Часто задаваемые вопросы о Foundry IQ

Foundry IQ позволяет агентам получать доступ к знаниям, обрабатывать их и принимать меры из любого места.

С помощью IQ Foundry создается база знаний , которая подключается к одному или нескольким источникам знаний. Движок agentic retrieval обрабатывает запросы, а опциональная крупная языковая модель (LLM) из Azure OpenAI в Foundry Models добавляет планирование запросов и умозаключение. Агенты, встроенные в службу агента Foundry, вызывают базу знаний для получения соответствующего содержимого.

Foundry IQ состоит из баз знаний, источников знаний и собственных интеграций с Azure OpenAI в моделях Foundry и агентах службы Foundry. Портал Microsoft Foundry (новый) предлагает упрощенный комплексный интерфейс настройки, но вы также можете создавать компоненты Foundry IQ программным способом.

Агентное извлечение — это много-запросовая система извлечения, которая обеспечивает работу баз знаний Foundry IQ. Для пользовательских решений можно использовать агентическое извлечение непосредственно через API-интерфейсы Поиск с использованием ИИ Azure.

Одна база знаний Foundry IQ предоставляет доступ к нескольким источникам, удаляя необходимость подключения каждого агента к каждому источнику по отдельности.

Агентный механизм извлечения планирует, какие источники запрашивать, и выполняет итеративный поиск, если первоначальные результаты не соответствуют стандартам релевантности. Индексирование и синхронизация данных активируются автоматически. Итеративный поиск зависит от указания средних усилий на извлечение информации в базе знаний или на основе каждого запроса.

Да. Foundry IQ основан на агентских возможностях извлечения Поиск с использованием ИИ Azure. Для использования IQ Foundry необходимо создать базу знаний в Поиск с использованием ИИ Azure.

Нет. Базы знаний можно вызывать из службы агента Foundry, Microsoft Agent Framework или любого приложения, поддерживающего API базы знаний из Поиск с использованием ИИ Azure. Однако Служба агента Foundry предоставляет платформу размещения агентов под ключ с встроенной поддержкой баз знаний Foundry IQ.

Использование LLM для планирования запросов является необязательным, но рекомендуется. Без LLM можно использовать минимальные усилия по извлечению причин в агентическом извлечении для объединения результатов из нескольких запросов в источниках знаний.

Для параллельной обработки нескольких подзапросов требуется планирование запросов LLM. Управляющий модуль извлечения, обладающий агентными возможностями, использует планирование запросов LLM в усилиях по извлечению на низком и среднем уровне рассуждений для более тщательного извлечения.

Поддерживаются только модели gpt-4o, gpt-4.1 и gpt-5 из Azure OpenAI в моделях Foundry для планирования запросов. Полный список см. в разделе "Поддерживаемые модели". При создании базы знаний необходимо указать развертывание модели.

База знаний — это объект верхнего уровня, который группируется одним или несколькими источниками знаний в одной конечной точке. Его конфигурация управляет выбором источников (через инструкции по извлечению данных и усилия по обоснованию) и возвратом результатов (через режим вывода и инструкции по ответам). Подключение LLM обеспечивает планирование запросов и синтез ответов.

Во время выполнения запроса агентский механизм извлечения использует эту конфигурацию для обработки запросов. Элементы управления доступом на уровне пользователей применяются только в том случае, если источник знаний поддерживает разрешения на уровне документа и когда эти разрешения были явно настроены для синхронизации. Если в документации по источнику знаний явно не указана поддержка разрешений пользователей для использования по умолчанию, документные контрольные механизмы доступа не применяются автоматически.

Существует два типа источников знаний:

• Индексированные источники знаний получают данные в индекс поиска и автоматически обрабатывают синхронизацию блоков, векторизации, извлечения метаданных и синхронизации списка управления доступом (ACL). Поддерживаемые индексированные источники включают Хранилище BLOB-объектов Azure, OneLake, SharePoint и существующие индексы поиска.

• Удаленные источники знаний не принимают и не хранят данные. Вместо этого они создают запросы во внешнюю систему по мере необходимости во время извлечения данных. Поддерживаемые удаленные источники включают SharePoint (через Copilot Retrieval API) и веб (через Grounding с Bing).

Индексированные источники знаний используют индексаторы Поиск с использованием ИИ Azure для приема данных. Можно запланировать регулярные запуски индексатора для инкрементального обновления данных. Частота зависит от конфигурации расписания индексатора.

Удаленные источники знаний запрашивают внешние системы по запросу, поэтому данные всегда являются текущими.

Агентивное извлечение — это движок поиска, обрабатывающий запросы к базе знаний.

Он выбирает источники знаний для запроса, маршрутизирует запросы соответствующим образом и может автоматически выполнять итерацию при неполных начальных результатах. Если база знаний включает в себя LLM, агентическое извлечение также выполняет планирование запросов и высокоуровневое рассуждение для уточнения процесса поиска. Вы можете управлять затратами и задержками процесса поиска, задав усилия по извлечению причин в базе знаний.

