Nota
O acesso a esta página requer autorização. Pode tentar iniciar sessão ou alterar os diretórios.
O acesso a esta página requer autorização. Pode tentar alterar os diretórios.
A Geração Aumentada de Obtenção (RAG) no Microsoft Copilot Studio combina as capacidades de raciocínio dos modelos de linguagem com conhecimento fiável e específico da organização. Permite que os agentes gerem respostas precisas, contextuais e fundamentadas com base no conteúdo da organização, em vez de dependerem exclusivamente da memória do modelo.
Neste artigo, irá saber como:
- Compreenda como o RAG melhora a fiabilidade e a fundamentação da IA.
- Descreva como o Copilot Studio obtém e sintetiza conhecimento.
- Identifique as fontes de conhecimento suportadas e as suas restrições.
- Reconhecer as considerações de governação, conformidade e segurança da IA.
- Aplique os conceitos RAG ao conceber agentes em ambientes empresariais.
Introdução ao RAG
RAG é um padrão de design que melhora a precisão da IA ao combinar duas capacidades:
- Obtenção de informações: Pesquisa em origens de dados empresariais.
- Geração de texto: Sintetiza as informações obtidas utilizando um modelo de linguagem.
Esta abordagem reduz informações incorretas, aumenta a confiança e gera respostas fundamentadas em conteúdo real da organização.
Arquitetura RAG no Copilot Studio
O pipeline RAG do Copilot Studio baseia-se em serviços Azure AI e integra-se estreitamente com os limites de confiança, conformidade e segurança da Microsoft.
Componentes centrais:
- Runtime do Copilot Studio: gere o pipeline conversacional
- Motor de otimização de consultas: Reescreve e interpreta consultas
- Fornecedores de pesquisa: Bing, SharePoint, Graph, Dataverse, Pesquisa de IA do Azure
- Motor de resumo: Cria respostas fundamentadas e com citações
- Camadas de moderação: Valida mensagens e resumos
- Estado do arquivo: memória de curto prazo (menos de 30 dias; não utilizada para preparação)
- Arquivos de comentários e telemetria: fornece informações e supervisão
Como o RAG funciona no Copilot Studio
O RAG no Copilot Studio segue um processo de quatro passos:
- Reformulação de consultas
- Obtenção de conteúdos
- Resumo e geração de respostas
- Validação de segurança e governação
1. Reformulação de consultas
O Copilot Studio otimiza a questão do utilizador antes de pesquisar:
- Esclarece o significado
- Adiciona sinais contextuais (últimos 10 turnos)
- Melhora a correspondência de palavras-chave
- Gera consultas otimizadas para pesquisa
Este processo aumenta a qualidade da obtenção e reduz resultados irrelevantes.
2. Obtenção de conteúdos
Após a reescrita da consulta, o sistema executa-a em todas as fontes de conhecimento configuradas. O Copilot Studio obtém os três melhores resultados de cada fonte, equilibrando relevância com desempenho. O comportamento de cada fonte de conhecimento varia dependendo de fatores como autenticação, indexação, formatos de ficheiros e restrições de armazenamento.
A tabela seguinte resume todas as fontes de conhecimento suportadas, respetivas capacidades, restrições e requisitos de autenticação:
| Fonte de conhecimento | Descrição | Autenticação | Principais capacidades, limites e restrições |
|---|---|---|---|
| Dados públicos (sites) | Sites indexados pelo Bing | Nenhum |
|
| SharePoint / OneDrive | Conteúdo interno da empresa (apenas interno) | Autenticação delegada do Microsoft Entra ID |
|
| Ficheiros carregados | Ficheiros carregados no armazenamento do Dataverse | Nenhum |
|
| Tabelas do Dataverse | Registos empresariais estruturados (apenas para uso interno) | Autenticação delegada do Microsoft Entra ID |
|
| Conectores do Graph | Aplicações empresariais indexadas no Microsoft Graph (apenas para uso interno) | Autenticação delegada do Microsoft Entra ID |
|
| Conectores em tempo real | Dados dinâmicos provenientes de sistemas como Salesforce, Zendesk, SQL (apenas para uso interno) | O Utilizador tem de ter sessão iniciada |
|
| Pesquisa de IA do Azure | Pesquisa semântica baseada em vetores | Ponto final configurado |
|
| Dados personalizados | Dados fornecidos através de APIs, fluxos ou lógica personalizada | Nenhum |
|
3. Resumo e geração de respostas
- A IA sintetiza conteúdos obtidos
- Aplica instruções personalizadas para tom, formatação, segurança ou brevidade
- Gera citações dos dados subjacentes
- Personaliza as respostas usando o contexto do utilizador (como idioma, departamento ou região)
4. Validação de segurança e governação
Cada resposta passa por camadas automatizadas de validação:
- Moderação de respostas prejudiciais, maliciosas, não conformes ou protegidas por direitos de autor
- Validação de fundamento e remoção de informações incorretas
Nenhum dado de cliente é utilizado para preparar modelos de linguagem.
