AI w Azure Logic Apps: podręcznik, przykłady i próbki kodu dotyczące przepływów pracy opartych na agentach

Dotyczy: Azure Logic Apps (Wersja zużyciowa + Standard)

Ten podręcznik wprowadza sposoby budowania przepływów pracy opartych na AI w Azure Logic Apps z wykorzystaniem narzędzi Microsoft Foundry, takich jak Azure, OpenAI i Wyszukiwanie AI platformy Azure. Znajdź elementy budulcowe, przykłady, próbki, laboratoria i filmy do swojego rozwiązania integracyjnego.

Ten artykuł omawia przepływy pracy agentów AI, które automatyzują przewidywalne i stabilne procesy biznesowe. Dla procesów nieprzewidywalnych lub trudnych do zdefiniowania zobacz Azure Logic Apps Automation.

Przejdź do tego, czego potrzebujesz:

• Zbuduj przepływ pracy agentów
• Znajdź elementy budulcowe AI
• Implementuj wzór RAG
• Zacznij od szablonu workflow

Przepływy pracy oparte na agentach AI i modelach

Azure Logic Apps Standard and Consumption wspiera przepływy pracy realizujące zadania za pomocą pętli agentów z dużymi modelami językowymi (LLM). Ta pętla agentów wykorzystuje proces iteracyjny do rozwiązywania złożonych, wieloetapowych problemów. LLM to wytrenowany program, który rozpoznaje wzorce i wykonuje zadania bez interakcji człowieka.

Na przykład usługa LLM może wykonywać następujące zadania:

• Analizowanie, interpretowanie i przetwarzanie informacji, takich jak instrukcje, komunikaty i dane wejściowe.
• Podejmowanie decyzji na podstawie wyników i dostępnych danych.
• Formułuj i zwracaj odpowiedzi do monitera na podstawie instrukcji agenta.

W przypadku aplikacji logiki standardowej możesz dodać workflow z typem Autonomous Agents lub Conversational Agent . Te typy przepływów pracy tworzą częściowy przepływ pracy zawierający pustą akcję Agent . Na podstawie wybranego typu przepływu pracy można skonfigurować agenta do pracy bez interakcji z ludźmi lub z interakcją człowieka, która odbywa się za pośrednictwem zintegrowanego interfejsu czatu.

Agent używa języka naturalnego i połączonego modułu LLM do interpretowania wcześniej dostarczonych instrukcji lub interakcji w czasie rzeczywistym, odpowiednio. Agent używa również wygenerowanych przez model danych wyjściowych do wykonania pracy. Model pomaga agentowi zapewnić następujące możliwości:

• Zaakceptuj informacje o roli agenta, sposobie działania i sposobie reagowania.
• Odbieranie instrukcji i niezwłoczne odpowiadanie na żądania.
• Przetwarzanie danych wejściowych, analizowanie danych i podejmowanie wyborów na podstawie dostępnych informacji.
• Wybierz narzędzia do wykonywania zadań niezbędnych do realizacji żądań. W scenariuszach sztucznej inteligencji narzędzie jest sekwencją z co najmniej jedną akcją, która wykonuje zadanie.
• Dostosuj się do środowisk wymagających elastyczności i są płynne, dynamiczne, nieprzewidywalne lub niestabilne.

Dzięki dostępnym 1400 łącznikom ułatwiających tworzenie narzędzi dla agentów do użycia, przepływy pracy agentów obsługują wiele scenariuszy, które znacznie korzystają z możliwości agenta i modelu.

Aby uzyskać więcej informacji, zobacz następujące zasoby:

Bloki konstrukcyjne dla rozwiązań sztucznej inteligencji

W tej sekcji opisano wbudowane operacje i linki do dokumentacji, która ułatwia tworzenie standardowych przepływów pracy dla scenariuszy integracji sztucznej inteligencji, takich jak pozyskiwanie dokumentów. Dzięki tym operacjom możesz "rozmawiać z danymi".

