Agentredenering in de SRE-agent van Azure

Je agent redeneert door problemen heen in plaats van vaste scripts te volgen. Omdat het Deep Context bouwt uit je codebase, eerdere incidenten en infrastructuur, redeneert het over je systemen, niet over generieke systemen. In de chatinterface kun je zien hoe het bewijs verzamelt, tools selecteert, actierisico classificeert en zijn denkwijze uitlegt.

De redeneringslus

Elke boodschap volgt dezelfde lus.

Een schermopname van het redeneringsproces van de agent: de aanvraag begrijpen, context verzamelen, redeneren en vervolgens handelen of reageren. Herhaalt tot maximaal 10 keer.

De medewerker begrijpt eerst je verzoek en identificeert de gegevens die hij nodig heeft. Vervolgens verzamelt het context door parallel databronnen te bevragen, zoals logs, metrics, resourcestatus, deploymentgeschiedenis en geheugen. Vervolgens redeneert het het bewijs om patronen te identificeren en conclusies te trekken. Ten slotte handelt of reageert het door veilige acties uit te voeren, goedkeuring te vragen voor risicovolle acties, of bevindingen te presenteren.

Als het probleem meer werk vereist, wordt de lus maximaal 10 keer per beurt herhaald. Daarna vraagt uw agent of u wilt doorgaan.

Adaptief denken

Bij complexe problemen toont je agent zijn redenering in de chat. Een inklapbare sectie Denken toont elke stap met een beschrijvende titel, zoals "Azure-statusproblemen verkennen" of "Actieve waarschuwingen analyseren", en de verstreken tijd.

Schermopname van adaptief denken met redeneringsstap.

Je agent past automatisch de diepgang van zijn redenering aan. Een statuscontrole krijgt een snel antwoord. Een meerstapsstoring krijgt een meer diepgaande analyse die bewijsmateriaal uit verschillende bronnen met elkaar in verband brengt.

Diepe context

Adaptief redeneren wordt sterker wanneer de agent kan putten uit je omgeving. Diepe context is het opgebouwde begrip van de agent van die omgeving. Het is afkomstig uit drie contextbronnen: connectoren, kennis en geheugen, en tools voor de werkruimte. In plaats van elke keer bij nul te beginnen, bouwt je agent een duidelijker beeld op van hoe je systemen werken en brengt die context in elke redeneercyclus.

Tip

  • Diepe context helpt je agent om te redeneren vanuit je code, infrastructuur en operationele geschiedenis, niet alleen uit generieke Azure-kennis.
  • Het komt uit drie contextbronnen: connectors, knowledge and memory, en workspace-tools.
  • Verbonden broncode-repositories laten de agent je codebase lezen, doorzoeken en navigeren wanneer workspace-tools zijn ingeschakeld.

Bestandsbewerkingen en terminalcommando's vereisen werkruimtetools. Neem contact op met je agentbeheerder, of zet hem of haar aan via de pagina Experimentele Instellingen in het portaal. Python-uitvoering is standaard beschikbaar via de Code Interpreter. Wanneer workspace-tools zijn ingeschakeld, loopt de uitvoering van Python via de workspace sandbox in plaats van via de standaard Code Interpreter-sessie.

Deep context is niet één functie die u inschakelt. Het groeit naarmate deze contextbronnen samenwerken.

Contextbron Wat het biedt Hoe u dit toevoegt
Connectoren Live data van GitHub, Azure DevOps, Kusto, Azure Monitor en andere services Verbind servicegegevensbronnen. Zie Connectors.
Kennis en geheugen Geüploade runbooks, architectuurdocumentaties, teamprocedures, gebruikersvoorkeuren en feiten uit eerdere gesprekken Upload kennis, ontwikkel vaardigheden, of vertel de agent om feiten te onthouden. Zie Geheugen en kennis.
Werkruimtetools Directe toegang om broncode te lezen, te zoeken en te analyseren, terminalcommando's uit te voeren en sandboxed Python uit te voeren Verbind een repository en schakel werkruimtetools in in Experimentele Instellingen.

Waarom diepe context belangrijk is

De expertise van je team zit op veel plekken: broncode in GitHub, logs in Azure Monitor, configuraties in YAML-bestanden, runbooks in een wiki die verouderd raakt, en stamkennis van senior engineers. Tijdens een incident is het moeilijkste vaak niet het nadenken over het probleem. Er wordt voldoende context verzameld om te beginnen.

