Självstudiekurs: Skapa en heltäckande Activator-regel med agentbaserad AI

Fabric Activator identifierar mönster i strömmande data och vidtar åtgärder när villkoren uppfylls. I den här självstudiekursen använder du en AI-agent för att bygga en pipeline från början till slut. Pipeline bevakar en ström av telemetrihändelser, upptäcker ihållande överhettning och anropar en Fabric User Data Function (UDF) för att registrera ett reparationsärende. Du skriver anvisningarna. agenten utför redigeringen.

I den här självstudien används telemetri från en widgettillverkningsmaskin som ett genomgående exempel, men samma prompter fungerar för nästan alla tidsseriedata med ett stabilt ID för varje entitet: IoT-enheter, fordonsflottor, logistikhändelser, finansiella tickdata, applikationsmått och så vidare. Ersätt fältnamnen och tröskelvärdet så att de passar din dataform.

I den här självstudien slutför du följande uppgifter:

Om du är nybörjare på Fabric Activator kan du läsa Vad är Fabric Activator?. Om du inte känner till Fabric-användardatafunktioner kan du läsa mer i Vad är Fabric-användardatafunktioner?.

Scenarioöversikt

En tillverkare driver en flotta av widgettillverkningsmaskiner i flera anläggningar. Varje dator genererar telemetri – temperatur, vibrationer, tryck, körningstillstånd – till en Azure händelsehubb. När en dator har hög drifttemperatur behöver den ett underhållsbesök innan den bryts ned.

I den här handledningen använder varje händelse ett litet representativt schemat: ett ID för varje dator (machine_id), en platsetikett (plant_id), ett numeriskt mätvärde som ska övervakas (temperature_c) och ett fält för körstatus (state). De exakta fältnamnen spelar ingen roll – samma promptstruktur fungerar för valfritt ID per entitet plus ett mätvärde som du vill tillämpa ett tröskelvärde på.

Du skapar en Fabric-pipeline som övervakar telemetriflödet, tillämpar en regel för ihållande tröskelvärde och anropar en User Data Function för att registrera reparationsärendet. Regeln grupperar händelser efter machine_id och utlöses när temperature_c förblir över 50 °C i 5 minuter. När den utlöses skickas machine_id, plant_id och den aktuella temperaturen till åtgärden.

Förutsättningar

Innan du börjar behöver du:

• En Fabric-arbetsyta med F4-kapacitet (eller högre), med redigeringsbehörighet. Mer information om arbetsytor finns i Arbetsytor.
• En kunskapskompatibel agent – till exempel GitHub Copilot CLI eller GitHub Copilot i Visual Studio Code – med Fabric kunskaper installerade.
• En Azure Event Hubs-namnrymd och en hubb för strömning av telemetridata. Du behöver namnområdets FQDN, hubbens namn och en Listen+Send anslutningssträng.

Konfigurera händelseströmmen

I det här steget skapar du den händelseström som prenumererar på din händelsehubb. Du uppmanar agenten och verifierar resultatet i portalen.

1. Ge agenten den här uppmaningen och ersätt platshållarna med värden från händelsehubben:

   Create a Fabric eventstream in my workspace called `WidgetMachineTelemetry` that ingests from this Azure event hub:
   
   - Namespace: `<your namespace FQDN>`
   - Hub name: `<your hub name>`
   - Connection string: `<your Listen+Send connection string>`
   
   When you're done, give me a direct portal link to the eventstream item so I can verify it.
   

2. Agenten anropar händelseströmsredigeringsfärdigheten. Det skapar eventstream-objektet, konfigurerar händelsehubben som källa och returnerar en klickbar URL till objektet i Fabric-portalen. Du behöver ingen målplats – Activator prenumererar direkt på dataströmmen.

3. Välj länken som agenten gav dig. I Live view kontrollerar du att Event Hub-källan är Ansluten och att telemetrihändelser från widget-maskinen flödar igenom.

