Empieza con el agente de ingeniería de datos Fabric (Project Osmos) (vista previa)

En esta guía de inicio rápido, instalarás la habilidad del agente de ingeniería de datos de Fabric (Project Osmos) para GitHub Copilot CLI, Claude Code o Codex, crearás una tarea para un lakehouse de Fabric y abrirás la tarea en Fabric.

En esta guía de inicio rápido, aprenderá a:

• Confirmar los requisitos previos de Fabric y del entorno local
• Instala el complemento Skills for Fabric, que incluye la habilidad agente de ingeniería de datos (Project Osmos)
• Crea una tarea que implemente una arquitectura de medallón para la venta minorista
• Revisa la configuración operativa
• Controla la actividad en tu casa del lago Fabric

Prerequisites

Confirma estos requisitos antes de empezar:

• Un espacio de trabajo Fabric asignado a una capacidad Fabric elegible. No se soportan SKUs de prueba de Fabric.
• Una casa en el lago en ese espacio de trabajo
• Permiso de colaborador o superior en el espacio de trabajo
• Activa la siguiente configuración de inquilinos para tu cuenta y capacidad:
  • Los usuarios pueden usar Copilot y otras características con tecnología de Azure OpenAI
  • Los usuarios pueden usar Copilot, AI Agents y otras experiencias de IA impulsadas por OpenAI como subprocesador de Microsoft (muy recomendable para el mejor rendimiento, pero no obligatorio)
• Las siguientes configuraciones de inquilino solo se aplican si tu capacidad está en una región donde OpenAI no está disponible:
  • Los datos enviados a OpenAI como subprocesador de Microsoft pueden procesarse fuera de la región geográfica de tu capacidad, el límite de cumplimiento o la instancia nacional de la nube
  • Los datos enviados a Azure OpenAI se pueden almacenar fuera de la región geográfica de la capacidad, el límite de cumplimiento o la instancia de nube nacional.
• Desde la configuración de Capacidad, se recomienda activar la transformación de datos de IA pero no es obligatorio
• CLI de Azure
• Un agente local apoyado:
  • GitHub Copilot CLI instalado y autenticado
  • Claude Code
  • Codex y Git

Para orientación de configuración, consulte Habilitar y configurar Copilot en Microsoft Fabric.

Instala la habilidad del agente de ingeniería de datos (Project Osmos)

La habilidad agente de ingeniería de datos (Project Osmos) está incluida en la colección Skills for Fabric.

1. Inicia sesión en Azure con una identidad que pueda acceder al espacio de trabajo objetivo y a la casa del lago:

   az login
   

   Si tienes acceso a varios inquilinos de Microsoft Entra, inicia sesión en el tenant que contiene tu espacio de trabajo de Fabric.

2. Luego, usa los comandos de tu agente local para añadir el marketplace de Skills for Fabric e instalar la colección Fabric.

   • CLI de GitHub Copilot
   • código de Claude
   • Codex

   Inicia la CLI de GitHub Copilot:

   copilot
   

   Ejecuta estos comandos dentro de la CLI de GitHub Copilot:

   /plugin marketplace add microsoft/skills-for-fabric
   /plugin install fabric-skills@fabric-collection
   

1. Reinicia la CLI de GitHub Copilot para que se carguen las nuevas habilidades.

   /quit
   

2. Verifica la instalación. Vuelve a iniciar la CLI de GitHub Copilot y ejecuta:

   /skills
   

Confirma que Project Osmos, mostrado como project-osmos, está disponible.

Utiliza el agente de ingeniería de datos (Project Osmos)

Describe el resultado completo de ingeniería de datos que quieres que el agente de ingeniería de datos (Project Osmos) entregue. Incluye el espacio de trabajo, la casa del lago, los datos fuente, las transformaciones, los resultados esperados y los requisitos de validación:

Describe la tarea completa de ingeniería de datos de extremo a extremo. El agente de ingeniería de datos (Project Osmos) lo recibe como un solo proyecto.

Inclusión:

• Fuentes: Tablas, carpetas, archivos, cuadernos o recursos de OneLake
• Transformaciones: Limpieza, uniones, filtros, cálculos o cambios de esquema
• Salidas: Tablas, cuadernos, archivos o resúmenes
• Validación: Conteos de filas, comprobaciones nulas, unicidad, conciliación o reglas de negocio

Las fuentes y salidas no se limitan al espacio de trabajo donde creaste la tarea. Si tienes permiso para acceder a un recurso, la tarea puede acceder al recurso en tu nombre.

