Rozumowanie agenta w agencie usługi Azure SRE

Twój agent rozwiązuje problemy poprzez rozumowanie, zamiast podążać za sztywnymi skryptami. Ponieważ buduje Deep Context na podstawie twojego kodu, wcześniejszych incydentów i infrastruktury, rozumuje na podstawie twoich systemów, a nie ogólnych. W interfejsie czatu możesz obserwować, jak zbiera dowody, wybiera narzędzia, klasyfikuje ryzyko działania i wyjaśnia swoje myślenie.

Pętla rozumowania

Każda wiadomość powtarza tę samą pętlę.

Zrzut ekranu przedstawiający przepływ rozumowania agenta: zrozumienie żądania, zebranie kontekstu, rozumowanie, a następnie działanie lub odpowiedź. Może powtarzać się do 10 razy.

Agent najpierw rozumie Twoje żądanie i identyfikuje potrzebne dane. Następnie zbiera kontekst, odpytując źródła danych równolegle, takie jak logi, metryki, stan zasobów, historia wdrożeń i pamięć. Następnie analizuje dowody, aby zidentyfikować wzorce i wyciągnąć wnioski. Wreszcie działa lub reaguje, wykonując bezpieczne działania, prosząc o zgodę na ryzykowne działania lub przedstawiając ustalenia.

Jeśli problem wymaga więcej pracy, pętla iteruje do 10 razy na kolei. Następnie agent pyta, czy kontynuować.

Myślenie adaptacyjne

W przypadku złożonych problemów agent pokazuje swoje uzasadnienie na czacie. Składana sekcja Myślenie zawiera listę każdego kroku z opisowym tytułem, takim jak "Eksploracja problemów zdrowotnych Azure" lub "Analiza aktywnych alertów", oraz upływem czasu.

Zrzut ekranu przedstawiający myślenie adaptacyjne i krok rozumowania.

Twój agent automatycznie dostosowuje głębię rozumowania. Sprawdzanie stanu pobiera szybką odpowiedź. Wieloetapowa awaria wymaga głębszego rozumowania, które koreluje dowody między różnymi źródłami.

Kontekst głęboki

Rozumowanie adaptacyjne staje się silniejsze, gdy agent może czerpać z twojego otoczenia. Głęboki kontekst to zgromadzone przez agenta zrozumienie tego środowiska. Pochodzi z trzech źródeł kontekstowych: łączników, wiedzy i pamięci oraz narzędzi do pracy w przestrzeni roboczej. Zamiast zaczynać od zera za każdym razem, twój agent buduje jaśniejszy obraz działania systemów i wprowadza ten kontekst do każdej pętli rozumowania.

Wskazówka

  • Głęboki kontekst pomaga agentowi rozumować na podstawie kodu, infrastruktury i historii operacyjnej, a nie tylko ogólnej wiedzy Azure.
  • Pochodzi z trzech źródeł kontekstowych: łączników, wiedzy i pamięci oraz narzędzi do pracy w przestrzeni roboczej.
  • Połączone repozytoria kodu źródłowego pozwalają agentowi czytać, wyszukiwać i nawigować po bazie kodu, gdy narzędzia workspace są włączone.

Operacje z plikami i polecenia terminalowe wymagają narzędzi do przestrzeni roboczej. Skontaktuj się z administratorem swojego agenta lub włącz go przez stronę Ustawień Eksperymentalnych w portalu. Uruchamianie kodu w Pythonie jest domyślnie dostępne za pośrednictwem Code Interpreter. Gdy narzędzia obszaru roboczego są włączone, wykonywanie kodu Python odbywa się za pośrednictwem piaskownicy obszaru roboczego zamiast domyślnej sesji Code Interpreter.

Kontekst głęboki nie jest jedną włączoną funkcją. Rośnie, gdy te źródła kontekstu współpracują.

Źródło kontekstu Co zapewnia Jak go dodać
Łączniki Dane w czasie rzeczywistym z GitHub, Azure DevOps, Kusto, Azure Monitor i innych usług Połącz źródła danych usług. Zobacz Łączniki.
Wiedza i pamięć Przesłane runbooki, dokumentacja architektury, procedury zespołu, preferencje użytkowników oraz informacje z poprzednich rozmów Przesyłaj wiedzę, rozwijaj umiejętności lub każ agentowi, żeby pamiętał fakty. Zobacz Pamięć i wiedza.
Narzędzia do pracy Bezpośredni dostęp do odczytu, wyszukiwania i analizy kodu źródłowego, uruchamiania poleceń terminala oraz uruchamiania sandboxowanego Pythona Podłącz repozytorium i włącz narzędzia do przestrzeni roboczej w Ustawieniach Eksperymentalnych.

