IA no Azure Logic Apps: Guia, exemplos e exemplos práticos para fluxos de trabalho com agentes

Aplica-se a: Aplicações Lógicas do Azure (Consumo + Standard)

Este manual introduz formas de construir fluxos de trabalho baseados em IA em Azure Logic Apps com ferramentas Microsoft Foundry como Azure, OpenAI e Pesquisa de IA do Azure. Encontre blocos de construção, exemplos, amostras, laboratórios e vídeos para a sua solução de integração.

Este artigo aborda fluxos de trabalho agentes de IA que automatizam processos empresariais previsíveis e estáveis. Para processos imprevisíveis ou difíceis de definir, veja Azure Logic Apps Automation.

Vai direto ao que precisas:

• Constrói um fluxo de trabalho agente
• Encontre blocos de construção de IA
• Implementar o padrão RAG
• Comece a partir de um modelo de fluxo de trabalho

Fluxos de trabalho agênticos e baseados em modelos de IA

Azure Logic Apps Standard e Consumption suportam fluxos de trabalho que completam tarefas utilizando ciclos de agentes com grandes modelos de linguagem (LLMs). Este ciclo agente utiliza um processo iterativo para resolver problemas complexos e em vários passos. Um LLM é um programa treinado que reconhece padrões e executa trabalhos sem interação humana.

Por exemplo, um LLM pode realizar as seguintes tarefas:

• Analise, interprete e raciocine sobre informações, tais como instruções, mensagens e dados de entrada.
• Tomar decisões com base nos resultados e dados disponíveis.
• Formule e retorne respostas ao prompter com base nas instruções do agente.

Para aplicações de lógica padrão, pode adicionar um fluxo de trabalho do tipo Agentes Autónomos ou Agentes Conversacionais . Esses tipos de fluxo de trabalho criam um fluxo de trabalho parcial que inclui uma ação vazia do Agente. Com base no tipo de fluxo de trabalho selecionado, você pode configurar o agente para trabalhar sem ou com interação humana, o que acontece por meio de uma interface de chat integrada.

O agente usa linguagem natural e o LLM conectado para interpretar instruções previamente fornecidas ou interações humanas em tempo real, respectivamente. O agente também usa saídas geradas por modelo para fazer o trabalho. O modelo ajuda o agente a fornecer os seguintes recursos:

• Aceite informações sobre o papel do agente, como operar e como responder.
• Receba e responda a instruções e solicitações urgentes.
• Processe entradas, analise dados e faça escolhas com base nas informações disponíveis.
• Escolha ferramentas para concluir as tarefas necessárias para atender às solicitações. Em cenários de IA, uma ferramenta é uma sequência com uma ou mais ações que concluem uma tarefa.
• Adapte-se a ambientes que exigem flexibilidade e são fluidos, dinâmicos, imprevisíveis ou instáveis.

Com 1.400+ conectores disponíveis para ajudar a construir ferramentas para os agentes utilizarem, os fluxos de trabalho agenticos suportam muitos cenários que beneficiam muito das capacidades de agentes e modelos.

Para obter mais informações, consulte os seguintes recursos:

Blocos de construção para soluções de IA

Esta seção descreve operações internas e links para a documentação que ajuda a criar fluxos de trabalho padrão para cenários de integração de IA, como ingestão de documentos. Ao usar estas operações, pode "conversar com os dados".

Por exemplo, os conectores Azure OpenAI e Pesquisa de IA do Azure fornecem operações que simplificam os processos de back-end com configuração sem código. Essas operações não exigem nenhum código, lógica ou configuração personalizada para serem usadas.

Essa abordagem sem código reduz a complexidade em torno da integração de recursos de IA em seus fluxos de trabalho. Você pode automatizar fluxos de trabalho complexos para tarefas como análise de documentos, fragmentação de dados ou alimentação de modelos de IA para desbloquear todo o potencial de seus dados com o mínimo de esforço.

Blocos de construção de IA, como operações e conectores integrados, estão disponíveis para fluxos de trabalho de consumo e padrão. Os exemplos, as amostras e os recursos seguintes utilizam fluxos de trabalho padrão a título ilustrativo.

Para obter mais informações, consulte os seguintes recursos:

Prepare o seu conteúdo

As seguintes ações e conectores incorporados ajudam-no a preparar conteúdos para consumo pelo Foundry Tools, ingestão de dados e interações de chat.