Por ejemplo:

Use Project Osmos in the Fabric workspace Sales Analytics and the lakehouse
SalesLakehouse.

Load the Orders and Customers tables, remove orders without a customer ID,
join the tables on customer ID, and calculate monthly revenue by customer
segment. Save the result as a Delta table named monthly_segment_revenue.
Validate row counts, null customer IDs, and negative revenue values.

Tu agente local resuelve el espacio de trabajo y la casa del lago, recopila las opciones de seguridad y salida necesarias, y crea una tarea remota de Project Osmos. Proporciona un enlace a una tarea de Fabric para supervisar el progreso.

No necesitas buscar los IDs del espacio de trabajo o de la casa del lago ni dividir el trabajo en pasos más sencillos. Especifica sus nombres o proporciona una URL de Fabric lakehouse, y envía el resultado completo como una sola tarea. Project Osmos se encarga de la planificación, secuenciación y validación.

Revisa la configuración de la tarea

Antes de que comience la ejecución, el agente de ingeniería de datos (Project Osmos) clasifica la tarea y recomienda ajustes.

Puedes cambiar cualquiera de los ajustes recomendados.

Supervisa la tarea

Después de aceptar la configuración, el agente de ingeniería de datos de Fabric (Project Osmos) ejecuta la tarea con agentes especializados en SparkCore, devuelve un ID de tarea y abre una página de Fabric lakehouse que incluye:

• Detalles del cuestionario de admisión
• Especificación
• Estado actual
• Actividad del agente

Como la tarea se ejecuta en Fabric en SparkCore en lugar de en tu máquina local, continúa cuando tu ordenador está apagado. Para monitorizar el progreso, selecciona tu casa del lago en Fabric y luego selecciona la tarea en el explorador de la casa del lago. También puedes preguntar a tu agente local el estado de la tarea.

Guía de uso

• Utiliza Project Osmos a través de un agente local como GitHub Copilot CLI, Claude Code o Codex. Actualmente no se soporta la interacción directa con Project Osmos desde Copilot en el portal Fabric.
• Especifica el espacio de trabajo y la casa del lago previstos por nombre, o proporciona una URL de Fabric para la casa del lago. No necesitas buscar los ID tú mismo.
• Utiliza Project Osmos para ingeniería de datos de extremo a extremo que involucre casas de lago, OneLake, Spark, cuadernos y tablas.
• Pide a tu agente local que revise el estado de una tarea remota, envíe instrucciones de seguimiento, cancele la tarea o la elimine.
• Para seguir trabajando con una tarea existente, proporciona su ID de tarea o enlace de tarea de Fabric.
• Revisa las opciones propuestas de ejecución y seguridad antes de permitir cambios en datos importantes o de producción.

Crea tu primera tarea

Este ejemplo solo requiere una casa vacía en el lago. Project Osmos crea los datos de muestra y todos los artefactos necesarios, así que puedes usar el producto sin preparar primero la casa del lago.

Utiliza Project Osmos para crear una pequeña arquitectura de medallón comercial. Primero pide a tu agente local que utilice Project Osmos:

Create a Project Osmos task

Después de identificar tu casa del lago por nombre o URL, se te pide que definas un resultado para tu proyecto. Escribe lo siguiente:

Use Project Osmos to set up a simple retail medallion architecture in this
empty lakehouse. Create small sample CSV files for customers, products, and
sales under Files/landing. Build bronze tables that preserve the source data,
silver tables that clean and standardize it, and gold tables named
gold_daily_sales and gold_customer_sales.
Create three notebooks named 01_load_bronze, 02_transform_silver, and
03_build_gold that move the data through the layers. Run the notebooks in
order, and validate row counts, key uniqueness, referential integrity, and
revenue totals at each layer.

Envía el prompt completo como una sola tarea. Project Osmos planifica y secuencia el trabajo, crea los datos de muestra, tablas y cuadernos, ejecuta los cuadernos en SparkCore y comprueba los resultados.

