Data Agent i Microsoft Fabric gjør det mulig for organisasjoner å bygge samtaleopplevelser over sine bedriftsdata. Ved å koble Fabric-artefakter til en Data Agent, kan brukere oversette naturlige språkspørsmål til presise spørringer, noe som gir interessenter, fra analytikere til ledere, mulighet til å låse opp innsikt uten å måtte skrive en eneste kodelinje. Denne artikkelen går gjennom alle datakilder som Data Agent støtter i dag, samt konfigurasjonsmulighetene som er tilgjengelige for hver datakilde.
Oversikt
Data Agent støtter følgende datakildekategorier:
| Kategori |
Gjenstander |
Spørringsspråk |
Nøkkelscenario |
|
SQL |
Lakehouse, datalager, SQL-database, speilede databaser |
T-SQL |
Strukturert analyse over relasjonsdata og Delta Lake-data |
|
Eventhouse |
Eventhouse KQL-database |
KQL |
Sanntidsintelligens og tidsserieanalyse |
|
Semantisk modell |
Semantiske modeller for Power BI |
DAX |
Forretningslogikk, kalkulerte målinger og kuraterte måleparametere |
|
Graf (forhåndsvisning) |
Graf modell |
GQL |
Relasjonsrik datautforskning og grafanalyse |
|
Ontologi (forhåndsvisning) |
Fabric-ontologi |
Ontologi-native |
Domenekunnskap og semantisk kontekst for dataintegrasjon |
|
Azure AI Search (preview) |
Azure AI Search Index |
Naturlig språk + søk |
Ustrukturert datagjenfinning (PDF-er, tekst, beriket innhold) |
Tips
En enkelt Data Agent kan kombinere opptil fem datakilder i en hvilken som helst kombinasjon, slik at du kan blande strukturerte, sanntids-, semantiske og ustrukturerte data i én samtaleopplevelse.
Støttede gjenstander
-
Lakehouse—Delta Lake-tabeller dukket opp via SQL Analytics Endpoint.
-
datalager—Full Fabric lager med T-SQL-overflate.
-
SQL Database—Fabric-native SQL-databaser.
-
Speilede databaser—Eksterne databaser speilet inn i Fabric (for eksempel Azure SQL, Cosmos DB, Snowflake).
Hver SQL-kilde i Fabric leveres med en SQL Analytics Endpoint, en høyytelses, skrivebeskyttet T-SQL-spørringsflate over OneLake Delta-data. Data Agent benytter en innebygd NL2SQL-tjeneste som:
- Oversetter brukerens naturlige språkspørsmål til en T-SQL-spørring ved bruk av brukergitt valgt skjema, instruksjoner og eksempelspørringer.
- Validerer den genererte spørringen mot skjemavalget for å sikre at den kun refererer til godkjente tabeller og visninger.
- Kjører spørringen gjennom SQL Analytics Endpoint og returnerer menneskelesbare resultater.
Støttede gjenstander
-
Eventhouse KQL Database—Fabric sin Real-Time Intelligence-butikk for strømmende, hendelsesdrevne og tidsseriedata.
Data Agent kobler til Eventhouse KQL Database Endpoint og utnytter Kustos innebygde NL2KQL som muliggjør følgende funksjoner:
- Brukerens spørsmål oversettes til en KQL-spørring ved bruk av det valgte skjemaet og eventuelle oppgitte instruksjoner eller eksempler.
- Spørringen valideres for å bekrefte at den kun berører de godkjente skjemaenhetene.
- Ved godkjenning kjøres spørringen mot Kusto-motoren – optimalisert for lav-latens og høygjennomstrømnings analytiske arbeidsbelastninger.
Støttede gjenstander
-
Power BI Semantiske Modeller—Publiserte datasett som inneholder tabeller, relasjoner, mål, beregnede kolonner og hierarkier.
Hver semantisk modell i Fabric eksponerer en XMLA Endpoint, som Data Agent bruker til å utføre DAX-spørringer. Den innebygde NL2DAX-tjenesten :
- Oversetter naturlig språk til en DAX-spørring, og utnytter modellens metadata (tabellbeskrivelser, kolonne-synonymer, måldefinisjoner, relasjoner).
- Validerer spørringen mot det valgte skjemaet.
- Kjøres via XMLA Endpoint og returnerer formaterte resultater.
Støttede gjenstander
-
Graph Model—Fabric grafartefakter som definerer node- og kantskjemaer.
Graph Data Agent kan kjøre GQL-spørringer og finne innsikter fra grafdatakildene dine i Fabric. For å konfigurere en slik agent, legg til en grafmodell eller et grafspørringssett som datakilde.
Når dataagenten kjører GQL mot en grafdatakilde, vil den underliggende Fabric Graph-artefakten utføre spørringsutførelsen, noe som påfører grafoperasjon forbruk.
Støttede gjenstander
-
Fabric Ontologi—Et semantisk lag som fanger domenekunnskap, entitetsdefinisjoner og relasjoner.
Etter at en ontologi er konfigurert i Fabric, kan den legges til som en datakilde i Data Agent. Agenten bruker ontologien for å forstå domenekontekst og svare på spørsmål basert på organisasjonens kunnskapsmodell.
Støttede gjenstander
-
Azure AI Search Indeks—Indekser innebygd i Azure AI Foundry over ustrukturert innhold som PDF-er, tekstfiler og andre berikede dokumenter.
Data Agent kobler seg direkte til din Azure AI Search-indeks ved hjelp av en ressurs-URL. Når en bruker stiller et spørsmål, sender agenten spørringen (med brukerens identitet for tilgangskontroll) til søkeindeksen, henter de mest relevante dokumentbitene og utarbeider et endelig svar. Siteringer inkluderes automatisk når indeksen inneholder URL- eller filstifelt.