Indexação de dados e bases de dados vetoriais

Os conectores a seguir fornecem operações para indexação e recuperação de dados quando você trabalha com bancos de dados vetoriais, pesquisa e bancos de dados padrão.

Mais recursos

Para obter mais informações, consulte os seguintes recursos:

Chat quase em tempo real com dados no Azure Logic Apps

As secções seguintes descrevem formas de configurar capacidades de chat quase em tempo real para os seus dados usando Azure Logic Apps e várias ferramentas Foundry.

Construir assistentes Azure OpenAI com Azure Logic Apps

Ao usar o Azure OpenAI, pode facilmente construir funcionalidades semelhantes a agentes nas suas aplicações usando a API dos Assistentes. Embora a capacidade de criar agentes já existisse, o processo muitas vezes exigia engenharia significativa, bibliotecas externas e várias integrações.

Com os Assistentes, pode agora criar rapidamente copilotos personalizados com estado que são treinados nos seus dados empresariais e podem lidar com diversas tarefas usando os mais recentes modelos do Transformador Pré-treinado Generativo (GPT), ferramentas e conhecimento. A versão atual inclui recursos como ferramentas de Pesquisa e Navegação de Arquivos, recursos aprimorados de segurança de dados, controles aprimorados, novos modelos e suporte expandido a regiões. Esses aprimoramentos facilitam a transição da prototipagem para a produção.

Agora você pode criar Assistentes chamando fluxos de trabalho dos Aplicativos Lógicos do Azure como funções de IA. Você pode descobrir, importar e invocar fluxos de trabalho no Azure OpenAI Studio a partir do playground dos Assistentes OpenAI do Azure sem escrever nenhum código. O playground dos Assistentes enumera e lista todos os fluxos de trabalho na sua subscrição que são qualificados para chamada de função.

Para testar assistentes com chamadas de funções, pode importar fluxos de trabalho como funções de IA usando uma experiência de navegação e seleção. A geração de especificações de função e outras configurações são extraídas automaticamente do Swagger para o seu fluxo de trabalho. A chamada de função invoca fluxos de trabalho com base em solicitações do usuário. Todos os parâmetros apropriados são passados com base na definição.

Para obter mais informações, consulte os seguintes recursos:

Integração com Kernel Semântico

Ao usar este kit de desenvolvimento leve e open-source, pode facilmente construir agentes de IA e integrar os modelos de IA mais recentes na sua base de código em C#, Python ou Java. No nível mais simples, o kernel é um contêiner de injeção de dependência que gerencia todos os serviços e plugins que seu aplicativo de IA precisa executar.

Se você fornecer todos os seus serviços e plugins para o kernel, a IA usa perfeitamente esses componentes conforme necessário. Como componente central, o kernel serve como um middleware eficiente que ajuda você a fornecer rapidamente soluções de nível empresarial.

Para obter mais informações, consulte os seguintes recursos:

Gerencie a coleta e o processamento inteligentes de documentos

Para construir fluxos de trabalho inteligentes de processamento documental, utilize o Azure Document Intelligence no Foundry Tools e no Azure Logic Apps. O conector Document Intelligence fornece operações que ajudam a extrair texto e informações de vários documentos. A Inteligência de Documentos ajuda-o a gerir a velocidade de recolha e processamento de grandes quantidades de dados armazenados em formulários e documentos com uma grande variedade de tipos de dados.

Para obter mais informações, consulte os seguintes recursos:

Geração de recuperação aumentada (RAG)

Modelos de IA generativa ou LLMs como o ChatGPT são treinados para gerar saída para tarefas como responder perguntas e completar frases usando grandes volumes de dados estáticos e bilhões de parâmetros. A geração aumentada de recuperação adiciona recursos de recuperação de informações a um LLM e modifica suas interações para que ele possa responder às consultas do usuário fazendo referência ao conteúdo que aumenta seus dados de treinamento.

Um LLM pode usar o RAG para permitir que chatbots acessem informações específicas do domínio ou atualizadas. A RAG pode ajudá-lo a implementar casos de uso que incorporam dados internos da empresa ou informações factuais fornecidas por uma fonte autorizada.

A RAG estende os recursos já poderosos de um LLM para domínios específicos ou para a base de conhecimento interna de uma organização sem ter que treinar novamente o modelo. A arquitetura RAG também fornece uma abordagem econômica para melhorar e manter a produção LLM relevante, precisa e útil.

