Vad är agentoptimeraren? (förhandsversion)

Important

Agentoptimeraren är för närvarande i förhandsversion. Den här förhandsversionen tillhandahålls utan ett serviceavtal och vi rekommenderar det inte för produktionsarbetsbelastningar. Vissa funktioner kanske inte stöds eller kan vara begränsade. Mer information finns i Kompletterande villkor för användning av Microsoft Azure-förhandsversioner.

Agentoptimeraren i Foundry Agent Service förbättrar automatiskt promptagenter och värdbaserade agenter genom att utvärdera deras beteende och generera bättre konfigurationer. Beroende på agenttyp kan dessa konfigurationer innehålla förbättrade instruktioner, färdigheter, verktygsbeskrivningar och val av modell.

Att skapa effektiva AI-agenter kräver omfattande snabbteknik. Du distribuerar en agent med handgjorda instruktioner, testar den mot verkliga scenarier, identifierar svagheter, ändrar prompten och upprepar. Den här loopen är långsam, subjektiv och skalas inte. Agentoptimeraren automatiserar den här cykeln så att du kan fokusera på agentens kärnlogik.

Agenttyper som stöds

Optimeraren använder samma utvärderingsdrivna förbättringsloop för båda agenttyperna, men konfigurations-, optimerings- och distributionsupplevelsen skiljer sig åt.

Agenttyp	Vad optimeraren kan förbättra	Så här startar du en körning
Uppmana agenten	Instruktioner, beskrivningar av funktionsanropsverktyget och modellval	Använd optimeringsguiden i Foundry-portalen. Inga kodändringar krävs.
Hostad agent	Instruktioner, färdigheter, beskrivningar av funktionsanropsverktyg och modellval	Använd Foundry Toolkit, som automatiskt lägger till stöd för optimering, eller gör agenten redo för optimering och använd Azure Developer CLI.

Aktivera agenter

För en promptagent utvärderar optimeraren en vald agentversion och genererar alternativa instruktioner. Det kan också förbättra beskrivningarna för funktionsanropsverktyg och jämföra uppmaningen mellan flera distributioner av kandidatmodeller.

Funktionsanropsverktyg för prompt-agent körs på klientsidan. Optimeraren kan förbättra verktygs- och parameterbeskrivningarna som vägleder modellens funktionsanrop, men den kan inte utvärdera verktygskörningen under optimeringen av verktygsbeskrivningen.

Starta optimeringsguiden från agentens fliken Optimera i Foundry-portalen. Guiden leder dig genom processen att välja agentversionen, datauppsättningen, utvärderingskriterier och optimeringsmodeller innan du skickar in körningen. Du kan generera en datauppsättning från agentspårningar, välja en befintlig Foundry-datauppsättning eller ladda upp en datauppsättning i guiden.

När körningen är klar jämför du ändringar i poängen, granskar prompten före och efter och granskar resultat för varje utvärderare. Du kan sedan höja upp en vald kandidat till en ny prompt-agent-version från optimeringskörningen.

För hela portalupplevelsen, se Snabbstart: Optimera en prompt-agent.

Hostade agenter

För en värdbaserad agent förbättrar optimeraren den konfiguration som din kod läser in vid körning. Agenten behöver optimeringspaketet och en baslinjekonfiguration som visar instruktionerna och, om du vill, kunskaper och funktionsanropsverktygsdefinitioner. Foundry Toolkit kan automatiskt skapa den här integreringen. För cli-arbetsflödet Azure Developer lägger du till integreringen innan du kör optimeringen. Optimeraren kan sedan generera och utvärdera kandidatkonfigurationer utan att ändra agentens kärnlogik.

Optimering av värdbaserad agent stöder lokala JSONL-datauppsättningar och datauppsättningar som registrerats i ditt Foundry-projekt, inklusive utvärderingsdatauppsättningar som genererats från spårningar. När en körning har slutförts, tillämpa det valda alternativet på din lokala konfiguration, granska ändringarna och driftsätt agenten på nytt.

Mer information om den heltäckande upplevelsen för en hostad agent finns i Snabbstart: Optimera en hostad agent.

Arbetsflödet för optimering

Båda agenttyperna följer samma övergripande väg:

Välj agentbaslinjen. Välj den prompt-agent-version eller konfiguration av värdbaserad agent som du jämför kandidater med.
Välj en utvärderingsdatauppsättning. Använd representativa uppgifter från en befintlig eller uppladdad datauppsättning. Du kan också använda en registrerad datauppsättning som genererats från agentspårningar.
Välj utvärderingsvillkor. Välj inbyggda eller anpassade utvärderare som mäter de beteenden som du vill förbättra.
Kör optimeraren. Välj tillgängliga optimeringsmål och modeller och generera och utvärdera sedan kandidater. När du använder promptagenter, granska kostnadsuppskattningen i portalen innan du skickar in körningen.
Granska resultaten. Jämför kandidatpoängen mot baslinjen och välj sedan den bästa kandidaten. När det finns tillgängligt, granska den uppmätta tokenanvändningen efter körningen. Se Förstå optimeringsresultat.
Använd den valda kandidaten. Höj upp en prompt-agent-kandidat till en ny agentversion eller tillämpa konfigurationen hosted-agent och omdistribuera.