   

   Figur 1: WidgetMachineTelemetry händelseströmmen – händelser flödar från widget-telemetry Event Hub-källan genom strömmen till WidgetMachineMaintenance Activator-målet.

Skapa användardatafunktionen

I det här steget skapar du den användardatafunktion som aktiveringsregeln anropar. Funktionen skickar begäran om reparationsjobb till ditt underordnade API.

1. Ge agenten den här uppmaningen:

   Create a Fabric User Data Function called `MaintenanceDispatcher` in my workspace, written in Python, with a function `file_repair_job(machine_id, plant_id, temperature_c)` that sends those values as JSON in a POST request to `https://contoso.com/maintenance/fileRepairJob` and returns the parsed response.
   
   When you're done, give me a direct portal link to the UDF item so I can verify it.
   

2. Agenten anropar Fabric UDF-redigeringsfärdighet. Den skapar en Python UDF-objekt, implementerar file_repair_job med httpx, publicerar UDF, bekräftar att funktionen är anropsbar och returnerar en klickbar URL till objektet.

3. Välj länken som agenten gav dig och använd sedan det inbyggda testfönstret för att anropa file_repair_job med en exempelnyttolast. Till exempel: machine_id="widget-press-042", plant_id="plant-eu-01", temperature_c=52.7. Anropet till contoso.com returnerar ett HTTP-fel – det är förväntat eftersom platshållarslutpunkten inte löser problemet. Det viktiga beteendet är att UDF distribuerade, registrerade och nådde det utgående HTTP-anropet.

   

   Bild 2: Användardatafunktionen MaintenanceDispatcher –file_repair_job skickar överhettningsmaskinens information till underhållssystemet.

Skapa regeln Activator

I det här steget skapar du regeln Activator som bevakar händelseströmmen och anropar din UDF när en dator överhettas.

1. Ge agenten den här uppmaningen:

   Create an Activator rule in my workspace subscribed to the `WidgetMachineTelemetry` eventstream, that triggers my `file_repair_job` UDF when a machine's temperature stays above 50°C for 5 minutes.
   
   When you're done, give me a direct portal link to the rule so I can verify it.
   

2. Agenten använder redigeringsfärdigheten Activator och skapar Activator-objektet. Agenten grupperar regeln efter machine_id, bygger upp detektering av varaktigt tröskelvärde och konfigurerar åtgärden så att den anropar din UDF med machine_id, plant_id och den aktuella temperaturen. Agenten returnerar sedan en klickbar URL till regeln.

3. Välj länken som agenten gav dig och gå sedan igenom den här checklistan:

   • Data flödar till regeln. Öppna regelns underliggande Activator-objekt i utforskarfönstret och bekräfta att de senaste händelserna visas i livetabellen med icke-null machine_id och temperature_c värden.
   • Regeln körs. Bekräfta att regeln är i tillståndet Startad eller Körs och objektsammanfattningen Aktiverare visar dina datorer som aktiva instanser.
   • Agenten registrerar aktiveringar. När maskiner som överhettas har varit över 50 °C i 5 minuter visas poster på regelns Historik-flik, där varje post visar den machine_id som utlöstes, temperaturen vid utlösningstillfället och ett lyckat anrop till file_repair_job.

   

   Bild 3: OverheatingDispatch Aktiveringsregeln – utlöses när en dators temperatur ligger över 50°C i 5 minuter och anropar file_repair_job med datorns identitet, anläggning och aktuella temperatur.

Rensa resurser

När du är klar tar du bort objekten eventstream, User Data Function och Activator från din arbetsyta och tar bort Event Hubs-namnområdet från Azure-portalen för att stoppa avgifterna.

Relaterat innehåll

• Vad är Fabric Activator?
• Vad är Fabric användardatafunktioner?
• Händelseströmskällor och mål
• Åtkomstdatakällor i Fabric Användardatafunktioner