Dlaczego kontekst głęboki ma znaczenie

Wiedza Twojego zespołu znajduje się w wielu miejscach: kod źródłowy na GitHubie, logi w Azure Monitor, konfiguracje w plikach YAML, procedury operacyjne w wiki, która z czasem przestaje być aktualna, oraz nieformalna wiedza bardziej doświadczonych inżynierów. Podczas incydentu najtrudniejsze często nie jest analizowanie problemu. To zbieranie wystarczającego kontekstu, by zacząć.

Głęboki kontekst pomaga, dając agentowi stały dostęp do tych źródeł i sposób na zapamiętywanie tego, czego nauczył się z każdej interakcji.

Connectors

Konektory wprowadzają dane usługi na żywo do pętli rozumowania. Twój agent może korzystać z połączonych źródeł, takich jak GitHub, Azure DevOps, Kusto, Azure Monitor i innych usług, aby zbierać dowody dotyczące Twojego środowiska, zamiast polegać wyłącznie na ogólnej wiedzy Azure.

Niektóre łączniki z czasem również wyostrzają zrozumienie agenta. Gdy podłączasz klaster Azure Data Explorer (Kusto), agent wykrywa bazy danych i tabele, dokumentuje schemat każdej tabeli, pisze czytelne opisy i tworzy umiejętność badania Kusto z nawigacją zapytania.

Wiedza i pamięć

Wiedza i pamięć zapewniają trwały kontekst, który agent niesie ze sobą w rozmowach. Przesłane runbooki, przewodniki architektoniczne, procedury zespołowe, umiejętności i zapamiętane fakty pomagają agentowi zrozumieć sposób pracy twojego zespołu.

Agent pamięta to, czego się uczy. Po rozmowach wyodrębnia strukturalne aspekty, takie jak wskaźniki skuteczności narzędzi, przyczyny źródłowe, kluczowe wnioski, usługi Azure oraz objawy. Te aspekty stają się trwałą wiedzą do przyszłych badań.

Na początku każdej rozmowy agent szuka w pamięci odpowiedniego kontekstu, zanim odpowie.

To, z czego czerpie Jak poprawia to rozumowanie
Szczegółowe informacje o sesji Uczy się na podstawie wcześniejszych rozmów i innych źródeł danych
Podobne wzorce objawów Rozpoznaje powtarzające się wzorce i szybciej rozwiązuje prawdopodobne przyczyny
Przesłane runbooki i dokumenty Postępuj zgodnie z procedurami swojego zespołu zamiast udzielania ogólnych porad
Preferencje użytkownika Zapamiętuje kontekst środowiskowy i preferencje dotyczące odpowiedzi.

Generowanie analiz w tle agreguje wcześniejsze rozmowy i inne włączone źródła danych. Wykorzystuje dopasowywanie semantyczne do generowania, uzgadniania i udoskonalania informacji operacyjnych w czasie.

Narzędzia obszaru roboczego

Narzędzia workspace dają agentowi bezpośredni dostęp do połączonego repozytorium i środowiska wykonawczego. Gdy je włączysz, agent może czytać pliki, przeszukiwać kod, analizować strukturę projektu, wykonywać polecenia w terminalu i wykonywać kod w języku Python w piaskownicy obszaru roboczego podczas badania. Poza tym uruchamianie Pythona jest domyślnie dostępne za pośrednictwem Code Interpreter.

Gdy podłączasz repozytorium kodu, agent automatycznie analizuje jego strukturę projektu, stos technologii, konfiguracje wdrożeń oraz zależności usług. Następnie otwiera PR, który dodaje plik SREAGENT.md do twojego repozytorium.

W dowolnym momencie możesz dodać więcej kontekstu:

  • Połącz repozytoria: Połącz z GitHub lub Azure Repos, aby twój agent mógł odczytywać twój kod źródłowy. Zobacz Łączniki.
  • Przekazywanie dokumentów wiedzy: dodawanie elementów Runbook, przewodników dotyczących architektury i procedur zespołu. Zobacz Pamięć i wiedza.
  • Powiedz swojemu agentowi, żeby pamiętał: wpisz #remember w czat, aby zapisać fakty, które Twój agent powinien znać. Zobacz Pamięć i wiedza.
  • Tworzenie umiejętności: Tworzenie procedur rozwiązywania problemów z pakietami za pomocą narzędzi. Zobacz Umiejętności.

Im więcej wiedzy dostarczasz, takich jak podręczniki operacyjne, dokumentacja architektury czy procedury zespołowe, tym bardziej istotne staje się rozumowanie. Aby uzyskać więcej informacji, zobacz Pamięć i wiedza.