Hostade agenter kräver optimeringsklar kodintegration. Foundry Toolkit skapar automatiskt den här integreringen när du startar en optimering. För cli-arbetsflödet Azure Developer lägger du till optimeringspaketet och en baslinjekonfiguration innan du börjar. Se Gör agenten redo för optimering. Prompt-agenter kräver inte den här kodintegrering.

Så här fungerar agentoptimeraren

Agentoptimeraren kör en utvärderings- och förbättringscykel med sluten loop:

Utvärdera baslinjen. Optimeraren anropar din agent mot en datauppsättning med uppgifter och poängsätter varje svar mot kriterier som du definierar eller en inbyggd standarduppsättning. Utgångsvärdet är agentens poäng innan några ändringar görs.
Generera kandidater. Optimeraren skapar alternativa konfigurationer som kallas kandidater, till exempel omskrivna instruktioner, identifierade färdigheter, förbättrade verktygsbeskrivningar eller olika modellval. Tillgängliga kandidattyper beror på agenttypen.
Utvärdera kandidater. Optimeraren testar varje kandidat mot samma datauppsättning.
Rangordna och rekommendera. Optimeraren rangordnar resultat efter sammansatt poäng, ett värde mellan 0,0 och 1,0 som representerar aggregerade prestanda och markerar den bästa kandidaten med ★ . Sedan ansöker och distribuerar du vinnaren.

Hela processen körs i molnet. Körningstiden beror på datamängdens storlek, antalet kandidater och de valda modellerna.

För värdagenter behövs inga ytterligare kodändringar mellan körningar när du har gjort agenten redo för optimering. load_config() returnerar baslinjen normalt och tillhandahåller optimerad konfiguration under en körning utan funktionsflaggor eller villkorsstyrd logik.

Varning

Under optimeringen utvärderar optimeraren din agent genom att anropa den mot varje uppgift i datauppsättningen. Om din agent anropar externa verktyg, till exempel API:er, databaser eller tjänster från tredje part, körs dessa anrop under varje utvärderingskörning. För att undvika oavsiktliga bieffekter (avgifter, ändringar av tillstånd eller begränsning av anropsfrekvens) bör du överväga att använda teständpunkter eller mocka verktygsimplementationer under optimeringen.

Optimeringsmål

Ett optimeringsmål är en specifik aspekt av agentens konfiguration som optimeraren kan förbättra. Tillgängliga mål beror på agenttypen. För värdbaserade agenter aktiverar optimeraren automatiskt tillämpliga mål från baslinjekonfigurationen och eval.yaml inställningarna.

Target	Vad optimeraren förbättrar	Snabb agent	Värdbaserad agent
Instruktionsjustering	Skriver om och förfinar systemprompten för att få högre poäng.	Använder den valda prompt-agent-versionen som baslinje.	Aktiveras när baslinjen har en `instructions.md` fil.
Kompetensförbättring	Förfinar innehållet i varje återanvändbar färdighet utan att ändra dess syfte.	Stöds inte.	Aktiveras när baslinjen har en `skills/` katalog med `SKILL.md` filer.
Verktygsoptimering	Förbättrar funktionsanropsverktyget och parameterbeskrivningarna så att modellen anropar verktygen mer exakt. Den ändrar inte typer, standardvärden eller obligatoriska fält.	Tillgänglig för verktyg för funktionsanrop. Eftersom klienten kör dessa verktyg utvärderas inte verktygskörningen under optimeringen.	Aktiveras när baslinjen har en `tools.json` fil. Endast verktyg för funktionsanrop stöds.
Val av modell	Utvärderar agenten över flera modelldriftsättningar för att hitta den bästa avvägningen mellan kvalitet och kostnad.	Välj kandidatmodeller i optimeringsguiden.	Lägg till kandidatdriftsättningar i `model_search_space` i `eval.yaml`.

För grundindata för värdbaserade agenter, se Gör din agent redo för optimering. Information om hur du kör och konfigurerar värdbaserade agentmål finns i Optimera agentinstruktioner, färdigheter, verktyg och modeller.

Modeller

Agentoptimeraren använder två modeller under en optimeringskörning. Båda måste distribueras i ditt Foundry-projekt.