Na przykład łączniki azure OpenAI i Wyszukiwanie AI platformy Azure udostępniają operacje upraszczające procesy zaplecza przy użyciu konfiguracji bez kodu. Te operacje nie wymagają użycia kodu niestandardowego, logiki ani konfiguracji.

To podejście bez kodu zmniejsza złożoność integracji funkcji sztucznej inteligencji z przepływami pracy. Możesz zautomatyzować złożone przepływy pracy dla zadań, takich jak analizowanie dokumentów, fragmentowanie danych lub zasilanie modeli sztucznej inteligencji w celu odblokowania pełnego potencjału danych przy minimalnym nakładzie pracy.

Bloki konstrukcyjne sztucznej inteligencji, takie jak wbudowane operacje i łączniki, są dostępne zarówno dla przepływów pracy Zużycie, jak i Standardowe. Poniższe przykłady, materiały przykładowe i zasoby wykorzystują przepływy pracy Standard w celach ilustracyjnych.

Aby uzyskać więcej informacji, zobacz następujące zasoby:

Przygotowywanie zawartości

Poniższe wbudowane akcje i łączniki ułatwiają przygotowanie zawartości do użycia przez narzędzia Foundry Tools, pozyskiwanie danych i interakcje czatu.

Indeksowanie danych i wektorowe bazy danych

Poniższe łączniki zapewniają operacje na potrzeby indeksowania i pobierania danych podczas pracy z wektorowymi bazami danych, wyszukiwaniem i standardowymi bazami danych.

Więcej zasobów

Aby uzyskać więcej informacji, zobacz następujące zasoby:

Czat z użyciem danych w czasie zbliżonym do rzeczywistego w usłudze Azure Logic Apps

Poniższe sekcje opisują sposoby konfiguracji czatu niemal w czasie rzeczywistym dla swoich danych za pomocą Azure Logic Apps oraz różnych narzędzi Foundry.

Twórz asystentów Azure OpenAI za pomocą Azure Logic Apps

Korzystając z Azure OpenAI, możesz łatwo wbudować funkcje podobne do agentów w swoich aplikacjach, korzystając z API Asystentów. Mimo że możliwości tworzenia agentów wcześniej istniały, proces często wymagał znaczącej inżynierii, bibliotek zewnętrznych i wielu integracji.

Dzięki asystentom można teraz szybko tworzyć dostosowane, stanowe copiloty, które są szkolone na danych firmowych i mogą obsługiwać różne zadania przy użyciu najnowszych modeli transformatora wstępnie wytrenowanego (Generative Pretrained Transformer, GPT), a także narzędzi i wiedzy. Bieżąca wersja zawiera funkcje, takie jak narzędzia do wyszukiwania plików i przeglądania, ulepszone funkcje zabezpieczeń danych, ulepszone mechanizmy kontroli, nowe modele i rozszerzona obsługa regionów. Te ulepszenia ułatwiają przejście od tworzenia prototypów do środowiska produkcyjnego.

Asystentów można teraz tworzyć, wywołując przepływy pracy usługi Azure Logic Apps jako funkcje sztucznej inteligencji. Przepływy pracy można odnajdywać, importować i wywoływać w Azure OpenAI Studio z poziomu placu zabaw Asystentów Azure OpenAI, bez konieczności pisania kodu. Asystenci wyliczają i wyświetlają listę wszystkich przepływów pracy w Twojej subskrypcji, które kwalifikują się do wywoływania funkcji.

Aby przetestować Asystentów z obsługą wywołań funkcji, możesz zaimportować przepływy pracy jako funkcje AI za pomocą interfejsu przeglądania i wybierania. Generowanie specyfikacji funkcji i inne konfiguracje są automatycznie pobierane z programu Swagger dla przepływu pracy. Wywołanie funkcji wywołuje przepływy pracy na podstawie monitów użytkownika. Wszystkie odpowiednie parametry są przekazywane na podstawie definicji.

