Raisonnement de l’agent dans Azure SRE Agent

Votre agent raisonne sur les problèmes au lieu de suivre des scripts fixes. Parce qu’il construit un Deep Context à partir de votre base de code, des incidents passés et de votre infrastructure, il réfléchit à vos systèmes, pas à ceux génériques. Dans l’interface de chat, vous pouvez le voir rassembler des preuves, sélectionner des outils, classer les risques d’action et expliquer sa réflexion.

Boucle de raisonnement

Chaque message suit la même boucle.

L’agent comprend d’abord votre demande et identifie les données dont il a besoin. Ensuite, il recueille le contexte en interrogeant en parallèle les sources de données, telles que les journaux, les métriques, l’état des ressources, l’historique de déploiement et la mémoire. Ensuite, elle raisonne sur les preuves pour identifier des schémas et tirer des conclusions. Enfin, il agit ou répond en exécutant des actions sûres, en demandant l’approbation pour des actions risquées, ou en présentant des résultats.

Si le problème nécessite davantage de travail, la boucle s’itère jusqu’à 10 fois par tour. Après cela, votre agent vous demande s’il faut continuer.

Pensée adaptative

Pour les problèmes complexes, votre agent montre son raisonnement dans le chat. Une section de réflexion pliable liste chaque étape avec un titre descriptif, tel que « Explorer les problèmes de santé Azure » ou « Analyser les alertes actives », ainsi que le temps écoulé.

Votre agent ajuste automatiquement la profondeur de son raisonnement. Une vérification d’état obtient une réponse rapide. Une panne en plusieurs étapes permet de renforcer le raisonnement qui met en relation les preuves entre différentes sources.

Contexte profond

Le raisonnement adaptatif devient plus fort lorsque l’agent peut puiser dans votre environnement. Le contexte profond est la compréhension accumulée par l’agent de cet environnement. Il provient de trois sources contextuelles : connecteurs, connaissances et mémoire, et outils d’espace de travail. Au lieu de partir de zéro à chaque fois, votre agent construit une image plus claire du fonctionnement de vos systèmes et intègre ce contexte dans chaque boucle de raisonnement.

Les opérations de fichiers et les commandes de terminal nécessitent des outils d’espace de travail. Contactez votre administrateur d’agent, ou activez-les via la page Paramètres expérimentaux du portail. L’exécution de Python est disponible par défaut via l’Interprète de Code. Lorsque les outils d’espace de travail sont activés, l’exécution Python s’exécute via le bac à sable de l’espace de travail au lieu de la session par défaut de l’interpréteur de code.

Le contexte profond n’est pas une seule fonctionnalité que vous activez. Elle grandit à mesure que ces sources contextuelles collaborent.

Pourquoi le contexte profond importe

L'expertise de votre équipe se trouve dans de nombreux endroits : code source sur GitHub, journaux dans Azure Monitor, configurations dans des fichiers YAML, runbooks dans un wiki qui est obsolète, et connaissances tribales des ingénieurs seniors. Lors d’un incident, la partie la plus difficile n’est souvent pas de raisonner sur le problème. Il rassemble suffisamment de contexte pour commencer.

Un contexte profond aide en donnant à votre agent un accès continu à ces sources et un moyen de se souvenir de ce qu’il apprend de chaque interaction.

Connectors

Les connecteurs intègrent les données de service en temps réel dans la boucle de raisonnement. Votre agent peut utiliser des sources connectées telles que GitHub, Azure DevOps, Kusto, Azure Monitor et d’autres services pour recueillir des preuves sur votre environnement au lieu de se fier uniquement à des connaissances génériques sur Azure.

Certains connecteurs affinent également la compréhension de l’agent avec le temps. Lorsque vous connectez un cluster Azure Data Explorer (Kusto), l'agent découvre des bases de données et des tables, documente le schéma de chaque table, rédige des descriptions lisibles par l'humain, et développe une compétence d'investigation Kusto avec des conseils de requête.

Connaissance et mémoire

La connaissance et la mémoire fournissent le contexte durable que votre agent porte à travers les conversations. Des runbooks téléchargés, des guides d’architecture, des procédures d’équipe, des compétences et des faits mémorisés aident l’agent à suivre le fonctionnement de votre équipe.

Votre agent se souvient de ce qu’il apprend. Après les conversations, il extrait des aspects structurés, tels que les taux de réussite des outils, les causes profondes, les enseignements clés, les services Azure et les symptômes. Ces aspects deviennent des connaissances persistantes pour de futures enquêtes.

Au début de chaque conversation, votre agent recherche dans sa mémoire le contexte pertinent avant de répondre.

La génération d’insights en arrière-plan agrège les conversations passées et d’autres sources de données activées. Il utilise la correspondance sémantique pour générer, concilier et affiner les insights opérationnels au fil du temps.