Modell	Konfigurationsnyckel för värdbaserad agent	CLI-flagga för värdhanterad agent	Befattning	Modeller som stöds
Eval-modell	`eval_model`	`--eval-model`	Poängsätter agentsvar mot kriterier i datauppsättningen	Valfri modell för chattens slutförande (till exempel `gpt-4.1-mini`)
Optimeringsmodell	`optimization_model`	`--optimize-model`	Genererar kandidatkonfigurationer (instruktioner, färdigheter, verktyg, modellval)	`gpt-5`, `gpt-5.1`, `gpt-5.2`, `gpt-5.4`, `gpt-5.5`, `DeepSeek-V4-Pro`, `DeepSeek-V-3.2`

Eval-modellen körs en gång för varje utvärderare, uppgift och kandidatutvärdering. Den läser agentens svar och varje kriterium och returnerar sedan en binär poäng. Optimeringsmodellen analyserar baslinjeresultat och genererar förbättrade kandidater i de konfigurerade målen, inklusive instruktioner, färdigheter, verktyg och modeller. Eftersom den resonerar utifrån hela datamängden ger en mer kapabel optimeringsmodell vanligtvis bättre kandidater.

För promptagenter väljer du eval-modellen och kandidatmodellerna i optimeringsguiden. För värdbaserade agenter anger du modellerna i eval.yaml eller med CLI-flaggor. Inställningen optimization_model krävs för värdbaserade agentkörningar. Konfigurationssteg finns i Välj modeller för eval och optimering.

Förstå optimeringsresultat

I det här avsnittet beskrivs resultattabellen, hur den sammansatta poängen beräknas och hur du tolkar förbättringar.

Tip

Visa optimeringsresultat i Foundry-portalen. Gå till projektet, välj Agenter, välj din agent och välj sedan fliken Optimera för att se poängjämförelser, prompt- eller konfigurationsändringar och utvärderarinformation.

För promptagenter visar en slutförd körning poäng för baslinje och kandidat, en jämförelse av prompten före och efter, en jämförelse av modell- och verktygsbeskrivningar samt poäng per utvärderare.

För värdbaserade agenter visar CLI även en resultattabell:

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

Kolumner i resultattabellen

Column	Description
Kandidat	Namnet på konfigurationen. `baseline` är din nuvarande agent före optimering.
Poäng	Sammansatt poäng för alla uppgifter och kriterier, från 0,0 till 1,0.
Eval	Länka till utvärderingsjobbet i Foundry-portalen.
Strategi	Mål för mutationer som ingår i kandidaten, till exempel `skill_policy-reviewer, tools`.

Markerar ★ kandidaten med den högsta sammansatta poängen. Det här är den rekommenderade versionen att driftsätta.

Hur poäng beräknas

Varje utvärderare i din datamängd ger en råpoäng för agentens svar. Optimeraren bearbetar dessa poäng för att producera den sammansatta poäng som visas i resultaten:

Omskalning: Varje utvärderares ursprungliga poäng skalas om till 0–1.
Vänd om det behövs: Om en utvärderare har konfigurerats så att lägre är bättre, vänds poängen så att alla utvärderare använder semantiken "högre är bättre".
Genomsnitt: De omskalade poängen för alla utvärderare och uppgifter beräknas som ett genomsnitt för att ge den sammanlagda poängen.

Sammansatt poäng: Medelvärdet av alla omskalade utvärderarpoäng för alla aktiviteter.

Tolka förbättringar i poäng

Förbättring	Tolkning
Mindre än 0,03	Brus. Inte en meningsfull förbättring.
0,03 till 0,10	Måttlig förbättring. Värt att distribuera.
0,10 till 0,20	Betydande förbättring.
Större än 0,20	Stora förbättringar. Troligen från en dålig baslinje.

Tokenavvägningar

Optimerade instruktioner är ofta längre och mer detaljerade, vilket kan öka användningen av svarstoken. Tänk på följande faktorer:

Om tokenökningen är proportionell mot poängförbättringen
Om kostnadsökningen passar din budget
Om svaren är onödigt utförliga eller lägger till värde med den extra längden

Mer information om det uppskattade kostnadsintervallet före körning och uppmätt användning efter körning finns i Kostnadsuppskattningar för agentoptimeraren och tokenanvändning.

Begränsningar och tillgänglighet

Agentoptimeraren stöder promptagenter och värdbaserade agenter under förhandsversionen.
Optimering av prompt-agent startar i Foundry-portalen. Du kan höja upp en vald kandidat till en ny agentversion från den slutförda körningen.
Optimering av värdhanterad agent är tillgänglig i alla regioner där värdhanterade agenter är tillgängliga, förutom Norway East.
Optimering av värdbaserad agent kräver protokollet Svar.

Feedback

Var den här sidan till hjälp?

Last updated on 2026-08-19