Diepe context helpt door je agent voortdurend toegang te geven tot deze bronnen en een manier om te onthouden wat hij leert van elke interactie.

Connectors

Connectoren brengen live servicegegevens in de redeneringslus. Je agent kan verbonden bronnen zoals GitHub, Azure DevOps, Kusto, Azure Monitor en andere diensten gebruiken om bewijs over je omgeving te verzamelen, in plaats van alleen te vertrouwen op generieke Azure-kennis.

Sommige connectoren scherpen ook het inzicht van de agent in de loop van de tijd aan. Wanneer je een Azure Data Explorer (Kusto) cluster verbindt, ontdekt de agent databases en tabellen, documenteert het schema van elke tabel, schrijft mensleesbare beschrijvingen en produceert een Kusto-onderzoeksvaardigheid met querybegeleiding.

Kennis en geheugen

Kennis en geheugen bieden de duurzame context die je agent meebrengt in gesprekken. Geüploade runbooks, architectuurgidsen, teamprocedures, vaardigheden en onthouden feiten helpen de agent te volgen hoe jouw team werkt.

Uw agent onthoudt wat hij of zij leert. Na gesprekken extraheert het gestructureerde facetten, zoals succespercentages van tools, onderliggende oorzaken, belangrijke lessen, Azure-diensten en symptomen. Die aspecten worden persistente kennis voor toekomstige onderzoeken.

Aan het begin van elk gesprek zoekt je agent in het geheugen naar relevante context voordat hij reageert.

Waar het uit put Hoe het redeneren verbetert
Sessie-inzichten Leert van eerdere gesprekken en andere ingeschakelde databronnen
Vergelijkbare symptoompatronen Herkent terugkerende patronen en komt sneller bij waarschijnlijke oorzaken
Uw geüploade runbooks en documenten Volgt de procedures van uw team in plaats van algemeen advies
Gebruikersvoorkeuren Onthoudt uw omgevingscontext- en reactievoorkeuren

Achtergrondinzichtgeneratie verzamelt eerdere gesprekken en andere ingeschakelde databronnen. Het gebruikt semantische matching om operationele inzichten in de loop van de tijd te genereren, te verduidelijken en te verfijnen.

Werkruimtetools

Werkruimtetools geven je agent directe toegang tot je verbonden repository en uitvoeringsomgeving. Wanneer je ze inschakelt, kan de agent bestanden lezen, code doorzoeken, projectstructuur analyseren, terminalcommando's uitvoeren en Python uitvoeren in de workspace sandbox tijdens een onderzoek. Python-uitvoering is verder standaard beschikbaar via de Code Interpreter.

Wanneer je een coderepository verbindt, analyseert de agent automatisch de projectstructuur, technologiestack, deploymentconfiguraties en serviceafhankelijkheden. Daarna opent het een PR die een SREAGENT.md bestand aan je repo toevoegt.

U kunt op elk gewenst moment meer context toevoegen:

  • Verbind repositories: Link GitHub of Azure-opslagplaatsen zodat je agent je broncode kan lezen. Zie Connectors.
  • Kennisdocumenten uploaden: runbooks, architectuurhandleidingen en teamprocedures toevoegen. Zie Geheugen en kennis.
  • Zeg tegen je makelaar dat hij moet onthouden: Typ #remember in chat om feiten op te slaan die je makelaar zou moeten weten. Zie Geheugen en kennis.
  • Vaardigheden maken: Procedures voor probleemoplossing inpakken met hulpprogramma's. Zie vaardigheden.

Hoe meer kennis je geeft, zoals runbooks, architectuurdocumenten en teamprocedures, hoe relevanter de redenering wordt. Zie Geheugen en kennis voor meer informatie.

Security

Je moet workspace-tools inschakelen via Experimentele Instellingen voordat de agent bestandsoperaties en terminalcommando's kan gebruiken, of om de uitvoering van Python naar de workspace sandbox te routeren. De uitvoering van Python zelf is standaard beschikbaar via de Code Interpreter. Code-uitvoering draait in een sandbox- of geïsoleerde sessie, afhankelijk van de geconfigureerde sandboxmodus, los van de agenthost. Azure CLI schrijfcommando's vereisen expliciete goedkeuring van de gebruiker voordat ze worden uitgevoerd.