Aby uzyskać więcej informacji, zobacz następujące zasoby:

Integracja z jądrem semantycznym

Korzystając z tego lekkiego, otwartoźródłowego zestawu programistycznego, możesz łatwo budować agentów AI i integrować najnowsze modele AI z bazą kodu C#, Python lub Java. Na najprostszym poziomie jądro jest kontenerem iniekcji zależności, który zarządza wszystkimi usługami i wtyczkami, które aplikacja sztucznej inteligencji musi uruchomić.

Jeśli udostępniasz wszystkie usługi i wtyczki do jądra, sztuczna inteligencja bezproblemowo używa tych składników zgodnie z potrzebami. Jako składnik centralny jądro służy jako wydajne oprogramowanie pośredniczące, które pomaga szybko dostarczać rozwiązania klasy korporacyjnej.

Aby uzyskać więcej informacji, zobacz następujące zasoby:

Zarządzanie inteligentnym zbieraniem i przetwarzaniem dokumentów

Aby zbudować inteligentne workflowy przetwarzania dokumentów, użyj Azure Document Intelligence w Foundry Tools oraz Azure Logic Apps. Łącznik analizy dokumentów udostępnia operacje, które ułatwiają wyodrębnianie tekstu i informacji z różnych dokumentów. Document Intelligence pomaga zarządzać tempem zbierania i przetwarzania ogromnych ilości danych przechowywanych w formularzach i dokumentach o szerokiej gamie typów danych.

Aby uzyskać więcej informacji, zobacz następujące zasoby:

Generacja wspierana wyszukiwaniem (RAG)

Modele generatywnej sztucznej inteligencji lub duże modele językowe, jak ChatGPT, są trenowane do generowania wyników dla zadań, takich jak odpowiadanie na pytania i uzupełnianie zdań, poprzez użycie dużych ilości danych statycznych i miliardów parametrów. Generowanie wspomagane pobieraniem dodaje możliwości pobierania informacji do modułu LLM, pozwalając mu reagować na zapytania użytkowników, odwołując się do zawartości, która uzupełnia jego dane szkoleniowe.

LLM może użyć RAG, aby umożliwić czatbotom dostęp do informacji specyficznych dla domeny lub zaktualizowanych informacji. Rag może pomóc w zaimplementowaniu przypadków użycia, które zawierają wewnętrzne dane firmy lub informacje faktyczne dostarczane przez autorytatywne źródło.

RAG rozszerza już zaawansowane możliwości LLM na określone domeny lub wewnętrzną bazę wiedzy organizacji, bez potrzeby ponownego trenowania modelu. Architektura RAG zapewnia również ekonomiczne podejście do poprawy i utrzymania odpowiednich, dokładnych i przydatnych wyników LLM.

Przykłady RAG

Poniższe przykłady pokazują sposoby zastosowania lub implementacji wzorca RAG przy użyciu Standardowych przepływów pracy w Azure Logic Apps.

Tworzenie kompleksowej aplikacji sztucznej inteligencji opartej na usłudze RAG za pomocą usługi Azure Logic Apps

Tworzenie kompleksowej aplikacji sztucznej inteligencji opartej na usłudze RAG za pomocą usługi Azure Logic Apps (Standardowa)

Rozmowa z danymi ubezpieczeniowymi

W tym przykładzie użyto klasycznego wzorca RAG, gdzie przepływ pracy pobiera dokumenty i dane z firmy ubezpieczeniowej, aby pracownicy mogli zadawać pytania dotyczące korzyści i opcji zakresu ubezpieczenia. Aby uzyskać więcej informacji, zobacz następujące zasoby:

Automatyzowanie odpowiedzi na pytania dotyczące usługi StackOverflow

W tym przykładzie pokazano, jak przepływ pracy może automatycznie odpowiadać na nowe pytania stackOverflow, które mają określony hashtag przy użyciu łączników azure OpenAI i Wyszukiwanie AI platformy Azure . Próbka może pobierać poprzednie wpisy i dokumentację produktu. Gdy jest dostępne nowe pytanie, rozwiązanie może automatycznie odpowiedzieć przy użyciu bazy wiedzy, a następnie poprosić człowieka o zatwierdzenie odpowiedzi przed opublikowaniem w witrynie StackOverflow.

