS server not responding.")
- "Let me check for outages."
  (No outage.)
- "No outages. Searching knowledge base…"
  (Finds articles. Asks: "Are you on office Wi-Fi or home?")
  (User: "Home.")
- "Try resetting your DNS settings. Here's how…"
- "Did this help? If not, I can create a support ticket."

## Invalid Example
- "Here are 15 articles I found…" *(Overwhelms the user)*
- "I'm raising a ticket" *(without confirming details)*

Anweisungsvorlagen und Entwurfsmuster

Dieser Abschnitt enthält Muster und Vorlagen, die Sie Ihren Anweisungen für deklarative Agents hinzufügen können. Die gezeigten Beispiele sind nicht präskriptiv. Nutzen Sie sie als Ausgangspunkt und passen Sie sie an die Anforderungen Ihres Anwendungsfalls an.

Muster 1: Wandeln Sie mehrdeutige Multitasking-Anforderungen in deterministische Workflows um

Mithilfe dieses Musters beseitigen Sie Mehrdeutigkeiten, indem Sie atomare Schritte, explizite Formeln und erforderliche Gültigkeitsprüfungen definieren. Dieser Ansatz gewährleistet ein stabiles, wiederholbares Verhalten über Modellversionen hinweg.

## Task: Metrics and ROI (Deterministic)

### Definitions (Do not invent)
- Metrics to compute: [Metric1], [Metric2], [Metric3]
- ROI definition: ROI = (Benefit - Cost) / Cost
- ROI scope: [e.g., 12 months, Product X only, Region Y]
- Source of truth: Use ONLY the provided document(s) for inputs

### Steps (Sequential — do not reorder)
Step 1: Locate inputs for [Metric1-3] in the document. Quote the section/table name where each input came from.
Step 2: Compute [Metric1-3] exactly as defined above. If any input is missing, stop and ask ONE question listing what's missing.
Step 3: Compute ROI using the ROI definition above. Do not substitute other ROI formulas.
Step 4: Output ONLY the table in the format below.

### Output format
Return a single Markdown table with columns: Metric | Value | Source (section/table) | Notes

### Final check (Self-evaluation)
Before finalizing: confirm every metric has (a) a value, (b) a source, and (c) no assumptions. If assumptions exist, stop and ask the user.

Muster 2: Korrigieren Sie die parallele im Vergleich zur sequenziellen Struktur

Bei Verwendung dieses Musters stellen Sie sicher, dass das Modell parallele und sequenzielle Logik trennt. Das Modell führt Workflows ordnungsgemäß aus, ohne Schritte hinzuzufügen oder neu anzuordnen.

Section A — Extract Data
- Extract pricing changes.
- Extract margin changes.
- Extract sentiment themes.

Section B — Build the Summary
Step 1: Integrate all findings from Section A.
Step 2: Produce the 2 page call prep summary.

Muster 3: Explizite Entscheidungsregeln

Mit diesem Muster fügen Sie explizite Wenn/Dann-Regeln hinzu, die eine unbeabsichtigte Modellinterpretation verhindern und deterministische Ergebnisse erzwingen. Dieser Ansatz verhindert, dass das Sprachmodell versucht, mehrdeutige bedingte Logik selbst aufzulösen, was zu gemischten Verzweigungen ("do both") oder zur Auswahl des falschen bedingten Pfads führen kann.

Read the product report.
Check category performance.
If performance is stable or improving, write the summary section.
If performance declines or anomalies are detected, write the risks/issues section.

Muster 4: Ausgabevertrag

Ausgabeverträge geben Form, Struktur, Ton und zulässigen Inhalt vor und gewährleisten Konsistenz. Ohne explizite Ausgabeeinschränkungen kann Ihr Agent zu lange Erklärungen oder zu knappe Antworten produzieren oder unvorhersehbar zwischen Versionen wechseln.

Gute Präzision:

Produce a 2-page call-prep briefing:
Page 1 → key metrics: revenue, margin, YoY deltas (calculate as needed).
Page 2 → top themes, risks, opportunities, customer signals.
Tone: Professional. Reasoning: none unless calculation required.

Output contract:

## Output Contract (Mandatory)
Goal: [one sentence]
Format: [bullet list | table | 2 pages | JSON]
Detail level: [short | medium | detailed] — do not exceed [X] bullets per section
Tone: [Professional | Friendly | Efficient]
Include: [A, B, C]
Exclude: No extra recommendations, no extra context, no “helpful tips”
Example shape:
- Section 1: ...
- Section 2: ...

Verwenden Sie dieses Muster, wenn Ihre Ausgabe folgend erfolgen muss:

• Ein präzises Format (Aufzählungszeichen, Tabelle, JSON, mehrseitige Zusammenfassung).
• Eine bestimmte Detailebene (kurz, mittel, detailliert).
• Eine Compliance-, Audit- oder kundenorientierte Vorlage.
• Ein Geschäftsprozess, der eine konsistente Formatierung in allen Teams erfordert.

Muster 5: Markdown-Struktur bereinigen

Klares, absichtliches Markdown stellt sicher, dass das Modell Ihre Anweisungen zuverlässig analysieren kann. Schlecht geschachtelte Listen, unklare Kopfzeilen oder inkonsistente Formatierungen führen zu zusammengeführten Schritten, unbeabsichtigten Hierarchien oder reduzierten Abschnitten.

## Section A — Extract Data
- Extract pricing changes.
- Extract margin changes.
- Extract sentiment themes.

## Section B — Build the Summary (Sequential)
**Step 1:** Integrate findings from Section A.
**Step 2:** Produce the 2 page call prep summary.

