Raciocínio do agente no Agente SRE do Azure

Seu agente raciocina sobre problemas em vez de seguir roteiros fixos. Como ele constrói Deep Context a partir do seu código, incidentes passados e infraestrutura, ele raciocina sobre seus sistemas, não genéricos. Na interface de chat, você pode assistir ao grupo coletar evidências, selecionar ferramentas, classificar riscos de ação e explicar seu raciocínio.

O loop de raciocínio

Toda mensagem segue o mesmo ciclo.

O agente primeiro entende sua solicitação e identifica os dados necessários. Depois, ele coleta contexto consultando fontes de dados em paralelo, como logs, métricas, status de recursos, histórico de implantação e memória. Em seguida, ela raciocina sobre as evidências para identificar padrões e formar conclusões. Por fim, age ou responde executando ações seguras, solicitando aprovação para ações arriscadas ou apresentando conclusões.

Se o problema exigir mais trabalho, o loop itera até 10 vezes por turno. Depois disso, seu agente pergunta se deve continuar.

Pensamento adaptável

Para problemas complexos, seu agente mostra seu processo de raciocínio no chat. Uma seção de Pensamento dobrável lista cada etapa com um título descritivo, como "Explorando questões de saúde do Azure" ou "Analisando alertas ativos", e o tempo decorrido.

Seu agente ajusta automaticamente a profundidade do raciocínio. Uma verificação de status obtém uma resposta rápida. Uma falha em várias etapas recebe uma análise mais aprofundada, que correlaciona evidências de diferentes fontes.

Contexto profundo

O raciocínio adaptativo se fortalece quando o agente pode recorrer ao seu ambiente. Contexto profundo é o entendimento acumulado do agente sobre esse ambiente. Ele vem de três fontes de contexto: conectores, conhecimento e memória, e ferramentas de espaço de trabalho. Em vez de começar do zero toda vez, seu agente constrói uma visão mais clara de como seus sistemas funcionam e traz esse contexto para cada ciclo de raciocínio.

Operações de arquivos e comandos de terminal requerem ferramentas de espaço de trabalho. Entre em contato com o administrador do seu agente ou ative-os pela página de Configurações Experimentais no portal. A execução em Python está disponível por padrão através do Interpretador de Código. Quando as ferramentas de workspace são ativadas, a execução em Python é executada pelo sandbox do workspace em vez da sessão padrão do Interpretador de Código.

O contexto profundo não é uma única funcionalidade que você ativa. Ela cresce à medida que essas fontes de contexto trabalham juntas.

Por que o contexto profundo importa

A expertise da sua equipe está em muitos lugares: código-fonte no GitHub, logs no Azure Monitor, configurações em arquivos YAML, runbooks em uma wiki que está desatualizada e conhecimento tribal de engenheiros seniores. Durante um incidente, a parte mais difícil muitas vezes não é raciocinar sobre o problema. Está reunindo contexto suficiente para começar.

Um contexto profundo ajuda ao dar ao seu agente acesso contínuo a essas fontes e uma forma de lembrar o que ele aprende em cada interação.

Connectors

Conectores trazem dados de serviço em tempo real para o loop de raciocínio. Seu agente pode usar fontes conectadas como GitHub, Azure DevOps, Kusto, Azure Monitor e outros serviços para coletar evidências sobre seu ambiente, em vez de depender apenas do conhecimento genérico do Azure.

Alguns conectores também aprimoram a compreensão do agente com o tempo. Quando você conecta um cluster do Azure Data Explorer (Kusto), o agente descobre bancos de dados e tabelas, documenta o esquema de cada tabela, escreve descrições legíveis para humanos e produz uma habilidade de investigação Kusto com orientação de consulta.

Conhecimento e memória

Conhecimento e memória fornecem o contexto duradouro que seu agente carrega nas conversas. Livros de instruções enviados, guias de arquitetura, procedimentos de equipe, habilidades e fatos memorizados ajudam o agente a acompanhar como sua equipe opera.

Seu agente se lembra do que aprende. Após as conversas, extrai aspectos estruturados, como taxas de sucesso das ferramentas, causas raiz, aprendizados-chave, serviços do Azure e sintomas. Esses aspectos se tornam conhecimento persistente para investigações futuras.

No início de cada conversa, seu agente busca na memória por contexto relevante antes de responder.

A geração de insights em segundo plano agrega conversas passadas e outras fontes de dados ativadas. Ele utiliza correspondência semântica para gerar, reconciliar e refinar insights operacionais ao longo do tempo.