Możesz dostosować ten przepływ pracy, aby wyzwalać codziennie, co tydzień lub co miesiąc oraz usprawnić obsługę społeczności, konfigurując własny zautomatyzowany system odpowiedzi dla dowolnego hashtagu. Możesz również dostosować to rozwiązanie dla biletów w programie Outlook, usłudze ServiceNow lub innych platformach przy użyciu łączników usługi Azure Logic Apps w celu zapewnienia bezpiecznego dostępu.

Aby uzyskać więcej informacji, zobacz następujące zasoby:

Przetwarzanie dokumentów i interakcja z danymi poprzez czat

Dane są podstawą każdej aplikacji sztucznej inteligencji i są unikatowe dla każdej organizacji. Podczas tworzenia aplikacji sztucznej inteligencji efektywne pozyskiwanie danych ma kluczowe znaczenie dla sukcesu. Niezależnie od tego, gdzie znajdują się dane, możesz zintegrować sztuczną inteligencję z nowymi i istniejącymi procesami biznesowymi, tworząc standardowe przepływy pracy, które używają niewielkiej ilości kodu lub bez niego.

Aby uzyskać dostęp do szerokiej gamy usług, systemów, aplikacji i baz danych oraz wykonywać na nich zadania, wybierz spośród ponad 1 400 konektorów i operacji dla przedsiębiorstw. Jeśli używasz tych łączników z narzędziami Foundry Tools, takimi jak Azure OpenAI i Wyszukiwanie AI platformy Azure, organizacja może przekształcać obciążenia, takie jak następujące:

• Automatyzowanie rutynowych zadań.
• Ulepszanie interakcji z klientami dzięki możliwościom czatu.
• Zapewnij dostęp do danych organizacji w razie potrzeby.
• Generuj inteligentne wnioski lub odpowiedzi.

Na przykład po zintegrowaniu narzędzi Foundry Tools przy użyciu operacji łącznika Azure OpenAI i Wyszukiwanie AI platformy Azure w przepływach pracy twoja organizacja może bezproblemowo zaimplementować wzorzec RAG. RAG minimalizuje koszty przy użyciu systemu wyszukiwania informacji do powoływania się na wiedzę specyficzną dla domeny lub autorytatywną oraz rozszerzania szkolenia modelu LLM bez konieczności ponownego trenowania modelu. Aby uzyskać więcej informacji, zapoznaj się z Retrieval-augmented generation (RAG) oraz następującymi zasobami:

Szybki start z szablonami przepływów pracy AI w Azure Logic Apps

Aby umożliwić integrację sztucznej inteligencji i ułatwić szybkie tworzenie aplikacji, usługa Azure Logic Apps zawiera wstępnie utworzone szablony przepływów pracy, które pozyskują dane z wielu typowych źródeł danych, takich jak SharePoint, Azure File Storage, Blob Storage i Secure File Transfer Protocol (SFTP). Po dodaniu nowego przepływu pracy do aplikacji logiki w warstwie Standard lub Consumption możesz wybrać wstępnie utworzony szablon jako punkt początkowy.

Każdy szablon jest zgodny z typowym wzorcem przepływu pracy, który obsługuje określony scenariusz. Możesz również tworzyć szablony przepływów pracy, które można następnie udostępniać innym deweloperom przepływu pracy, publikując je w repozytorium szablonów usługi GitHub.

W poniższej tabeli opisano przykładowe szablony przepływów pracy:

Aby uzyskać więcej informacji, zobacz następujące zasoby:

Powiązana zawartość

• Analizowanie lub fragmentowanie zawartości dla standardowych przepływów pracy w usłudze Azure Logic Apps
• Nawiązywanie połączenia z narzędziami Foundry z standardowych przepływów pracy w usłudze Azure Logic Apps