Muster 6: Selbstbewertungs-Gate

Durch Hinzufügen eines expliziten Selbstüberprüfungsschritts ermutigen Sie das Modell, die Vollständigkeit zu überprüfen, die Ausrichtung mit den Anweisungen zu überprüfen und Auslassungen zu korrigieren, bevor es reagiert. Dieser Schritt erhöht die Konsistenz und Zuverlässigkeit.

## Section A: Extract Data (Non-Sequential)
Perform these tasks when the user requests data extraction from the document:
- Extract pricing changes.
- Extract margin changes.
- Extract sentiment themes.
Use the **Vocabulary Reference** SharePoint document to interpret acronyms, domain specific terms, and company specific vocabulary.

## Section B: Build the Summary (Sequential)
Perform these steps **in order** when the user requests a call prep summary:
Step 1: Integrate all extracted elements from Section A.
Step 2: Produce a clear, well structured 2 page call prep summary.

## Final Check: Self Evaluation
Before finalizing the output, review your response for completeness, ensure that all Section A elements are accurately represented, check for inconsistencies or uncertainty, and revise the answer if needed.

Muster 7: Lenken der Automodus-Argumentation

Explizite Argumentationshinweise geben Ihnen die Kontrolle darüber, wie viel Denken das Modell anwendet. Ohne diese Anleitung könnte Ihr Agent einfache Antworten übererklären oder komplexe Entscheidungen zu wenig erklären.

Deep Reasoning auslösen:

Use deep reasoning. Break the problem into steps, analyze each step, evaluate alternatives, and justify the final decision. Reflect before answering.
Task: Determine the optimal 3-year migration strategy given constraints A, B, and C.

Erzwingen Sie schnelle und minimale Argumentationen:

Short answer only. No reasoning or explanation. Provide the final result only.
Task: Extract the product name and renewal date from this paragraph.

Verwenden Sie dieses Muster, wenn Ihr Workflow Folgendes erfordert:

• Tieferes Denken (Planung, Bewertung von Alternativen, mehrstufige Logik).
• Schneller Abruf oder Extraktion mit minimaler Erklärung.
• Wechseln zwischen allgemeinen Zusammenfassungen und tiefergehender Analyse.
• Konsistente Tiefe über mehrere Agents oder Anwendungsfälle hinweg.

Muster 8: Wenden Sie einen Literalausführungsheader für sofortige Stabilität an

Ein Literalausführungsheader hilft bei der vorübergehenden Stabilisierung eines vorhandenen Agents. Dieses Muster ist besonders nützlich als Zwischenkorrektur, während Sie den vollständigen Anweisungssatz aktualisieren.

Always interpret instructions literally.
Never infer intent or fill in missing steps.
Never add context, recommendations, or assumptions.
Follow step order exactly with no optimization.
Respond concisely and only in the requested format.
Do not call tools unless a step explicitly instructs you to do so.

Verwenden Sie dieses Muster in folgenden Fällen:

• Sie beobachten Neuanordnungen, hinzugefügte Schritte oder übermäßige Argumentation in den Antworten Ihres Agenten.
• Sie benötigen eine schnelle kurzfristige Abschwächung, bevor Sie tiefergehende strukturelle Verbesserungen anwenden.
• Sie möchten diagnostizieren, ob Rückschlüsse oder Befehlsmehrdeutigkeit das Problem verursachen.

Muster 9: Auswerten vorhandener deklarativer Agent-Anweisungen

Verwenden Sie eine strukturierte Bewertungsaufforderung, um einen bestehenden Agent schnell zu überprüfen, spezifische Schwachstellen zu identifizieren und präzise Korrekturen zu generieren.

You are reviewing Data Access (DA) agent instructions for stability.

INPUT
<instructions>
[PASTE CURRENT INSTRUCTIONS]
</instructions>

TASK
Concise audit. Identify ONLY issues and exact fixes.

CHECKS
- Step order: identify ambiguity, missing steps, or merged steps → propose atomic, numbered steps.
- Tool use: identify auto-calls, retries, or tool switching → add "use only in step X; no auto-retry".
- Grounding: detect inference, blending, or citation gaps → add "cite only retrieved; no inference; no cross-document stitching".
- Missing-data handling: if retrieval is empty or conflicting → add "stop and ask the user".
- Verbosity: identify chatty or explanatory output → replace with "return only the requested data/format".
- Contradictions or duplicates: resolve discrepancies; prefer explicit over implied.
- Vague verbs ("verify", "process", "handle", "clean"): replace with precise, observable actions.
- Safety: prohibit step reordering, optimization, or reinterpretation.

OUTPUT (concise)
- Header patch (3–6 lines)
- Top 5 changes (bullet list: "Issue → Fix")
- Example rewrite (≤10 lines) for the riskiest step

Verwenden Sie dieses Muster in folgenden Fällen:

• Sie überprüfen einen vorhandenen Agenten, der sich inkonsistent verhält.
• Sie sind sich nicht sicher, welche Teile des Anweisungssatzes anfällig oder mehrdeutig sind.
• Sie wünschen sich einen wiederholbaren Auswertungsprozess für mehrere deklarative Agents in einer organization.
• Sie benötigen eine schnelle Möglichkeit, um zu erkennen, welche Probleme strukturell, stilistisch oder sicherheitsbezogen sind.

Verwandte Inhalte

• Beispiel für ein deklaratives Agent-Manifest.
• Verwenden Sie Copilot Studio, um Agents zu erstellen.
• Validierungsrichtlinien für Agents.