Outils d’espace de travail

Les outils d’espace de travail donnent à votre agent un accès direct à votre dépôt connecté et à votre environnement d’exécution. Lorsque vous les activez, l’agent peut lire des fichiers, rechercher du code, analyser la structure du projet, exécuter des commandes terminales et exécuter Python dans le bac à sable de l’espace de travail pendant une enquête. L’exécution de Python est autrement disponible par défaut via l’interpréteur de code.

Lorsque vous connectez un dépôt de code, l’agent analyse automatiquement sa structure de projet, sa pile technologique, ses configurations de déploiement et ses dépendances de service. Il ouvre ensuite un PR qui ajoute un SREAGENT.md fichier à votre dépôt.

Vous pouvez ajouter plus de contexte à tout moment :

• Connectez des dépôts : liez GitHub ou Azure Repos pour que votre agent puisse lire votre code source. Consultez Connecteurs.
• Charger des documents de connaissances : ajouter des runbooks, des guides d’architecture et des procédures d’équipe. Consultez mémoire et connaissance.
• Dites à votre agent de se souvenir : tapez #remember dans le chat pour sauvegarder les faits que votre agent devrait connaître. Consultez mémoire et connaissance.
• Créer des compétences : Procédures de résolution des problèmes de package avec des outils. Voir Compétences.

Plus vous fournissez de connaissances, comme des runbooks, des documents d’architecture et des procédures d’équipe, plus le raisonnement devient pertinent. Pour plus d’informations, consultez Mémoire et connaissance.

Security

Vous devez activer les outils de l’espace de travail via les paramètres expérimentaux avant que l’agent puisse utiliser des opérations de fichier et des commandes de terminal, ou pour router l’exécution Python vers le bac à sable de l’espace de travail. L’exécution de Python elle-même est disponible par défaut via l’Interprète de Code. L’exécution du code s’exécute dans une session en mode bac à sable ou isolée, selon le mode bac à sable configuré, séparée de l’hôte agent. Les commandes d’écriture Azure CLI nécessitent une approbation explicite de l’utilisateur avant de s’exécuter.

Sélection de l’outil

Dans ce contexte, votre agent choisit les outils en fonction du problème. Il commence par tous les outils inscrits sur l’agent personnalisé actuel, puis filtre par plateforme, en utilisant uniquement les outils d’incident pour la plateforme d’incident connectée. Il filtre davantage par liste publiée pour inclure uniquement les outils que vous mettez à disposition et ajuste à mesure que de nouvelles informations émergent pendant la conversation.

Chaque agent personnalisé a son propre ensemble d’outils. Lorsque votre agent délègue à un autre agent personnalisé, les outils disponibles changent automatiquement.

Pour plus d’informations sur les outils disponibles, consultez Outils.

Exécution parallèle

Lorsque votre agent identifie des opérations indépendantes, c’est-à-dire des actions qui ne dépendent pas de la sortie de l’autre, il les émet simultanément en un seul tour au lieu de les exécuter une par une.

Par exemple, si votre agent doit vérifier l’état du pod, l’intégrité du service et l’historique de déploiement, il exécute les trois commandes en parallèle au lieu d’attendre que chacun se termine avant de commencer la prochaine. Cette approche réduit les détours de raisonnement et accélère les enquêtes.

Les invites au niveau de l’outil guident l’exécution parallèle en indiquant au modèle : « Si les commandes sont indépendantes et peuvent s’exécuter en parallèle, effectuez plusieurs appels d’outil dans un seul message. »

Classification des actions

Votre agent classe chaque action avant qu’elle ne soit publiée.

La façon dont votre agent gère chaque type dépend de votre mode d’exécution.

Gestion des conversations

Plusieurs mécanismes maintiennent les longues conversations sur la bonne voie.

Annulation

Lorsque vous sélectionnez Arrêter, votre agent arrête toutes les opérations et empêche les tentatives pour la tâche annulée. Votre prochain message recommence à zéro, sauf si vous modifiez explicitement la demande annulée.

Boundaries

Le raisonnement a des limites.

Étape suivante

Contenu connexe

• Analyse de la cause racine : examen approfondi avec des arborescences d’hypothèses
• Connecteurs : code source de Connect, ressources Azure et autres sources contextuelles
• Mémoire et connaissances : comment votre agent mémorise le contexte dans les conversations
• Modes d’exécution : Révision et comportement autonome
• Outils : fonctionnalités d’outils intégrées et personnalisées
• Compétences : procédures d’investigation spécifiques au domaine
• Exécution du code Python : Exécuter Python lors des enquêtes
• Tâches planifiées : Effectuer des enquêtes et vérifications récurrentes