Тесты показывают, что агентическое извлечение достигает примерно 36% более высокого качества отклика, чем традиционное однократное RAG.

Планирование запросов — это процесс, посредством которого LLM разбивает сложный запрос на более мелкие, более ориентированные подзапросы для более полного охвата вашего поискового корпуса. Она также включает логику выбора одного источника информации над другим.

Вы можете повлиять на выбор источника знаний, добавив описания в индексированные источники знаний и инструкции по получению в базу знаний. Например, можно указать "использовать индекс справочника сотрудников для вопросов об отпуске" и "использовать индекс страхования здоровья для вопросов о медицинском покрытии".

Планирование запросов запускается, когда вы указываете низкое или среднее усилие для обоснования извлечения в пределах базы знаний.

Размышления об извлечении определяют, сколько планирования на основе LLM используется при агентном извлечении. Уровни варьируются от минимального до среднего, влияя на то, насколько глубоко система интерпретирует запрос, выбирает источники и решает, требуются ли дополнительные шаги извлечения.

Ограничения зависят от уровня усилий рассуждения.

• Минимальный: до 10 источников знаний. Нет обработки LLM, нет планирования запросов и синтеза ответов.

• Низкий: до трех источников знаний и трех вложенных запросов. Поддерживает синтез ответов с бюджетом на 5000 токенов.

• Средний: до пяти источников знаний и пяти вложенных запросов. Поддерживает итеративный поиск и синтез ответов с бюджетом на 10 000 токенов.

Дополнительные сведения см. в разделе Ограничения агентивного извлечения.

Синтез ответов использует LLM для создания полного ответа на естественном языке на основе полученного содержимого. Синтез ответов необходим для источников веб-знаний.

Для большинства сценариев Foundry IQ используйте извлечение данных вместо синтеза ответов. Извлекаемые данные возвращают необработанное содержимое, которое агенты могут рассудить и включить в ответы. Резервное синтезирование ответов для автономных приложений, где выходные данные извлечения непосредственно переходят пользователям без обработки агента.

IQ Foundry подчиняется региональной доступности и выставлению счетов своих базовых служб: Поиск с использованием ИИ Azure и, если применимо, Azure OpenAI в Foundry Models.

Поиск с использованием ИИ Azure предоставляет бесплатный уровень цен и бесплатное выделение токенов для агентского поиска. Служба агента Foundry не взимает плату за экземпляры агента.

После исчерпания свободного выделения, получение токенов биллируется на основе потребления жетонов в Поиск с использованием ИИ Azure. Использование LLM для планирования запросов и синтеза ответов повлечет за собой отдельные расходы от Azure OpenAI в модели Foundry.

Принудительное применение разрешений зависит от источника знаний. В зависимости от источника данных индексированные источники знаний могут поддерживать безопасность на уровне документа с помощью списков управления доступом (ACL), управления доступом на основе ролей или обоих методов. Во время запроса результаты фильтруются на основе удостоверения пользователя.

Удаленные источники знаний SharePoint применяют разрешения непосредственно через API извлечения Copilot с поддержкой встроенных списков управления доступом (ACL) и меток конфиденциальности Microsoft Purview.

Для подключений между Поиск с использованием ИИ Azure и другими службами Azure (например, Azure OpenAI или Хранилище BLOB-объектов Azure), используйте управляемые удостоверения с Microsoft Entra ID (рекомендуется) или ключами API.

Удаленные источники знаний SharePoint требуют наличия у конечных пользователей допустимой лицензии Copilot.

Распространенные причины:

• Отсутствует вызов инструмента в инструкциях агента.
• Проблемы с разрешениями между агентом и базой знаний.
• Неправильная конфигурация подключения проекта.
• Пустые или неправильно настроенные источники знаний.

Для помощи в изоляции проблемы см. раздел «Устранение неполадок».

Используйте игровую площадку чата на портале Azure, которая показывает планы запросов, вложенные запросы и шаги извлечения вашей базы знаний. Включите ведение журнала диагностики для подробных данных запроса и ответа.

Microsoft предоставляет три типа рабочих нагрузок IQ для агент-ориентированных систем: Fabric IQ для бизнес-аналитики, Work IQ для совместной работы в Microsoft 365 и Foundry IQ для корпоративных знаний.

Каждая рабочая нагрузка IQ является автономной, но они могут работать вместе, чтобы ответить практически на любой вопрос, специфичный для организации, поступающий от агента.

Эта концепция аналогична: подключение агентов к корпоративным данным. Однако поддерживаемые источники данных отличаются по платформе и не взаимодействуют. Другими словами, вы не можете использовать источники знаний Foundry IQ в Copilot, и вы не можете использовать Copilot источники знаний в Foundry IQ.