Selectie van gereedschap

Met die context selecteert je makelaar tools op basis van het probleem. Het begint met alle hulpprogramma's die zijn geregistreerd op de huidige aangepaste agent en filtert vervolgens op platform, waarbij alleen hulpprogramma's voor incidenten worden gebruikt voor het verbonden incidentplatform. Het filtert verder op gepubliceerde lijst om alleen hulpprogramma's op te nemen die u beschikbaar maakt en wordt aangepast naarmate er nieuwe informatie opduikt tijdens het gesprek.

Elke aangepaste agent heeft een eigen set hulpprogramma's. Wanneer uw agent delegert aan een andere aangepaste agent, worden de beschikbare hulpprogramma's automatisch gewijzigd.

Zie Hulpprogramma's voor meer informatie over beschikbare hulpprogramma's.

Parallelle uitvoering

Wanneer je agent onafhankelijke operaties identificeert, oftewel acties die niet afhankelijk zijn van elkaars output, voert hij die gelijktijdig in één beurt uit in plaats van ze één voor één uit te voeren.

Als uw agent bijvoorbeeld de status van de pod, de servicestatus en de implementatiegeschiedenis moet controleren, worden alle drie de opdrachten parallel uitgevoerd in plaats van te wachten tot elke taak is voltooid voordat de volgende wordt gestart. Deze aanpak vermindert redeneermomenten en versnelt onderzoeken.

Tool-level prompts begeleiden parallelle uitvoering door het model te vertellen: "Als de commando's onafhankelijk zijn en parallel kunnen draaien, doe dan meerdere toolcalls in één bericht."

Actieclassificatie

Je agent classificeert elke actie voordat deze wordt uitgevoerd.

Classificatie Gedrag Examples
Veiligheid Wordt onmiddellijk uitgevoerd Querylogboeken uitvoeren, resourcestatus controleren, implementaties weergeven
Voorzichtig Wordt uitgevoerd met een korte uitleg E-mailberichten verzenden, Teams-berichten posten
Destructief Hiervoor is uw bevestiging vereist Een app opnieuw opstarten, resources schalen, configuraties wijzigen

Hoe uw agent elk type verwerkt, is afhankelijk van de uitvoeringsmodus.

Uitvoeringsmodus Veilig Voorzichtig Destructief
Beoordeling Voert Voert Vraagt om goedkeuring
Autonome Voert Voert Voert

Gespreksbeheer

Verschillende mechanismen houden lange gesprekken op koers.

Mechanisme Wat het doet
Compressie Wanneer gesprekken lang worden, geeft uw agent een overzicht van eerdere context terwijl belangrijke bevindingen behouden blijven. U kunt deze actie handmatig activeren met behulp van de /compact opdracht.
Automatische nieuwe pogingen Als er een serviceonderbreking optreedt tijdens een reactie, probeert je medewerker het automatisch opnieuw.
Foutafhandeling Als een model een tijdelijk probleem tegenkomt, toont uw agent een duidelijk bericht ("model ondervindt tijdelijk problemen") in plaats van een generieke interne fout.

Annulering

Wanneer je Stop selecteert, stopt je agent alle bewerkingen en voorkomt hij opnieuw pogingen voor de geannuleerde taak. Je volgende bericht begint opnieuw tenzij je expliciet het geannuleerde verzoek aanpast.

Boundaries

Redeneren kent grenzen.

Wat voor redenering doet u? Wat het niet doet
Verzamelt parallel bewijs van meerdere bronnen Gegarandeerd het vinden van een oorzaak wanneer het bewijs onvoldoende is
Classificeert acties en respecteert de uitvoeringsmodus Automatisch verhelpen zonder bevestiging in de beoordelingsmodus
Legt stap voor stap uit wat het denkt Onderzoeksmethodologie delen tussen afzonderlijke agents
De redeneringsdiepte aanpassen aan de complexiteit van het probleem Menselijk oordeel vervangen voor kritieke beslissingen

Volgende stap

De agentspeelplaats verkennen

Verwante inhoud

  • Last updated on