通过 Microsoft Foundry Services 利用 Fabric 数据代理（预览版）

Microsoft Fabric中的数据代理将企业数据转换为聊天问答系统。 它使用户能够通过聊天与其数据交互，以发现可作的见解。 使用Fabric数据代理的一种方法是通过 Foundry 代理服务（Microsoft Foundry 的核心组件）。 通过将 Fabric 数据代理与 Foundry 集成，Azure AI 代理可以直接利用 OneLake Microsoft Fabric中提供的丰富、结构化和语义数据。 此集成提供对高质量企业数据的即时访问，并使Azure AI 代理能够生成可操作的见解并简化分析工作流。 然后，组织可以使用Fabric数据代理作为其Azure AI 环境中的强大知识源来增强数据驱动的决策。

先决条件

• 付费的 F2 或更高版本的 Fabric 容量，或启用了Microsoft Fabric的Power BI Premium 容量（P1 或更高）。
• 根据 Fabric 数据代理租户设置中所述的要求，为 AI 启用跨地理位置处理和跨地理位置存储。
• 至少有一个数据源包含数据：数据仓库、lakehouse、Power BI 语义模型、KQL 数据库、镜像数据库或本体论。 必须具有对数据源的读取访问权限。

• Foundry 中的开发人员和最终用户必须至少具有AI Developer 基于角色的访问控制（RBAC）角色。

工作原理

Agent 安装程序：在代理服务中，创建新的代理，并将Fabric数据代理添加为其知识源之一。 若要建立此连接，需要 Fabric 数据代理的工作区 ID 和工件 ID。 通过安装程序，Azure AI 代理可以在收到查询时评估可用的源，以确保它调用正确的工具来处理请求。 目前，只能将一个Fabric数据代理作为知识源添加到 Azure AI 代理。

查询处理：当用户从 Foundry 平台发送查询时，代理服务将确定 Fabric 数据代理是否为执行任务的最佳工具。 如果是，Azure AI 代理：

• 使用最终用户的标识对用户有权从Fabric数据代理内访问的数据源生成安全查询。
• 调用Fabric提取和处理数据，以确保流畅、自动化的体验。
• 将Fabric数据代理的结果与其自己的逻辑组合在一起，以生成全面的响应。 标识直通（代理）授权会保护此流，以确保跨企业数据的可靠安全性和适当的访问控制。

将Fabric数据代理添加到 Azure AI 代理

可以通过编程方式或用户界面（UI）将Fabric数据代理添加到Azure AI 代理。 有关详细的代码示例和进一步说明，请参阅 Azure AI 代理集成文档。

通过 UI 添加Fabric数据代理：

• 导航到左侧窗格。 在“构建和自定义”下，选择“代理”，如以下屏幕截图所示：

此步骤显示现有Azure AI 代理的列表。 可以向其中一个代理添加Fabric，也可以选择新代理创建新代理。 新建代理会生成唯一的代理 ID 和默认名称。 可随时更改该名称。 有关详细信息，请参阅 Foundry 门户中的 Azure OpenAI。

• 启动“添加知识源”：选择“添加”按钮，如以下屏幕截图所示：

屏幕截图显示将 Fabric 数据代理添加为知识。

此步骤将打开受支持的知识源类型的菜单。

• 选择Microsoft Fabric作为源：从列表中选择Microsoft Fabric，如以下屏幕截图所示：

使用此选项，代理可以访问Fabric数据代理。

• 创建连接：如果以前建立了与Fabric数据代理的连接，则可以为新的 Azure AI 代理重复使用该连接。 否则，请选择 “新建连接 ”以创建连接，如以下屏幕截图所示：

创建新的Microsoft Fabric连接窗口将打开，如以下屏幕截图所示：

设置连接时，请将Fabric数据代理workspace-id和artifact-id值作为自定义键提供。 可以在 Fabric已发布的数据代理终结点中找到 workspace-id 和 artifact-id 值。 Fabric数据代理终结点采用以下格式：https://fabric.microsoft.com/groups/<workspace_id>/aiskills/<artifact-id>。 选中“ 是机密 ”复选框。