Ferramentas de espaço de trabalho

Ferramentas de workspace dão ao seu agente acesso direto ao seu repositório conectado e ao ambiente de execução. Quando você os ativa, o agente pode ler arquivos, pesquisar código, analisar a estrutura do projeto, executar comandos de terminal e executar Python no sandbox do workspace durante uma investigação. A execução em Python está disponível por padrão através do Interpretador de Código.

Quando você conecta um repositório de código, o agente analisa automaticamente sua estrutura de projeto, pilha tecnológica, configurações de implantação e dependências de serviços. Depois, ele abre um PR que adiciona um SREAGENT.md arquivo ao seu repositório.

Você pode adicionar mais contexto a qualquer momento:

• Conecte repositórios: Link GitHub ou Azure Repos para que seu agente possa ler seu código-fonte. Consulte Conectores.
• Carregar documentos de conhecimento: adicionar runbooks, guias de arquitetura e procedimentos de equipe. Consulte Memória e conhecimento.
• Diga ao seu agente para se lembrar: digite #remember no chat para salvar informações que seu agente precisa saber. Consulte Memória e conhecimento.
• Criar habilidades: empacotar procedimentos de solução de problemas com ferramentas. Consulte Habilidades.

Quanto mais conhecimento você fornecer, como runbooks, documentos de arquitetura e procedimentos de equipe, mais relevante se torna o raciocínio. Para obter mais informações, consulte Memória e conhecimento.

Segurança

Você deve habilitar ferramentas de workspace através das Configurações Experimentais antes que o agente possa usar operações de arquivo e comandos de terminal, ou para direcionar a execução em Python para o sandbox do workspace. A execução do Python em si está disponível por padrão através do Interpretador de Código. A execução do código é executada em uma sessão em sandbox ou isolada, dependendo do modo de sandbox configurado, separada do host do agente. Comandos de escrita da CLI do Azure exigem aprovação explícita do usuário antes de serem executados.

Seleção de ferramenta

Com esse contexto, seu agente seleciona as ferramentas com base no problema. Ele começa com todas as ferramentas registradas no agente personalizado atual e, em seguida, filtra por plataforma, usando apenas ferramentas de incidentes para a plataforma de incidentes conectada. Ele filtra ainda mais por lista publicada para incluir apenas as ferramentas que você disponibiliza e se ajusta à medida que novas informações surgem durante a conversa.

Cada agente personalizado tem seu próprio conjunto de ferramentas. Quando o agente delega a um agente personalizado diferente, as ferramentas disponíveis são alteradas automaticamente.

Para obter mais informações sobre as ferramentas disponíveis, consulte Ferramentas.

Execução paralela

Quando seu agente identifica operações independentes, ou seja, ações que não dependem da saída uma da outra, ele as emite simultaneamente em um único turno, em vez de executá-las uma a uma.

Por exemplo, se o agente precisar verificar o status do pod, a integridade do serviço e o histórico de implantação, ele executará os três comandos em paralelo em vez de aguardar a conclusão de cada um antes de iniciar o próximo. Essa abordagem reduz as reviravoltas raciocínicas e acelera as investigações.

Prompts em nível de ferramenta orientam a execução paralela dizendo ao modelo: "Se os comandos forem independentes e puderem rodar em paralelo, faça múltiplas chamadas de ferramenta em uma única mensagem."

Classificação de ação

Seu agente classifica todas as ações antes de serem executadas.

A maneira como o agente lida com cada tipo depende do modo de execução.

Gerenciamento de conversas

Vários mecanismos mantêm as longas conversas no caminho certo.

Cancelamento

Quando você seleciona Parar, seu agente interrompe todas as operações e impede tentativas da tarefa cancelada. Sua próxima mensagem começa do zero, a menos que você modifique explicitamente o pedido cancelado.

Boundaries

O raciocínio tem limites.

Próxima etapa

Conteúdo relacionado

• Análise da causa raiz: investigação profunda com árvores de hipóteses
• Conectores: Conecte código-fonte, recursos do Azure e outras fontes de contexto
• Memória e conhecimento: como seu agente se lembra do contexto entre conversas
• Modos de execução: revisão e comportamento autônomo
• Ferramentas: funcionalidades de ferramentas internas e personalizadas
• Habilidades: procedimentos de investigação específicos do domínio
• Execução de código em Python: Execute Python durante investigações
• Tarefas agendadas: Realizar investigações e verificações recorrentes