Часто задаваемые вопросы о Foundry IQ

Foundry IQ позволяет агентам получать доступ, обрабатывать и действовать с информацией в любом месте.

С помощью Foundry IQ вы создаете базу знаний, которая подключается к одному или нескольким источникам знаний. Обработчик agentic retrieval обрабатывает запросы, а необязательная большая языковая модель (LLM) из Azure OpenAI в моделях Foundry добавляет планирование запросов и умозаключение. Агенты, встроенные в службу агентов Foundry, обращаются к базе знаний для получения соответствующего содержимого.

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

Агентное извлечение — это многозапросная подсистема извлечения, которая обеспечивает работу баз знаний Foundry IQ. Для пользовательских решений можно использовать агентическое извлечение непосредственно через API-интерфейсы Azure AI Search.

База знаний One Foundry IQ предоставляет доступ к нескольким источникам, избавляя от необходимости подключения каждого агента к каждому источнику по отдельности.

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

Да. Foundry IQ основан на агентивных возможностях поиска Azure AI Search. Чтобы использовать IQ Foundry, необходимо создать knowledge base в Azure AI Search.

Нет. Базы знаний можно вызывать из службы агента Foundry, Microsoft Agent Framework или любого приложения, поддерживающего API-интерфейсы knowledge base из Azure AI Search. 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 логического рассуждения при агентском извлечении для объединения результатов из нескольких запросов по источникам знаний.

Для того чтобы воспользоваться параллельной обработкой нескольких подзапросов, требуется планирование запросов LLM. Агентическая система извлечения использует планирование запросов LLM в низких и средних усилиях по извлечению с рассуждением для более тщательного извлечения.

Поддерживаются только модели серий gpt-4o, gpt-4.1 и gpt-5 из Azure OpenAI в сервисе Foundry Models для планирования запросов. Полный список см. в разделе Supported models. При создании knowledge base необходимо указать развертывание модели.

Объект knowledge base — это объект верхнего уровня, который группируется одним или несколькими источниками знаний в одной конечной точке. Его конфигурация управляет выбором источников (с помощью инструкций по извлечению и усилий по логическому выводу) и предоставлением результатов (с помощью режима вывода и инструкций ответа). Подключение LLM обеспечивает планирование запросов и синтез ответов.

В момент выполнения запроса агентский движок для извлечения данных использует эту конфигурацию для обработки запросов. Управление доступом на уровне пользователя применяется только в том случае, если источник данных поддерживает документные разрешения и когда эти разрешения были явно сконфигурированы для синхронизации. Если в документации источника знаний не указана явная поддержка разрешений пользователей на документном уровне, элементы управления доступом не применяются автоматически.

Существует два типа источников knowledge:

• Индексированные источники знаний загружают данные в индекс поиска и автоматически осуществляют разбиение на блоки, векторизацию, извлечение метаданных, а также синхронизацию списков управления доступом (ACL). Поддерживаемые индексированные источники включают Azure Blob Storage, OneLake, SharePoint и существующие индексы поиска.

• Удаленные источники знаний не поглощают и не хранят данные. Вместо этого они делают запросы во внешнюю систему в момент извлечения. Поддерживаемые удаленные источники включают SharePoint (через API извлечения Copilot) и интернет (через связывание с Bing).

Индексированные источники знаний используют индексаторы Azure AI Search для приема данных. Можно запланировать повторяющиеся запуски индексатора для поэтапного обновления данных. Частота зависит от конфигурации расписания индексатора.

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

Агентическое извлечение — это механизм извлечения, который обрабатывает 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 llm, агентическое извлечение также выполняет планирование запросов и более высокий уровень рассуждений для уточнения процесса поиска. Вы можете управлять затратами и задержками процесса поиска, задав усилия на извлечение данных в базе знаний.

Тесты показывают, что агентская выборка достигает приблизительно 36% более высокого качества отклика, чем традиционный однократный RAG.

Планирование запросов — это процесс, с помощью которого LLM разбивает сложный запрос на меньшие, более сфокусированные подзапросы для более полного охвата вашего поискового корпуса. Также включает логику выбора одного источника знаний вместо другого.

Вы можете повлиять на выбор источника знаний, добавив описания в индексированные источники знаний и инструкции по получению в knowledge base. Например, можно указать "использовать индекс справочника для сотрудников для вопросов об отпуске" и "использовать индекс справочника по медицинскому страхованию для вопросов о медицинском страховании".

Планирование запросов вызывается при указании низкого или среднего усилия извлечения с рассуждением в базе знаний.

Усилия по обоснованию извлечения определяют, сколько планирования на основе LLM используется во время агентного извлечения. 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 сознательных процессов.

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

• Низкий: до трех источников знаний и трех подзапросов. 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 агентические ограничения извлечения.

Синтез ответа 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 извлекайте данные вместо синтеза ответов. Извлекаемые данные возвращают необработанное содержимое, которое агенты могут рассудить и включить в ответы. Осуществляйте синтез ответов для автономных приложений, в которых результаты извлечения данных передаются непосредственно пользователям без обработки агентом.

IQ Foundry подчиняется региональной доступности и выставлению счетов своих базовых служб: Azure AI Search и, если применимо, Azure OpenAI в моделях Foundry.

Azure AI Search предлагает бесплатную ценовую категорию и бесплатное выделение маркеров для агентивного извлечения. Служба агента Foundry не взимает плату за экземпляры агента.

После исчерпания бесплатного выделения плата за извлечение информации взимается на основе расхода токенов в Azure AI Search. Использование LLM для планирования запросов и синтеза ответов повлечет за собой отдельные расходы от Azure OpenAI в модели Foundry.

Варианты применения разрешений зависят от источника знаний. В зависимости от источника данных индексированные источники знаний могут поддерживать безопасность на уровне документа с помощью списков управления доступом, управления доступом на основе ролей или обоих. 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 и Microsoft Purview меток конфиденциальности.

Для подключений между Azure AI Search и другими службами Azure (например, Azure OpenAI или Azure Blob Storage), используйте управляемые удостоверения с Microsoft Entra ID (рекомендуется) или ключами API.

Удаленные источники знаний SharePoint требуют от конечных пользователей действующей лицензии Copilot.

Наиболее вероятные причины:

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

Для помощи в изоляции проблемы см. раздел "Устранение неполадок".

Используйте песочницу чата в Азуре портале, в которой показаны планы запросов, вложенные запросы и шаги извлечения для вашей базы знаний. Включите диагностическое ведение журнала для подробных данных запроса и ответа.

Корпорация Майкрософт предоставляет три нагрузки IQ для агента-узловых 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 независимой, но они могут работать вместе, чтобы ответить практически на любой вопрос агента, относящийся к конкретной организации.

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 источники знаний Copilot в Foundry IQ.