O que é o otimizador de agentes? (pré-visualização)

Importante

O Agent Optimizer está atualmente em pré-visualização. Esta pré-visualização é fornecida sem um acordo de nível de serviço, e não a recomendamos para trabalhos em produção. Certas funcionalidades podem não ser suportadas ou podem ter capacidades limitadas. Para mais informações, consulte Termos Suplementares de Utilização para Microsoft Azure Previews.

O otimizador de agentes no Foundry Agent Service melhora automaticamente os prompt agents e os agentes alojados, avaliando o seu comportamento e gerando melhores configurações. Dependendo do tipo de agente, estas configurações podem incluir instruções melhoradas, competências, descrições de ferramentas e seleção de modelos.

Construir agentes de IA eficazes requer um trabalho extensivo de conceção e aperfeiçoamento de prompts. Implementa-se um agente com instruções elaboradas manualmente, testa-se em cenários reais, identificam-se os pontos fracos, revê-se o prompt e repete-se. Este ciclo é lento, subjectivo e não é escalável. O otimizador de agentes automatiza este ciclo para que possas focar-te na lógica central do teu agente.

Tipos de agentes suportados

O otimizador utiliza o mesmo ciclo de melhoria orientado por avaliação para ambos os tipos de agentes, mas a configuração, os objetivos de otimização e a experiência de implementação diferem.

Tipo de agente	O que o otimizador pode melhorar	Como se começa uma corrida
Agente de prompt	Instruções, descrições de ferramentas de chamada de funções e seleção de modelos	Usa o assistente de otimização no portal da Foundry. Não são necessárias alterações de código.
Agente hospedado	Instruções, competências, descrições de ferramentas de chamada de funções e seleção de modelos	Use o Foundry Toolkit, que apoia automaticamente o suporte à otimização, ou prepare o otimizador de agentes e use a CLI do Azure Developer.

Agentes de comando

Para um agente de prompt, o otimizador avalia uma versão selecionada do agente e gera instruções alternativas. Também pode melhorar descrições para ferramentas de chamada de funções e comparar o prompt entre múltiplas implementações de modelos candidatos.

As ferramentas de chamada de funções de prompt-agent funcionam do lado do cliente. O otimizador pode melhorar as descrições de ferramentas e parâmetros que orientam as chamadas de função do modelo, mas não pode avaliar a execução da ferramenta durante a otimização por descrição de ferramentas.

Inicie o assistente de otimização no separador Otimizar do agente, no portal Foundry. O assistente orienta-o na seleção da versão do agente, do conjunto de dados, dos critérios de avaliação e dos modelos de otimização, antes de submeter a execução. Pode gerar um conjunto de dados a partir de vestígios de agentes, selecionar um conjunto de dados existente do Foundry ou carregar um conjunto de dados no assistente.

Quando a execução terminar, compare as alterações nas pontuações, reveja o prompt antes e depois da execução e inspecione os resultados de cada avaliador. Pode então promover um candidato selecionado para uma nova versão de prompt-agent a partir da execução da otimização.

Para uma experiência completa no portal, consulte Início rápido: Otimize um agente de instruções.

Agentes alojados

Para um agente alojado, o otimizador melhora a configuração que o seu código carrega em tempo de execução. O agente precisa do pacote de otimização e de uma configuração de base que exponha as instruções e, opcionalmente, as definições de competências e ferramentas de chamada de funções. O Foundry Toolkit pode suportar automaticamente esta integração. Para o fluxo de trabalho da CLI do Azure Developer, adicione a integração antes de executar o otimizador. O otimizador pode então gerar e avaliar configurações candidatas sem alterar a lógica central do seu agente.

A otimização com agente alojado suporta conjuntos de dados JSONL locais e conjuntos de dados registados no seu projeto Foundry, incluindo conjuntos de dados de avaliação gerados com base em rastreios. Após uma execução, aplique o candidato selecionado à sua configuração local, reveja as alterações e volte a implementar o agente.

Para a experiência de agente hospedado de ponta a ponta, veja Quickstart: Otimizar um agente hospedado.

O fluxo de trabalho de otimização

Ambos os tipos de agentes seguem o mesmo percurso de alto nível:

Selecione a linha base do agente. Escolha a versão prompt-agent ou a configuração hosted-agent com a qual comparar os candidatos.
Selecione um conjunto de dados de avaliação. Use tarefas representativas de um conjunto de dados existente ou carregado. Também pode usar um conjunto de dados registado gerado a partir de vestígios de agentes.
Selecione critérios de avaliação. Escolha avaliadores incorporados ou personalizados que midam os comportamentos que pretende melhorar.
Executa o otimizador. Escolha os objetivos e modelos de otimização disponíveis, e depois gere e avalie candidatos. Para agentes de prompt, reveja a estimativa de custo no portal antes de submeter a execução.
Analise os resultados. Compara as pontuações dos candidatos com a tua base e depois escolhe o melhor candidato. Quando disponível, reveja o uso medido do token após a execução. Veja Compreender resultados de otimização.
Candidate-se ao candidato selecionado. Promover um candidato a prompt-agent para uma nova versão de agente, ou aplicar a configuração do agente hospedado e voltar a implementar.