Cuando termine la tarea, revisa estos artefactos:

• Tablas Bronze de clientes, productos y ventas que conservan los datos de origen de ejemplo
• Tablas plateadas con tipos de datos estandarizados, claves válidas y registros limpios
• Tablas de oro con ventas diarias y resúmenes de ventas a nivel de cliente
• Tres cuadernos que documentan y ejecutan el movimiento entre capas
• Resultados de validación para número de filas, claves, relaciones y totales de ingresos

Ejemplos adicionales de resultados de proyectos para casos de uso complejos

Project Osmos está diseñado para ofrecer resultados integrales en ingeniería de datos, incluido el trabajo que requiere conocimiento de aplicaciones empresariales, descubrimiento de arquitecturas lakehouse, experimentos de implementación y validación. Una solicitud enviada a GitHub Copilot sin Project Osmos podría producir un cuaderno o esquema de código plausible, pero no utiliza el flujo de trabajo de Project Osmos para inspeccionar el lakehouse en vivo, comparar opciones de implementación, ejecutar el código en Fabric SparkCore y seguir refinando la solución basándose en resultados reales.

Crear un modelo del ciclo de vida del cliente de Dynamics 365

Este resultado conciso del proyecto pide a Project Osmos que descubra los datos disponibles de la aplicación:

Use Project Osmos to create a trusted customer lifecycle model from the Microsoft Dynamics 365 data in this lakehouse.

Cómo podría abordarlo el Project Osmos: Project Osmos explora la casa del lago para determinar qué aplicaciones de Dynamics 365 y tablas de Dataverse están disponibles. Identifica estructuras como cuentas, contactos, prospectos, oportunidades, actividades, casos, pedidos y facturas; mapea sus relaciones y valores de estado; y evalúa cómo representar el recorrido del cliente desde la adquisición hasta las ventas y el servicio. Ejecuta código de SparkCore para validar la cobertura de relaciones, los clientes duplicados, las actividades huérfanas, los totales del pipeline, la conciliación entre pedidos y facturas y los cálculos de la etapa del ciclo de vida.

Por qué Project Osmos es más adecuado: Sin Project Osmos, GitHub Copilot depende de ti para identificar las tablas relevantes de Dynamics 365 y Dataverse, explicar sus relaciones y valores del conjunto de opciones, y ejecutar cada revisión. Project Osmos puede partir del resultado, investigar la casa del lago y perfeccionar la implementación basándose en resultados medidos.

Modelo de datos de pedido a efectivo de SAP

Este resultado conciso del proyecto pide a Project Osmos que determine cómo se representan los datos SAP en tu casa del lago y construya un modelo útil de pedido a efectivo:

Use Project Osmos to build an order-to-cash model from the SAP data in this lakehouse.

Cómo podría enfocarlo Project Osmos: Project Osmos explora el lakehouse para identificar los datos disponibles de SAP sobre pedidos de ventas, entregas, facturación, clientes y flujo de documentos. Busca estructuras como VBAK/VBAP, LIKP/LIPS, VBRK/VBRP, KNA1 y VBFA, o vistas extraídas equivalentes. Examina esquemas y valores de muestra, determina si la extracción se asemeja a las estructuras SAP S/4HANA o SAP ECC, y prueba uniones alternativas y lógica de flujo documental. Luego construye tablas y cuadernos seleccionados y realiza comprobaciones de SparkCore para detectar claves de negocio duplicadas, enlaces de documentos perdidos, discrepancias de cantidad y conciliación entre pedidos y facturas.

Por qué Project Osmos es más adecuado: GitHub Copilot usado sin Project Osmos requeriría que localizaras las tablas relevantes, explicaras las relaciones de SAP, proporcionaras esquemas, ejecutaras el código generado y devolvieras errores o resultados para cada revisión. Project Osmos realiza ese descubrimiento y ejecución como parte de una tarea persistente de Fabric que se ejecuta de forma autónoma en SparkCore.

Conciliar las finanzas de NetSuite

Este resultado detallado del proyecto proporciona las reglas de negocio dejando los detalles de implementación a Project Osmos:

Use Project Osmos to create a financial reconciliation model from the NetSuite
data already loaded in this lakehouse. Preserve subsidiary, accounting period,
transaction, transaction line, account, accounting book, department, class,
location, transaction currency, and base currency. Build a monthly trial
balance with debit, credit, and net balances by subsidiary and account. Account
for intercompany transactions, elimination subsidiaries, and exchange rates.
Identify unbalanced entries, unmapped accounts, and periods that don't reconcile
to the source. Save the transformation and validation notebooks, and don't
modify the source tables.

