Med dataagenten i Microsoft Fabric kan organisationer skapa konversationsupplevelser över sina företagsdata. Genom att ansluta Fabric artefakter till en dataagent kan användarna översätta frågor på naturligt språk till exakta frågor, vilket gör det möjligt för intressenter, från analytiker till chefer, att låsa upp insikter utan att skriva en enda kodrad. Den här artikeln går igenom alla datakällor som dataagenten stöder idag och de konfigurationsfunktioner som är tillgängliga för varje datakälla.
Overview
Dataagenten stöder följande kategorier av datakällor:
| Kategori |
Artifacts |
Frågespråk |
Nyckelscenario |
|
SQL |
Lakehouse, Data Warehouse, SQL-databas, speglade databaser |
T-SQL |
Strukturerad analys över relations- och Delta Lake-data |
|
Eventhouse |
Eventhouse KQL-databas |
KQL |
Realtidsinformation och tidsserieanalys |
|
Semantisk modell |
Power BI-semantiska modeller |
DAX |
Affärslogik, beräknade mått och kurerade mått |
|
Diagram (förhandsversion) |
Diagrammodell |
GQL |
Relationsrik datautforskning och grafanalys |
|
Ontologi (förhandsversion) |
Fabricontologi |
Ontologi-native |
Domänkunskap och semantisk kontext för dataintegrering |
|
Azure AI-sökning (förhandsversion) |
Azure AI Sökindex |
Naturligt språk + sökning |
Ostrukturerad datahämtning (PDF-filer, text, berikat innehåll) |
Tip
En enda dataagent kan kombinera upp till fem datakällor i valfri kombination, så att du kan blanda strukturerade, realtids-, semantiska och ostrukturerade data i en konversationsupplevelse.
Artefakter som stöds
-
Lakehouse – Delta Lake-tabeller dök upp via SQL Analytics-slutpunkten.
-
Data Warehouse – Fullständig Fabric-databas med T-SQL-gränssnitt.
-
SQL Database – Fabric-infödda SQL-databaser.
-
Mirrored Databases – Externa databaser speglade i Fabric (till exempel Azure SQL, Cosmos DB, Snowflake).
Varje SQL-källa i Fabric levereras med en SQL Analytics-slutpunkt, en högpresterande, skrivskyddad T-SQL-frågeyta över OneLake Delta-data. Data Agent använder en inbyggd NL2SQL-tjänst som:
- Översätter användarens fråga om naturligt språk till en T-SQL-fråga med hjälp av användarens valda schema, instruktioner och exempelfrågor.
- Validerar den genererade frågan mot schemavalet för att säkerställa att den endast refererar till godkända tabeller och vyer.
- Kör frågan via SQL Analytics-slutpunkten och returnerar resultat som kan läsas av människor.
Artefakter som stöds
-
Eventhouse KQL Database – Fabric's Real-Time Intelligence-lager för strömmande, händelsedriven och tidsseriedata.
Data Agent ansluter till Eventhouse KQL Database-slutpunkten och utnyttjar Kustos inbyggda NL2KQL som möjliggör följande funktioner:
- Användarens fråga översätts till en KQL-fråga med hjälp av det valda schemat och eventuella angivna instruktioner eller exempel.
- Frågan verifieras för att bekräfta att den endast berör de godkända schemaentiteterna.
- Vid godkännande körs frågan mot Kusto-motorn – optimerad för analytiska arbetsbelastningar med låg svarstid och högt dataflöde.
Artefakter som stöds
-
Power BI Semantic Models – Publicerade datauppsättningar som innehåller tabeller, relationer, mått, beräknade kolumner och hierarkier.
Varje semantisk modell i Fabric exponerar en XMLA-slutpunkt som dataagenten använder för att köra DAX-frågor. Den inbyggda NL2DAX-tjänsten :
- Översätter naturligt språk till en DAX-fråga och utnyttjar modellens metadata (tabellbeskrivningar, kolumn synonymer, måttdefinitioner, relationer).
- Validerar frågan mot det valda schemat.
- Körs via XMLA-slutpunkten och returnerar formaterade resultat.
Artefakter som stöds
-
Graph Model – Fabric diagramartefakter som definierar nod- och kantscheman.
Graph Data Agent kan köra GQL-frågor och ytinsikter från dina diagramdatakällor i Fabric. Om du vill konfigurera en sådan agent lägger du till en grafmodell eller en graffrågeuppsättning som datakälla.
När dataagenten kör GQL mot en grafdatakälla kommer det underliggande Fabric Graph-artefaktet att utföra frågekörningen, vilket medför förbrukning av grafåtgärder.
Artefakter som stöds
-
Fabric Ontology – ett semantiskt lager som samlar in domänkunskap, entitetsdefinitioner och relationer.
När en ontologi har konfigurerats i Fabric kan den läggas till som en datakälla till dataagenten. Agenten använder ontologin för att förstå domänkontexten och besvara frågor som baseras på organisationens kunskapsmodell.
Artefakter som stöds
-
Azure AI-sökning Index – Index som är inbyggda Azure AI Foundry över ostrukturerat innehåll som PDF-filer, textfiler och andra berikade dokument.
Dataagenten ansluter direkt till ditt Azure AI-sökning index med hjälp av en resurs-URL. När en användare ställer en fråga skickar agenten frågan (med användarens identitet för åtkomstkontroll) till sökindexet, hämtar de mest relevanta dokumentsegmenten och skriver ett slutligt svar. Citat inkluderas automatiskt när indexet innehåller URL- eller filsökvägsfält.