Zabezpieczenia

Musisz włączyć narzędzia obszaru roboczego w sekcji Experimental Settings, zanim agent będzie mógł używać operacji na plikach i poleceń terminalowych oraz przekierowywać wykonywanie kodu Python do piaskownicy obszaru roboczego. Samo uruchamianie języka Python jest domyślnie dostępne za pośrednictwem Code Interpretera. Wykonywanie kodu działa w sesji sandboxowej lub izolowanej, w zależności od skonfigurowanego trybu sandboxowego, oddzielnie od hosta agenta. Polecenia zapisu Azure CLI wymagają wyraźnej zgody użytkownika przed uruchomieniem.

Wybór narzędzia

Biorąc pod uwagę ten kontekst, agent wybiera narzędzia na podstawie problemu. Rozpoczyna się od wszystkich narzędzi zarejestrowanych w bieżącym agencie dostosowanym, a następnie filtruje według platformy, używając wyłącznie narzędzia incydentów dla połączonej platformy incydentów. Dodatkowo filtruje według opublikowanej listy, aby uwzględnić tylko narzędzia, które udostępniasz, i dostosowuje się w miarę pojawiania się nowych informacji podczas konwersacji.

Każdy agent niestandardowy ma własny zestaw narzędzi. Gdy twój agent przekazuje zadania do innego niestandardowego agenta, dostępne narzędzia zmieniają się automatycznie.

Aby uzyskać więcej informacji na temat dostępnych narzędzi, zobacz Narzędzia.

Równoległe wykonanie

Gdy agent identyfikuje niezależne operacje, czyli akcje, które nie zależą od wyników innych, wykonuje je jednocześnie w jednej turze, zamiast uruchamiać je pojedynczo.

Na przykład, jeśli agent musi sprawdzić status poda, kondycję usługi i historię wdrożenia, uruchamia wszystkie trzy polecenia równolegle zamiast czekać na ukończenie każdego z nich przed rozpoczęciem następnego. Takie podejście zmniejsza liczbę zwrotów w rozumowaniu i przyspiesza śledztwa.

Prompty na poziomie narzędzi kierują wykonywaniem równoległym, mówiąc modelowi: "Jeśli polecenia są niezależne i mogą działać równolegle, wykonaj wiele wywołań narzędzi w jednym komunikatie."

Klasyfikacja akcji

Twój agent klasyfikuje każdą akcję przed jej uruchomieniem.

Klasyfikacja Zachowanie Examples
Bezpieczne Wykonuje natychmiast Wykonywanie zapytań dotyczących dzienników, sprawdzanie stanu zasobu, wyświetlanie listy wdrożeń
Ostrożny Wykonuje z krótkim wyjaśnieniem Wysyłanie wiadomości e-mail, publikowanie wiadomości w usłudze Teams
Destrukcyjny Wymaga potwierdzenia Ponowne uruchamianie aplikacji, skalowanie zasobów, modyfikowanie konfiguracji

Sposób obsługi poszczególnych typów przez agenta zależy od trybu działania.

Tryb działania Bezpieczny Ostrożny Destrukcyjny
Wykonaj przegląd Wykonuje Wykonuje Prosi o zatwierdzenie
Autonomiczne Wykonuje Wykonuje Wykonuje

Zarządzanie konwersacjami

Kilka mechanizmów utrzymuje długie rozmowy na właściwym torze.

Mechanizm Do czego służy
Zagęszczanie Gdy konwersacje będą trwać długo, agent podsumowuje wcześniejszy kontekst, zachowując kluczowe wyniki. Tę akcję można wyzwolić ręcznie za pomocą /compact polecenia .
Automatyczne ponawianie prób Jeśli przerwa w usługach wystąpi w trakcie odpowiedzi, agent automatycznie próbuje ponownie.
Obsługa błędów Jeśli model napotka tymczasowy problem, agent wyświetla wyraźny komunikat ("model tymczasowo doświadcza problemów") zamiast ogólnego błędu wewnętrznego.

Anulowanie

Po wybraniu Stop agent zatrzymuje wszystkie operacje i zapobiega powtórkom anulowanego zadania. Twoja następna wiadomość zaczyna się od nowa, chyba że wyraźnie zmodyfikujesz anulowaną prośbę.

Boundaries

Rozumowanie ma swoje granice.

Jakie rozumowanie ma Co nie robi
Zbiera dowody z wielu źródeł równolegle Gwarantuj znalezienie przyczyny, gdy dowody są niewystarczające
Klasyfikuje akcje i szanuje tryb uruchamiania Automatyczne korygowanie bez potwierdzenia w trybie przeglądu
Wyjaśnia swój myślenie krok po kroku Udostępnianie metodologii badania między niezależnymi agentami
Dostosowuje głębokość rozumowania do złożoności problemu Zastępowanie ludzkiego osądu dla krytycznych decyzji

Następne kroki

Eksplorowanie placu zabaw agenta

Treści powiązane

  • Last updated on