Exemplos de RAG

Os exemplos seguintes mostram formas de aplicar ou implementar o padrão RAG utilizando fluxos de trabalho Standard no Azure Logic Apps.

Crie um aplicativo de IA baseado em RAG de ponta a ponta com os Aplicativos Lógicos do Azure

Crie um aplicativo de IA baseado em RAG de ponta a ponta com os Aplicativos Lógicos do Azure (Padrão)

Conversa com dados de seguro

Este exemplo usa um padrão RAG clássico em que um fluxo de trabalho ingere documentos e dados de uma companhia de seguros para que os funcionários possam fazer perguntas sobre seus benefícios e opções de cobertura do plano. Para obter mais informações, consulte os seguintes recursos:

Automatize as respostas às perguntas do StackOverflow

Este exemplo mostra como um fluxo de trabalho pode responder automaticamente a novas perguntas do StackOverflow que têm uma hashtag específica usando os conectores Azure OpenAI e Pesquisa de IA do Azure . A amostra pode ingerir posts anteriores e documentação do produto. Quando uma nova pergunta está disponível, a solução pode responder automaticamente usando a base de conhecimento e, em seguida, pedindo a um humano para aprovar a resposta antes de postar no StackOverflow.

Você pode personalizar esse fluxo de trabalho para acionar diariamente, semanalmente ou mensalmente e simplificar o suporte da comunidade configurando seu próprio sistema de resposta automatizado para qualquer hashtag. Você também pode adaptar esta solução para bilhetes no Outlook, ServiceNow ou outras plataformas, usando conectores de Aplicações Lógicas do Azure para acesso seguro.

Para obter mais informações, consulte os seguintes recursos:

Processar documentos e interagir com dados

Os dados são a pedra angular de qualquer aplicação de IA e são únicos para cada organização. Quando você cria um aplicativo de IA, a ingestão eficiente de dados é fundamental para o sucesso. Não importa onde seus dados residam, você pode integrar a IA em processos de negócios novos e existentes criando fluxos de trabalho padrão que usam pouco ou nenhum código.

Para aceder e executar tarefas com uma vasta gama de serviços, sistemas, aplicações e bases de dados, escolha entre mais de 1.400 conectores e operações empresariais. Quando utiliza estes conectores com ferramentas Foundry como Azure OpenAI e Pesquisa de IA do Azure, a sua organização pode transformar cargas de trabalho da seguinte forma:

• Automatize tarefas de rotina.
• Melhore as interações com os clientes com os recursos de bate-papo.
• Fornecer acesso aos dados organizacionais quando necessário.
• Gere análises ou respostas inteligentes.

Por exemplo, quando integra as Foundry Tools utilizando as operações de conector Azure OpenAI e Pesquisa de IA do Azure nos seus fluxos de trabalho, a sua organização pode implementar o padrão RAG de forma fluida. O RAG minimiza os custos usando um sistema de recuperação de informações para referenciar conhecimentos específicos ou confiáveis do domínio e aumentar o treinamento de um LLM sem ter que treinar novamente o modelo. Para obter mais informações, consulte a geração aumentada de recuperação (RAG) e os seguintes recursos:

Início rápido com modelos de workflow de IA no Azure Logic Apps

Para dar suporte à integração de IA e ajudá-lo a criar rapidamente seus aplicativos, os Aplicativos Lógicos do Azure incluem modelos de fluxo de trabalho pré-criados que ingerem dados de muitas fontes de dados comuns, como SharePoint, Armazenamento de Arquivos do Azure, Armazenamento de Blob e Protocolo de Transferência de Arquivos Seguros (SFTP). Ao adicionar um novo fluxo de trabalho ao seu aplicativo lógico Padrão ou de consumo, você pode selecionar um modelo pré-criado como ponto de partida.

Cada modelo segue um padrão de fluxo de trabalho comum que oferece suporte a um cenário específico. Você também pode criar modelos de fluxo de trabalho que podem ser compartilhados com outros desenvolvedores de fluxo de trabalho publicando-os no repositório de modelos do GitHub.

A tabela a seguir descreve alguns modelos de fluxo de trabalho de exemplo:

Para obter mais informações, consulte os seguintes recursos:

Conteúdos relacionados

• Analisar ou fragmentar conteúdo para fluxos de trabalho padrão em Aplicativos Lógicos do Azure
• Liga-te às Foundry Tools através dos fluxos de trabalho padrão no Azure Logic Apps