Konfigurationer som stöds av SQL-källor
| Konfiguration |
Understödd |
Details |
| Schemaval |
✅ Ja |
Välj specifika tabeller, vyer och funktioner för att begränsa agenten. |
| Agentinstruktioner |
✅ Ja |
Vägleda agenten om när och hur du dirigerar frågor till den här källan. |
| Instruktioner för datakälla |
✅ Ja |
Ange tabellbeskrivningar, kopplingslogik, viktig kolumninformation och affärsterminologi till NL2SQL. |
| Beskrivning av datakälla |
✅ Ja |
Beskrivning som hjälper agenten att avgöra om den här datakällan är relevant för användarens fråga. |
|
Schema-objektbeskrivningar (Förhandsgranskning) |
✅ Ja |
Tillhandahåll affärskontext för tabeller, kolumner och andra schemaelement för att förbättra genereringen av SQL-frågor. Endast tillgänglig under förhandsvisningsperioden. |
| Exempelfrågor |
✅ Ja |
Ange naturligt språk/SQL-par så att agenten kan lära sig komplexa frågemönster. De vanligaste exemplen hämtas automatiskt via vektorlikhet. |
Konfigurationer som stöds av Eventhouse KQL-källor
| Konfiguration |
Understödd |
Details |
| Schemaval |
✅ Ja |
Välj specifika tabeller, materialiserade vyer, funktioner och genvägar för att begränsa agenten. |
| Agentinstruktioner |
✅ Ja |
Vägleda agenten om när och hur du dirigerar frågor till den här källan. |
| Instruktioner för datakälla |
✅ Ja |
Ange kontext om tabeller, MV:er, funktioner och genvägar till NL2KQL. |
| Beskrivning av datakälla |
✅ Ja |
Beskrivning som hjälper agenten att avgöra om den här datakällan är relevant för användarens fråga. |
| Exempelfrågor |
✅ Ja |
Ange naturligt språk/KQL-par för att lära agenten komplexa aggregerings- och kopplingsmönster. |
Konfigurationer som stöds av semantikmodell
| Konfiguration |
Understödd |
Details |
| Schemaval |
✅ Ja* |
Välj tabeller som ska exponeras. Kontrollen på kolumnnivå är tillgänglig när Prep för AI konfigureras i Power BI. |
| Agentinstruktioner |
✅ Ja |
Vägleda agenten om när du ska välja den semantiska modellen för att besvara frågor. |
| Instruktioner för datakälla |
❌ Nej* |
Instruktioner hanteras via Förberedelse för AI (AI-instruktioner och verifierade svar) på den semantiska modellsidan. Data Agent hedrar dem när de är närvarande. |
| Beskrivning av datakälla |
❌ Nej |
Semantiska modeller stöder inte beskrivningar av datakällor. |
| Exempelfrågor |
❌ Nej* |
Stöds för närvarande inte för semantiska modeller. Använd Verifierade svar i Prep for AI för att inkludera exempel på DAX-frågor. |
*Semantiska modeller konfigureras främst via Prep för AI i Power BI som erbjuder AI-datascheman, AI-instruktioner och verifierade svar.
Konfigurationer som stöds av Graph Model
| Konfiguration |
Understödd |
Details |
| Schemaval |
❌ Nej |
Graph tillåter inte att en användare omfångsbegränsar sin agent på specifika noder och kanter. |
| Agentinstruktioner |
✅ Ja |
Vägleda agenten om när och hur du dirigerar frågor till den här källan. |
| Instruktioner för datakälla |
✅ Ja |
Skickas till NL2GQL-motorn för att guida frågegenereringen. |
| Beskrivning av datakälla |
✅ Ja |
Beskrivning som hjälper agenten att avgöra om den här datakällan är relevant för användarens fråga. |
| Exempelfrågor |
✅ Ja |
Skickas till NL2GQL för att lära ut komplexa diagrambläderingsmönster. |
Konfigurationer som stöds av ontologi
| Konfiguration |
Understödd |
Details |
| Schemaval |
❌ Nej |
Stöds inte för ontologidatakällor. |
| Agentinstruktioner |
✅ Ja |
Vägleda agenten om när du ska välja den semantiska modellen för att besvara frågor. |
| Instruktioner för datakälla |
❌ Nej |
Stöds inte för ontologidatakällor. |
| Beskrivning av datakälla |
✅ Ja |
Beskrivning som hjälper agenten att avgöra om den här datakällan är relevant för användarens fråga. |
| Exempelfrågor |
❌ Nej |
Stöds inte för ontologidatakällor. |
Ostrukturerade datakonfigurationer
| Setting |
Details |
| Visningsnamn |
Anpassat namn som visas för indexet i agentupplevelsen. |
| Söktyp |
Välj bland fulltext-, hybrid- eller semantisk sökning beroende på indexkonfigurationen. |
| Antal dokument |
Kontrollera hur många dokument som hämtas per fråga (rekommenderas: 3–20). |
| Kontext/beskrivning |
Beskriv indexinnehållet, nyckelfälten och användningsvägledningen för att hjälpa till med routning. |
| Agentinstruktioner |
Guide hur agenten tolkar sökresultat och skriver det slutliga svaret. |
Lära sig mer