Os agentes alojados requerem integração de código pronto para otimizadores. O Foundry Toolkit estrutura automaticamente esta integração quando inicia uma otimização. Para o fluxo de trabalho da CLI do Azure Developer, adicione o pacote de otimização e uma configuração base antes de começar. Veja Torne o seu agente pronto para otimização. Os agentes de prompt não requerem esta integração de código.

Como funciona o otimizador de agentes

O otimizador de agentes executa um ciclo fechado de avaliação e melhoria:

Avalie a linha de base. O otimizador invoca o seu agente contra um conjunto de dados de tarefas e avalia cada resposta com critérios que define ou com um conjunto padrão incorporado. A base é a pontuação do seu agente antes de qualquer alteração.
Gerar candidatos. O otimizador produz configurações alternativas chamadas candidatos, como instruções reescritas, competências descobertas, descrições melhoradas de ferramentas ou diferentes seleções de modelos. Os tipos de candidatos disponíveis dependem do tipo de agente.
Avalie os candidatos. O otimizador testa cada candidato contra o mesmo conjunto de dados.
Classifica e recomenda. O otimizador classifica os resultados por pontuação composta, um valor entre 0,0 e 1,0 que representa o desempenho agregado, e marca o melhor candidato com ★ . Depois, aplicas e implementas a opção vencedora.

Todo o processo decorre na cloud. O tempo de execução depende do tamanho do conjunto de dados, do número de candidatos e dos modelos selecionados.

Para agentes alojados, depois de colocares o teu agente preparado para o otimizador, não são necessárias mais alterações ao código de uma execução para outra. load_config() Devolve a sua linha de base normalmente e fornece configuração otimizada durante uma execução sem flags de características ou lógica condicional.

Warning

Durante a otimização, o otimizador avalia o seu agente invocando-o contra todas as tarefas do seu conjunto de dados. Se o seu agente chamar ferramentas externas — como APIs, bases de dados ou serviços de terceiros — essas chamadas são executadas durante cada execução de avaliação. Para evitar efeitos secundários indesejados (cargas, mutações de estado ou limitação de velocidade), considere usar endpoints de teste ou implementações de ferramentas de simulação durante a otimização.

Metas de otimização

Um alvo de otimização é um aspeto específico da configuração do seu agente que o otimizador pode melhorar. Os alvos disponíveis dependem do tipo de agente. Para agentes alojados, o otimizador ativa automaticamente os destinos aplicáveis com base na configuração de referência e nas definições de eval.yaml.

Target	O que o otimizador melhora	Agente de prompt	Agente hospedado
Ajuste de instruções	Reescreve e refina o prompt do sistema para obter uma pontuação mais alta.	Usa a versão selecionada do prompt-agent como linha de base.	Ativa-se quando a linha base tem um `instructions.md` ficheiro.
Melhoria de competências	Refina o corpo de cada habilidade reutilizável sem alterar o seu propósito.	Não suportadas.	Ativa-se quando a linha base tem um `skills/` diretório com `SKILL.md` ficheiros.
Otimização de ferramentas	Melhora as descrições de ferramentas e parâmetros de chamada de funções para que o modelo chame ferramentas com mais precisão. Não altera tipos, padrões ou campos obrigatórios.	Disponível para ferramentas de invocação de funções. Como o cliente executa estas ferramentas, a execução da ferramenta não é avaliada durante a otimização.	Ativa-se quando a linha de base inclui um ficheiro `tools.json`. Apenas ferramentas de chamada de funções são suportadas.
Seleção do modelo	Avalia o agente em múltiplas implementações de modelos para encontrar a melhor relação qualidade-custo.	Selecione modelos candidatos no assistente de otimização.	Adicionar implementações candidatas a `model_search_space` em `eval.yaml`.

Para entradas de referência do agente alojado, veja Prepare o seu agente para o otimizador. Para executar e configurar alvos de agentes hospedados, consulte Otimizar instruções, competências, ferramentas e modelos para agentes.

Models

O otimizador de agentes utiliza dois modelos durante uma execução de otimização. Ambos devem ser implementados no seu projeto Foundry.

Model	Chave de configuração do agente hospedado	Flag CLI do agente hospedado	Função	Modelos suportados
Modelo de avaliação	`eval_model`	`--eval-model`	Pontua as respostas dos agentes em relação aos critérios do conjunto de dados	Qualquer modelo de conclusão de chat (por exemplo, `gpt-4.1-mini`)
Modelo de otimização	`optimization_model`	`--optimize-model`	Gera configurações de candidatos (instruções, competências, ferramentas, seleção de modelos)	`gpt-5`, `gpt-5.1`, `gpt-5.2`, `gpt-5.4`, `gpt-5.5`, `DeepSeek-V4-Pro`, `DeepSeek-V-3.2`

O modelo de avaliação é executado uma vez para cada avaliador, tarefa e avaliação de candidato. Lê a resposta do agente e cada critério, depois devolve uma pontuação binária. O modelo de otimização analisa resultados de base e gera candidatos melhorados entre os alvos configurados, incluindo instruções, competências, ferramentas e modelos. Como se baseia em todo o conjunto de dados, um modelo de otimização mais capaz normalmente produz melhores candidatos.

