Краткое руководство: Задачи агента в портале Azure

В этом кратком руководстве используйте агентное извлечение на портале Azure, чтобы создать возможность диалогового поиска на основе документов, проиндексированных в Поиск с использованием ИИ Azure, и большой языковой модели (LLM) из Azure OpenAI в Foundry Models.

Портал поможет вам создать следующие объекты:

• Источник knowledge, который ссылается на контейнер в Хранилище BLOB-объектов Azure. При создании источника знаний на основе BLOB в Поиск с использованием ИИ Azure автоматически создается индекс и другие объекты процесса для приема и обогащения содержимого с целью автоматического извлечения данных.

• База знаний, использующая агентическое извлечение для вывода базовых сведений, планирования и выполнения вложенных запросов, а также формирования ответа на естественный язык с помощью дополнительного режима вывода синтеза ответа.

Затем вы протестируете базу знаний, отправив сложный запрос, требующий информации из нескольких документов и просмотр синтезированного ответа.

Необходимые условия

• Учетная запись Azure с активной подпиской. Создайте учетную запись бесплатно.

• Служба Поиск с использованием ИИ Azure в любом регионе, предоставляющем агентскую выдачу. Для этого быстрого запуска требуется категорийный уровень "Базовый" или выше для поддержки управляемых удостоверений.

• Учетная запись Хранилище BLOB-объектов Azure.

• Проект Microsoft Foundry и ресурс. При создании проекта ресурс создается автоматически.

• Модель встраивания развернутая в вашем проекте для преобразования текста в вектор. Вы можете использовать любую text-embedding модель, например text-embedding-3-large.

• LLM , развернутый в вашем проекте для планирования запросов и создания ответов. Вы можете использовать любой LLM, поддерживаемый порталом.

Поддерживаемые LLMs

Хотя агентное извлечение программно поддерживает несколько LLM-ов, портал в настоящее время поддерживает следующие LLM-ы:

• gpt-4o
• gpt-4o-mini
• gpt-5
• gpt-5-mini
• gpt-5-nano

Настройка доступа

Перед началом работы убедитесь, что у вас есть разрешения на доступ к содержимому и операциям. В этом кратком руководстве используется Microsoft Entra ID для проверки подлинности и доступа на основе ролей для авторизации. Для назначения ролей необходимо быть владельцем или администратором доступа пользователей . Если роли не применимы, используйте проверку подлинности на основе ключей.

Для настройки доступа для данного руководства по быстрому запуску, выполните нижеуказанные действия.

1. Войдите на портал Azure.

2. В службе Поиск с использованием ИИ Azure:

   1. Включите доступ на основе ролей.

   2. Создайте управляемое удостоверение с системным назначением.

   3. Назначьте следующие роли учетной записи пользователя: участник службы поиска, участник данных индекса поиска и средство чтения данных индексов поиска.

3. В вашей учетной записи Хранилище BLOB-объектов Azure назначьте роль участника данных BLOB-хранилища управляемому удостоверению вашей службы поиска.

4. На вашем ресурсе Microsoft Foundry назначьте Пользователь когнитивных служб управляемому удостоверению вашего сервиса поиска.

Подготовка примеров данных

В этом кратком руководстве используются примеры документов JSON из электронной книги НАСА "Земля ночью", но вы также можете использовать собственные файлы. В документах описываются общие научные темы и изображения Земли ночью, как наблюдалось из космоса.

Чтобы подготовить примеры данных для этого краткого руководства:

1. Перейдите к учетной записи служба хранилища Azure на портале Azure.

2. В левой области выберитеконтейнеры> данных.

3. Создайте контейнер с именем earth-at-night-data.

4. Загрузите образцы JSON-документов в контейнер.

Создание источника знаний

Источник знаний — это повторно используемые ссылки на исходные данные. В этом разделе вы создаете источник знаний blob-объектов, который активирует создание источника данных, набора навыков, индекса и индексатора для автоматизации индексирования и обогащения данных. Эти объекты можно просмотреть в следующем разделе.

Вы также настраиваете векторизатор, который использует развернутую модель внедрения для преобразования текста в векторы и сопоставления документов на основе семантической сходства. Векторизатор, поля векторов и векторы добавляются в автоматически созданный индекс.

Чтобы создать источник знаний для этого быстрого старта:

1. Перейдите в службу поиска на портале Azure.

2. В левой области выберите Агентское извлечение>Источники знаний.

3. Выберите Добавить источник знаний>Добавить источник знаний.

4. Выберите Azure блоб (индексированный).

5. Введите earth-at-night-ks в качестве имени, а затем выберите вашу подписку, учетную запись хранения и контейнер с образцами данных.

6. Установите флажок "Проверка подлинности с помощью управляемого удостоверения ". Оставьте тип удостоверения назначенным системой.

7. В разделе "Включить векторизацию текста" выберите "Добавить векторизатор".

8. Выберите Microsoft Foundry для типа, а затем выберите подписку, проект и развертывание модели внедрения.

9. Выберите назначенное системой удостоверение для типа проверки подлинности.

10. Сохраните векторизатор.

11. Создайте источник знаний.

    

Создание базы знаний

База знаний использует источник знаний и развернутый LLM для оркестрации агентического извлечения. Когда пользователь отправляет сложный запрос, LLM создает вложенные запросы, которые отправляются одновременно в источник знаний. Поиск с использованием ИИ Azure затем семантически ранжирует результаты для релевантности и объединяет лучшие результаты в единый унифицированный ответ.

Выходной режим определяет, как база знаний сформулирует ответы. Вы можете использовать извлекаемые данные для подробного содержимого или синтеза ответов для создания ответов на естественном языке. По умолчанию портал использует синтез ответов.