SQL-kilder støttet konfigurasjoner
| Konfigurasjon |
Støttes |
Detaljer |
| Skjemavalg |
✅ Ja |
Velg spesifikke tabeller, visninger og funksjoner for å begrense agenten. |
| Agentinstruksjoner |
✅ Ja |
Veiled agenten om når og hvordan du skal sende spørsmål til denne kilden. |
| Instruksjoner for datakilde |
✅ Ja |
Gi tabellbeskrivelser, join-logikk, nøkkelkolonnedetaljer og forretningsterminologi til NL2SQL. |
| Beskrivelse av datakilde |
✅ Ja |
Beskrivelse som hjelper agenten med å avgjøre om denne datakilden er relevant for brukerens spørsmål. |
|
Skjema-objektbeskrivelser (forhåndsvisning) |
✅ Ja |
Gi forretningskontekst for tabeller, kolonner og andre skjemaelementer for å forbedre genereringen av SQL-spørringer. Tilgjengelig kun i forhåndsvisningsperioden. |
| Eksempelforespørsler |
✅ Ja |
Tilby naturlige språk/SQL-par slik at agenten kan lære komplekse spørringsmønstre. Toppeksempler hentes automatisk via vektorlikhet. |
Eventhouse KQL-kilder støttet konfigurasjoner
| Konfigurasjon |
Støttes |
Detaljer |
| Skjemavalg |
✅ Ja |
Velg spesifikke tabeller, materialiserte visninger, funksjoner og snarveier for å begrense agenten. |
| Agentinstruksjoner |
✅ Ja |
Veiled agenten om når og hvordan du skal sende spørsmål til denne kilden. |
| Instruksjoner for datakilde |
✅ Ja |
Gi kontekst om tabeller, MV-er, funksjoner og snarveier til NL2KQL. |
| Beskrivelse av datakilde |
✅ Ja |
Beskrivelse som hjelper agenten med å avgjøre om denne datakilden er relevant for brukerens spørsmål. |
| Eksempelforespørsler |
✅ Ja |
Tilby naturlig språk/KQL-par for å lære agentens komplekse aggregering og join-mønstre. |
Semantiske modellstøttede konfigurasjoner
| Konfigurasjon |
Støttes |
Detaljer |
| Skjemavalg |
✅ Ja* |
Velg tabeller som skal eksponeres. Kontroll på kolonnenivå er tilgjengelig når Prep for AI er konfigurert i Power BI. |
| Agentinstruksjoner |
✅ Ja |
Veiled agenten om når den skal velge den semantiske modellen for å svare på spørsmål. |
| Instruksjoner for datakilde |
❌ Nei* |
Instruksjonene håndteres gjennom Prep for AI (AI-instruksjoner og verifiserte svar) på den semantiske modellsiden. Data Agent hedrer dem når de er til stede. |
| Beskrivelse av datakilde |
❌ Nei |
Semantiske modeller støtter ikke beskrivelser av datakilder. |
| Eksempelforespørsler |
❌ Nei* |
Støttes for øyeblikket ikke for semantiske modeller. Bruk verifiserte svar i forberedelse til AI for å inkludere eksempler på DAX-spørringer. |
*Semantiske modeller konfigureres primært gjennom Prep for AI i Power BI, som tilbyr AI-dataskjemaer, AI-instruksjoner og verifiserte svar.
Konfigurasjoner støttet av grafmodellen
| Konfigurasjon |
Støttes |
Detaljer |
| Skjemavalg |
❌ Nei |
Graph lar ikke en bruker begrense agenten sin på spesifikke noder og kanter. |
| Agentinstruksjoner |
✅ Ja |
Veiled agenten om når og hvordan du skal sende spørsmål til denne kilden. |
| Instruksjoner for datakilde |
✅ Ja |
Sendt til NL2GQL-motoren for å veilede generering av spørringer. |
| Beskrivelse av datakilde |
✅ Ja |
Beskrivelse som hjelper agenten med å avgjøre om denne datakilden er relevant for brukerens spørsmål. |
| Eksempelforespørsler |
✅ Ja |
Sendt til NL2GQL for å lære komplekse graftraverseringsmønstre. |
Konfigurasjoner støttet av ontologi
| Konfigurasjon |
Støttes |
Detaljer |
| Skjemavalg |
❌ Nei |
Ikke støttet for ontologidatakilder. |
| Agentinstruksjoner |
✅ Ja |
Veiled agenten om når den skal velge den semantiske modellen for å svare på spørsmål. |
| Instruksjoner for datakilde |
❌ Nei |
Ikke støttet for ontologidatakilder. |
| Beskrivelse av datakilde |
✅ Ja |
Beskrivelse som hjelper agenten med å avgjøre om denne datakilden er relevant for brukerens spørsmål. |
| Eksempelforespørsler |
❌ Nei |
Ikke støttet for ontologidatakilder. |
Konfigurasjoner av ustrukturerte data
| Innstilling |
Detaljer |
| Visningsnavn |
Egendefinert navn vises for indeksen i agentopplevelsen. |
| Søketype |
Velg mellom fulltekst, hybrid eller semantisk søk avhengig av indekskonfigurasjonen din. |
| Antall dokumenter |
Kontroller hvor mange dokumenter som hentes per spørring (anbefalt: 3–20). |
| Kontekst / Beskrivelse |
Beskriv innholdet, nøkkelfeltene og bruksveiledningen for å hjelpe rutingen. |
| Agentinstruksjoner |
Veiled hvordan agenten tolker søkeresultatene og skriver det endelige svaret. |
Mer informasjon