Considerações-chave ao utilizar o RAG
O RAG funciona melhor para perguntas e respostas factuais, não para análises documentais profundas.
O RAG é ideal para:
- Responder a perguntas de bases de dados de conhecimento
- Resumir políticas, FAQ e conteúdo processual
- Obter factos específicos de ficheiros ou sistemas internos
O RAG não se destina a:
- Comparação completa de documentos
- Avaliação de conformidade com a política
- Racionalização complexa sobre documentos longos e não estruturados
Considerações de segurança e conformidade da IA generativa
As funcionalidades de IA generativa no Microsoft Copilot Studio foram concebidas para oferecer capacidades poderosas de conversação e raciocínio, mantendo controlos sólidos de segurança, privacidade e conformidade.
Modelos de base e alojamento
- O Copilot Studio baseia-se em modelos de base preparados pela OpenAI.
- O Copilot Studio utiliza um dos modelos OpenAI mais recentes para respostas generativas.
- Os modelos são executados inteiramente nos serviços internos da Azure AI Foundry, em conformidade com o limite de confiança dos Serviços Microsoft.
- Toda a utilização de modelos cumpre os Princípios de IA Responsável da Microsoft e as políticas.
Instruções personalizadas
Os criadores podem fornecer instruções personalizadas para moldar o comportamento do modelo, influenciar o tom ou adicionar regras de formatação. Estas instruções ajudam a adaptar as respostas generativas às necessidades da organização, respeitando ao mesmo tempo os filtros de segurança e os controlos de conformidade.
Armazenamento e processamento de dados
- O armazenamento e processamento de dados no Copilot Studio pode transferir dados entre diferentes regiões quando não houver alojamento de modelos local disponível.
- Quando essa transferência de dados não é permitida, os administradores podem usar as definições do ambiente para desativar funcionalidades específicas, como modelos de linguagem do Azure ou Pesquisa do Bing.
- O Copilot Studio não recolhe nem utiliza dados dos clientes para preparar modelos de linguagem.
Processamento de dados operacionais
- Durante a operação, o sistema armazena temporariamente as conversas num arquivo seguro, operado pela Microsoft.
- O acesso do pessoal autorizado da Microsoft é restringido através de Estações de Trabalho de Acesso Seguro (SAWs) com controlos Just-In-Time (JIT).
- As organizações podem controlar ainda mais o acesso através do Sistema de Proteção de Dados do Cliente, exigindo aprovação explícita antes de os engenheiros de suporte da Microsoft poderem ver os dados.
Resolução de problemas de telemetria
- As funcionalidades de IA generativa geram dados adicionais de resolução de problemas, mas apenas para ações iniciadas pelo criador no Painel de teste, especificamente quando o criador dá um sinal de polegar para cima ou de polegar para baixo para uma resposta.
- Não são registados dados adicionais de clientes fora deste ciclo de feedback explícito.
Monitorização de abusos e segurança
Uma vez que as funcionalidades de IA generativa já estão protegidas por várias camadas de segurança, a IA generativa do Copilot Studio desativa a monitorização de abusos do Azure AI para evitar registos adicionais dos dados dos clientes.