Konfigurera dataagenten

En dataagent låter användare interagera med data genom naturligt språk. För att förbättra resultatens noggrannhet, lägg till affärskontext som formar hur agenten tolkar frågor och bygger frågor. Denna kontext hjälper dig att skapa skräddarsydda lösningar som speglar organisationens processer, scenarier och affärslogik, så att de insikter agenten genererar är både korrekta och kontextuellt relevanta.

Den här artikeln beskriver de konfigurationer du kan använda för att förbättra din dataagent.

Val av schema för dataagent

Schemaval styr vilka objekt i en datakälla dataagenten kan använda för att besvara frågor. Det valda schemat ger kontext för generering av frågor och begränsar genererade frågor till godkända objekt.

Efter att du har lagt till en datakälla, använd Explorer för att granska och välja dess tillgängliga objekt. Du kan:

• Sök efter ett specifikt schemaelement.
• Använd kryssrutor för att välja enskilda element.
• Välj ett föräldranivåobjekt för att automatiskt välja alla dess barnartiklar.
• Välj Välj alla för att göra alla tillgängliga element i datakällan tillgängliga för dataagenten.

De objekt du kan välja beror på datakälltypen. För de schemavalsalternativ som finns tillgängliga för varje typ, se Lägg till och konfigurera datakällor i en Fabric-dataagent.

Välj endast de objekt som dataagenten behöver för att besvara sina avsedda frågor. Ett fokuserat schema minskar tvetydighet, hjälper agenten att skicka frågor till rätt datakälla och förbättrar frågegenereringen. För mer vägledning, se Bästa praxis för att förbättra genereringen av dataagent-frågor.

Instruktioner för dataagent

Instruktioner för dataagenten hjälper agenten att generera korrekta och relevanta svar på användarfrågor. De här instruktionerna kan ange vilka datakällor som ska prioriteras, beskriva hur du hanterar vissa typer av frågor och tillhandahålla användbar terminologi eller kontext för att tolka användarsyften.

Använd detta rekommenderade format för att skriva effektiva instruktioner på agentnivå:

## Objective
// Describe the overall goal of the agent. 
// Example: "Help users analyze retail sales performance and customer behavior across regions."

## Data sources
// Specify which data sources the agent should consider, and in what order of priority.
// Example: "Use 'SalesLakehouse' for product and transaction data. Use 'CRMModel' for customer demographics."

## Key terminology
// Define terms or acronyms the agent may encounter in user queries.
// Example: "'GMV' refers to Gross Merchandise Value."

## Response guidelines
// Set expectations for how the agent should format or present answers.
// Example: "Present results as a short summary followed by a table of the supporting data."

## Handling common topics
// Provide special handling rules or context for frequently asked topics.
// Example: "When asked about customers, use the 'ChurnModelScoring' Lakehouse to get customer details. Then, list any open support tickets"

Instruktioner för datakälla

Instruktioner för datakällor tillämpas när agenten dirigerar en fråga till en specifik datakälla. De här anvisningarna ger den kontext som krävs för att skapa exakta frågor , oavsett om de finns i SQL, DAX eller KQL, så att agenten kan hämta korrekt information.

Det här avsnittet bör innehålla datakällsspecifik vägledning, till exempel relevanta tabeller, kolumner, relationer och all frågelogik som krävs för att besvara vanliga eller komplexa frågor. Ju mer kontext som tillhandahålls, desto effektivare kan agenten generera korrekta och meningsfulla frågor.

Använd följande mall som utgångspunkt:

## General knowledge
// Share general background information the agent should consider when querying this data source.

## Table descriptions
// Describe key tables and important columns within those tables.

## When asked about
// Provide query-specific logic or table preferences for certain topics. 
// Example: "When asked about shoe sales, always use the SalesProduct table."

Beskrivning av datakälla

Datakällsbeskrivningar hjälper skapare att ge övergripande kontext om varje datakälla så att dataagenten intelligent kan styra frågor. En beskrivning bör sammanfatta vad datakällan innehåller, vilka typer av frågor den kan besvara och eventuella affärsspecifika nyanser som hjälper till att skilja den från andra källor. Agenten använder den här informationen under sin resonemangsprocess för att avgöra vilken källa som är mest relevant för en användares fråga.

Exempelfrågor för datakälla

Exempelfrågor, även kallade few-shot-exempel, används av dataagentverktyg för att förbättra kvaliteten på genererade frågor. De gör det möjligt för skapare att skicka exempel på frågelogik som agenten kan referera till när de skapar ett svar. När en datakälla används letar motsvarande verktyg automatiskt upp de mest relevanta exempelfrågorna för användarens fråga och skickar de tre främsta till dataagentverktyget. De här exemplen ingår i genereringsprocessen, vilket hjälper agenten att skapa mer exakta och kontextuellt lämpliga frågeresultat.

Schema-objektbeskrivningar (Förhandsgranskning)

För SQL-datakällor ger schemaobjektbeskrivningar affärskontext för tabeller, kolumner och andra element i ett datakällschema. Dataagenten använder dessa beskrivningar för att tolka stora eller tvetydiga scheman och förstå vad varje element representerar, vilket hjälper till att generera mer exakta frågor.

För att lära dig hur man lägger till och hanterar beskrivningar, se Lägg till schemaobjektbeskrivningar (Förhandsgranskning).

Ämnen (Förhandsvisning)

Topics tillhandahåller stora, ämnesbaserade instruktioner till NL2SQL. Dataagenten söker i instruktionerna efter innehåll som är relevant för användarens fråga och skickar endast de matchande sektionerna till NL2SQL-verktyget.

Använd ämnen när dina instruktioner är stora, kan organiseras efter ämne, och gäller endast när en fråga rör det ämnet. Använd istället instruktioner för datakällan för kontext och regler som du måste skicka när agenten frågar datakällan.

För att lära dig hur man organiserar och lägger till ämnesbaserade instruktioner, se Använd ämnen i en Fabric dataagent (förhandsvisning).

Nästa steg

• Koncept för dataagent
• Lägg till och konfigurera datakällor i en Fabric-dataagent