Чтобы создать базу знаний для этого краткого руководства:

1. На левой панели выберите агентический выбор>базы знаний.

2. Выберите Добавить базу знаний>Добавить базу знаний.

3. Введите earth-at-night-kb для имени.

4. В разделе "Модель завершения чата" выберите "Добавить развертывание модели".

5. Выберите Microsoft Foundry для типа, а затем выберите подписку, проект и развертывание LLM.

6. Выберите назначенное системой удостоверение для типа проверки подлинности.

7. Сохраните развертывание модели.

8. В разделе "Источники знаний" выберите землю в ночное время.

9. Создайте базу знаний.

   

Тестовое извлечение на основе агентных функций

На портале предоставляется площадка чата, где можно отправлять retrieve запросы в базу знаний. Ответы включают ссылки на источники знаний и отладочные сведения о процессе извлечения.

Чтобы запросить базу знаний, выполните следующие действия.

1. Используйте поле чата для отправки следующего запроса.

   Why do suburban belts display larger December brightening than urban cores even though absolute light levels are higher downtown? Why is the Phoenix nighttime street grid is so sharply visible from space, whereas large stretches of the interstate between midwestern cities remain comparatively dim?
   

2. Просмотрите синтезированный ответ, поддерживаемый ссылкой, который должен быть похож на следующий пример.

   Suburban belts show larger December brightening in satellite nighttime lights than urban cores mainly because of relative (percentage) change effects and differences in how light is used and distributed. Areas with lower baseline light (suburbs, residential streets) can increase lighting use or reflect more light in winter and so show a bigger percent change, while bright urban cores are already near sensor saturation so their relative increase is small. The retrieved material explains that brightest lights are generally the most urbanized but not necessarily the most populated, and that poor or low‑light areas can have large populations but low availability or use of electric lights; thus lower‑light suburbs can exhibit larger relative changes when seasonal lighting rises.
   

3. Щелкните значок отладки, чтобы просмотреть журнал действий, который должен быть похож на следующий json.

   [
     {
       "type": "modelQueryPlanning",
       "id": 0,
       "inputTokens": 1518,
       "outputTokens": 284,
       "elapsedMs": 3001
     },
     {
       "type": "azureBlob",
       "id": 1,
       "knowledgeSourceName": "earth-at-night-ks",
       "queryTime": "2025-12-12T18:54:28.792Z",
       "count": 1,
       "elapsedMs": 456,
       "azureBlobArguments": {
         "search": "causes of December brightening in satellite nighttime lights suburban vs urban cores"
       }
     },
     {
       "type": "azureBlob",
       "id": 2,
       "knowledgeSourceName": "earth-at-night-ks",
       "queryTime": "2025-12-12T18:54:29.389Z",
       "count": 3,
       "elapsedMs": 596,
       "azureBlobArguments": {
         "search": "factors affecting seasonal variation in nighttime lights December winter brightening suburban belts urban cores"
       }
     },
     {
       "type": "azureBlob",
       "id": 3,
       "knowledgeSourceName": "earth-at-night-ks",
       "queryTime": "2025-12-12T18:54:29.862Z",
       "count": 6,
       "elapsedMs": 472,
       "azureBlobArguments": {
         "search": "why is Phoenix street grid highly visible at night from space compared to dim interstates in the Midwest reasons lighting patterns road lighting urban form"
       }
     },
     {
       "type": "agenticReasoning",
       "id": 4,
       "retrievalReasoningEffort": {
         "kind": "low"
       },
       "reasoningTokens": 111243
     },
     {
       "type": "modelAnswerSynthesis",
       "id": 5,
       "inputTokens": 7514,
       "outputTokens": 1058,
       "elapsedMs": 12334
     }
   ]
   

   Журнал действий содержит аналитические сведения о шагах, выполняемых во время извлечения, включая планирование запросов и выполнение, семантический ранжирование и синтез ответов. Дополнительные сведения см. в разделе "Просмотр массива действий".

Просмотр созданных объектов

Поиск с использованием ИИ Azure автоматически создает источник данных, набор навыков, индекс и индексатор для каждого хранилища объектов Blob. Эти объекты образуют сквозной поток обработки данных для приема данных, обогащения, разделения на блоки и векторизации. Эти объекты можно просмотреть, чтобы узнать, как обрабатываются данные для извлечения данных агентами.

Чтобы просмотреть автоматически созданные объекты, выполните следующие действия.

1. В левой области выберите "Управление поиском".

2. Проверьте индексатор для сообщений об успешном выполнении или сбое. Ошибки подключения или квотирования отображаются в этом разделе.

3. Проверьте источник данных, чтобы проверить подключение к контейнеру хранилища BLOB-объектов.

4. Проверьте навыки, чтобы увидеть, как ваше содержимое делится на фрагменты и встраивается с помощью вашей модели встраивания.

5. Проверьте индекс, чтобы увидеть, как ваше содержимое индексируется и предоставляется для извлечения, включая поля, которые доступны для поиска и фильтрации, а также поля, в которых хранятся векторы для поиска по схожести. Используйте обозреватель поиска для выполнения запросов к созданному индексу.

Очистка ресурсов

При работе с собственной подпиской рекомендуется завершить проект, удалив ресурсы, которые больше не нужны. Ресурсы, оставшиеся на работе, могут стоить вам деньги.

На портале Azure выберите All resources или Resource groups на панели слева, чтобы найти ресурсы и управлять ими. Вы можете удалить ресурсы по отдельности или удалить группу ресурсов, чтобы удалить все ресурсы одновременно.

Вы также можете удалить источник знаний и базу знаний на соответствующих страницах портала. При удалении источника знаний портал предложит удалить связанный источник данных, набор навыков, индекс и индексатор.

Следующий шаг