Cómo podría abordarlo Project Osmos: Project Osmos inspecciona cómo se representan las transacciones de NetSuite, líneas de transacción, cuentas, filiales, periodos contables, monedas y libros contables en la casa del lago. Evalúa las opciones de registro, consolidación, eliminación y conversión de divisas, y utiliza resultados escalonados para comparar resultados. Ejecuta los cuadernos en SparkCore y valida el balance del libro diario, la integridad de los documentos, la cobertura del mapeo y los totales desde el origen hasta la salida antes de generar las tablas finales.

Por qué Project Osmos es más adecuado: La generación de código por sí sola puede codificar uniones y cálculos, pero no puede inferir de forma fiable cómo una extracción específica de NetSuite representa las publicaciones, libros contables, eliminaciones y tipos de cambio, ni demostrar que el resultado se concilia sin un bucle iterativo de ejecución y validación.

Construir la pipeline de Salesforce y métricas de previsión

Use Project Osmos to build a trusted sales pipeline and forecast model from the
Salesforce data in this lakehouse. Preserve account, opportunity, owner,
product, stage, amount, probability, close date, forecast category, creation
date, and stage-history details. Produce current pipeline, stage conversion,
sales-cycle duration, pipeline coverage, forecast accuracy, and slipped-deal
metrics by region, segment, product, and owner. Handle deleted records, currency
conversion, changing opportunity ownership, and historical stage snapshots.
Save the notebooks, and validate the metrics against available Salesforce
totals and prior-period snapshots.

Cómo podría abordarse con Project Osmos: Project Osmos mapea los objetos disponibles de Salesforce y extrae datos de Account, Opportunity, OpportunityHistory, OpportunityLineItem, Product2, User y previsiones. Compara enfoques de estado actual, basados en el historial y de instantáneas periódicas, y comprueba cómo la extracción de datos representa la vigencia, las eliminaciones, los cambios de propietario y las transiciones de etapa. Ejecuta implementaciones candidatas en SparkCore y compara totales de pipelines, tasas de conversión, resultados de previsión y instantáneas históricas.

Por qué Project Osmos es más adecuado: Este resultado requiere más que un Spark sintácticamente correcto. Project Osmos combina el razonamiento de dominio de Salesforce con inspección de datos en tiempo real, ejecuciones repetidas y conciliación para encontrar una implementación que funcione con la estrategia real de extracción e historial del cliente.

Modernizar una canalización existente de lakehouse

Use Project Osmos to assess the existing sales ingestion and transformation
notebooks in this lakehouse. Replace full reloads with an idempotent incremental
design, preserve late-arriving updates, prevent duplicate business keys, add
quarantine handling for invalid records, and create validation tables that
compare each run with the source. Keep existing downstream table names and
schemas unless a change is required. Test the new design against representative
data, compare it with the current implementation, and document the migration
and rollback steps.

Cómo podría abordarlo Project Osmos: Project Osmos inspecciona los cuadernos, tablas, esquemas y patrones de datos actuales; compara opciones de marca de agua, fusión y seguimiento de cambios; y prueba el comportamiento de fallos y reejecuciones. Ejecuta ambas implementaciones en SparkCore contra objetivos por etapas y compara el recuento de filas, claves duplicadas, manejo de actualizaciones tardías, compatibilidad de esquemas y totales de salida.

Por qué Project Osmos es más adecuado: Los agentes de codificación usados solos pueden sugerir un patrón incremental, pero debes proporcionar el contexto de implementación y ejecutar cada prueba. El Project Osmos evalúa la casa lacustre existente y valida los diseños competidores antes de recomendar e implementar el enfoque más seguro.

Actualizar habilidades para Fabric

En GitHub Copilot CLI o Claude Code, actualiza la colección Fabric instalada:

/plugin update fabric-skills@fabric-collection

Para el códice, ejecuta codex plugin marketplace upgrade fabric-collection, y luego ejecuta codex plugin add fabric-skills@fabric-collection.

Limitaciones actuales

• El agente de ingeniería de datos (Project Osmos) no está disponible actualmente para espacios de trabajo que tienen activada la protección de acceso saliente.

Contenido relacionado

• Resumen del agente de ingeniería de datos Fabric (Project Osmos)
• Mejores prácticas para un agente de ingeniería de datos Fabric (Project Osmos)
• Repositorio del agente de ingeniería de datos Fabric (Project Osmos)
• Iniciar sesión con CLI de Azure