Nos agentes de prompt, selecione o modelo de avaliação e os modelos candidatos no assistente de otimização. Para agentes alojados, especifique os modelos em eval.yaml ou com flags de CLI. A optimization_model configuração é obrigatória para execuções com agente hospedado. Para os passos de configuração, consulte Escolher os modelos de avaliação e otimização.

Compreender os resultados de otimização

Esta secção explica a tabela de resultados, como é calculada a pontuação composta e como interpretar melhorias.

Dica

Consulte os resultados de otimização no portal Foundry. Aceda ao seu projeto, selecione Agentes, escolha o seu agente e, em seguida, selecione o separador Otimizar para ver comparações de pontuação, alterações de pedidos ou de configuração e detalhes do avaliador.

Para agentes de prompt, uma execução concluída mostra os valores de referência e as pontuações da versão candidata, uma comparação do prompt antes e depois, uma comparação da descrição do modelo e das ferramentas e as pontuações de cada avaliador.

Para os agentes alojados, o CLI também apresenta uma tabela de resultados:

Results:
  Candidate              Score  Eval  Strategy
  ──────────────────── ───────  ────  ────────
  baseline                0.93  View
  candidate_1             0.90  View  skill_policy-reviewer
  candidate_2 ★           0.94  View  skill_policy-reviewer, tools
  candidate_3             0.94  View  skill_policy-reviewer, system_prompt, tools
  candidate_4             0.93  View  skill_policy-reviewer, tools

  Candidate IDs:
      baseline             cand_a8a951...
      candidate_1          cand_8d5c85...
    ★ candidate_2          cand_a0ea2e...
      candidate_3          cand_2ae7bb...
      candidate_4          cand_0f6485...

  Apply the best candidate locally, then deploy:
    azd ai agent optimize apply --candidate cand_a0ea2e...
    azd deploy

Colunas da tabela de resultados

Column	Description
Candidato	Nome da configuração. `baseline` é o teu agente atual antes da otimização.
Banda sonora	Pontuação composta em todas as tarefas e critérios, variando de 0,0 a 1,0.
Eval	Link para o trabalho de avaliação no portal da Foundry.
Estratégia	Alvos de mutação incluídos no candidato, como `skill_policy-reviewer, tools`.

Esta ★ marca o candidato com a pontuação composta mais alta. Este é o candidato recomendado para implementação.

Como são calculadas as pontuações

Cada avaliador no seu conjunto de dados produz uma pontuação bruta para a resposta do agente. O otimizador processa estas pontuações para produzir a pontuação composta mostrada nos resultados:

Reescala: A pontuação bruta de cada avaliador é reescalada para 0–1.
Inverta se necessário: Se um avaliador estiver configurado para que menor seja melhor, a pontuação é invertida para que todos os avaliadores usem a semântica "mais alto é melhor".
Média: As pontuações reescaladas entre todos os avaliadores e tarefas são médias para produzir a pontuação composta.

Pontuação composta: A média de todas as pontuações reescaladas dos avaliadores em todas as tarefas.

Interpretar melhorias nas pontuações

Melhoria	Interpretação
Menos de 0,03	Ruído. Não é uma melhoria significativa.
0,03 a 0,10	Melhoria moderada. Vale a pena implementar.
0,10 a 0,20	Melhoria significativa.
Superior a 0,20	Grande melhoria. Provavelmente por causa de uma linha de base fraca.

Vantagens e desvantagens dos tokens

As instruções otimizadas são frequentemente mais longas e detalhadas, o que pode aumentar o uso de tokens de resposta. Considere estes fatores:

Se o aumento do token é proporcional à melhoria da pontuação
Se o aumento de custo se enquadra no seu orçamento
Se as respostas são desnecessariamente verbosas ou se o texto adicional acrescenta valor

Para obter mais detalhes sobre o intervalo de custos antes da execução e a utilização medida após a execução, consulte estimativas de custo e utilização de tokens do otimizador de agente.

Limitações e disponibilidade

O otimizador de agentes suporta agentes de prompt e agentes hospedados durante a pré-visualização.
A otimização entre prompt e agente começa no portal Foundry. Pode promover um candidato selecionado para uma nova versão de agente a partir da execução concluída.
A otimização por agentes hospedados está disponível em todas as regiões onde há agentes hospedados, exceto na Noruega Leste.
A otimização por agente hospedado requer o protocolo Responses.

Comentários

Esta página foi útil?

Last updated on 2026-08-13