最后，为连接分配一个名称，并选择是将其提供给 Foundry 中的所有项目，还是将其限制为当前项目。

选择 Connect 后，Microsoft Fabric数据代理将添加为 Knowledge 资源，如以下屏幕截图所示：

还必须向 Azure AI 代理提供有关何时、如何以及哪些情况下使用Fabric数据代理的说明。 从 Azure AI 代理的角度来看，Fabric数据代理被视为Fabric工具，因此可以在说明中引用它。

还可以根据用例要求调整部署模型、添加作或更改模型设置。 完全配置 Azure AI 代理后，在 playground 中选择 Try 以测试其性能。

以编程方式添加 Fabric 数据代理：以下步骤介绍如何以编程方式将 Fabric 数据代理添加到 Azure AI 平台上的 Python 代理中。 有关其他语言（C#、JavaScript），请参阅 此 资源。

步骤 1：设置环境变量并导入 SDK

运行代码之前，请设置以下环境变量：

• PROJECT_ENDPOINT：Foundry 项目终结点，位于 Foundry 项目的“概述”页上。
• MODEL_DEPLOYMENT_NAME：模型部署名称，即您在 Foundry 项目的 Models + endpoints 下看到的名称。
• FABRIC_CONNECTION_NAME：Microsoft Fabric 连接的名称，如其显示在您的 Foundry 已连接的资源中。

安装预览版 SDK 并导入模块：

pip install azure-identity
pip install --pre azure-ai-projects

import os
from azure.ai.projects import AIProjectClient
from azure.identity import DefaultAzureCredential
from azure.ai.agents.models import FabricTool, ListSortOrder

步骤 2：创建启用了Microsoft Fabric工具的代理

若要使 Fabric 数据代理工具可用于 Azure AI 代理，请从 Foundry 项目中的命名连接检索连接 ID，然后将其传递给 FabricTool：

project_client = AIProjectClient(
    endpoint=os.environ["PROJECT_ENDPOINT"],
    credential=DefaultAzureCredential(),
)

# Look up the Fabric connection by name
conn_id = project_client.connections.get(os.environ["FABRIC_CONNECTION_NAME"]).id

# Initialize the Fabric tool with the connection ID
fabric = FabricTool(connection_id=conn_id)

with project_client:
    agents_client = project_client.agents

    agent = agents_client.create_agent(
        model=os.environ["MODEL_DEPLOYMENT_NAME"],
        name="my-agent",
        instructions="You are a helpful agent",
        tools=fabric.definitions,
    )
    print(f"Created agent, ID: {agent.id}")

步骤 3：创建线程并发送消息

    # Create a thread for communication
    thread = agents_client.threads.create()
    print(f"Created thread, ID: {thread.id}")

    # Add a message to the thread
    message = agents_client.messages.create(
        thread_id=thread.id,
        role="user",
        content="What is the top sold product in Contoso last month?",
    )
    print(f"Created message, ID: {message.id}")

步骤 4：运行代理并读取输出

处理该运行，然后遍历消息以读取智能体的响应：

    # Create and process the run with the Fabric tool
    run = agents_client.runs.create_and_process(thread_id=thread.id, agent_id=agent.id)
    print(f"Run finished with status: {run.status}")

    if run.status == "failed":
        print(f"Run failed: {run.last_error}")

    # Delete the agent when finished
    agents_client.delete_agent(agent.id)
    print("Deleted agent")

    # Fetch and print all messages in the thread
    messages = agents_client.messages.list(thread_id=thread.id, order=ListSortOrder.ASCENDING)
    for msg in messages:
        if msg.text_messages:
            last_text = msg.text_messages[-1]
            print(f"{msg.role}: {last_text.text.value}")

相关内容

• 数据代理概念
• 数据代理端到端教程