Hinweis
Für den Zugriff auf diese Seite ist eine Autorisierung erforderlich. Sie können versuchen, sich anzumelden oder das Verzeichnis zu wechseln.
Für den Zugriff auf diese Seite ist eine Autorisierung erforderlich. Sie können versuchen, das Verzeichnis zu wechseln.
Gilt für: Azure Logic Apps (Verbrauch + Standard)
Von Bedeutung
Die Funktionen von Verbrauchs-Agent-Workflows befinden sich in der Vorschau und unterliegen den ergänzenden Nutzungsbedingungen für Microsoft Azure Previews.
Azure Logic Apps unterstützt Workflows, die Aufgaben mithilfe von Agentschleifen mit großen Sprachmodellen (LLMs) ausführen. Eine Agentschleife verwendet einen iterativen Prozess, um komplexe, mehrstufige Probleme zu lösen. Ein LLM ist ein trainiertes Programm, das Muster erkennt und Aufträge ohne menschliche Interaktion ausführt, z. B.:
- Analysieren, Interpretieren und Schlussfolgerungen ziehen über Informationen wie Anweisungen, Aufforderungen, Eingaben und andere Daten.
- Treffen Sie Entscheidungen basierend auf Ergebnissen und verfügbaren Daten.
- Formulieren Sie Antworten und geben Sie sie basierend auf den Anweisungen des Agent an den Fragesteller zurück.
Sie können Workflows erstellen, die autonome oder konversationale Agentenschleifen verwenden. Die Agentschleife verwendet natürliche Sprache, um mit Ihnen und dem verbundenen Modell zu kommunizieren. Der Agent verwendet auch modellgenerierte Ausgaben, um entweder mit oder ohne menschliche Interaktion zu arbeiten. Das Modell hilft der Agentenschleife, die folgenden Fähigkeiten bereitzustellen:
- Akzeptieren Sie Informationen über die Rolle des Agents, wie er zu bedienen ist und wie man reagieren soll.
- Empfangen und Beantworten von Anweisungen und Anfragen oder Aufforderungen.
- Verarbeiten von Eingaben, Analysieren von Daten und Treffen von Entscheidungen basierend auf verfügbaren Informationen.
- Wählen Sie Tools aus, um die aufgaben auszuführen, die zum Erfüllen von Anforderungen erforderlich sind. Ein Tool ist im Grunde eine Sequenz mit einer oder mehreren Aktionen, die eine Aufgabe ausführen.
- Passen Sie sich an Umgebungen an, die Flexibilität erfordern und dynamisch, dynamisch, unvorhersehbar oder instabil sind.
Mit 1.400+ Connectors, die Sie zum Erstellen von Tools für einen Agentenloop verwenden können, unterstützen Agenten-Workflows eine Vielzahl von Szenarien, die erheblich von Agentenloop- und Modellfunktionen profitieren. Erstellen Sie basierend auf Ihrem Szenario entweder einen autonomen Agent-Workflow ohne menschliche Interaktion oder einen Unterhaltungs-Agent-Workflow mit menschlicher Interaktion, um den Anforderungen Ihrer Lösung am besten gerecht zu werden.
Diese Übersicht umfasst die folgenden Bereiche:
- Agent- und Nichtagentworkflows
- Schlüsselkonzepte von Agent-Loops
- Autonome gegenüber Konversationsagent-Workflows
- Agentstruktur
- Beispielszenarien
- Authentifizierung und Autorisierung
- Grundlegende Abrechnungsinformationen
Agent- und Nichtagentworkflows
Workflows, die Agentschleifen verwenden, können sich über die Grenzen hinaus entwickeln, die für nichtagentische Workflows gelten. Agentworkflows können sich an Umgebungen anpassen, in denen unerwartete Ereignisse auftreten, auswählen, welche Tools basierend auf Eingabeaufforderungen, Eingaben und verfügbaren Daten verwendet werden sollen, ihre Leistung kontinuierlich verbessern, unstrukturierte Daten verarbeiten, komplexe Szenarien unterstützen und ein höheres Maß an Anpassungsfähigkeit und Flexibilität bieten. Nichtagentworkflows funktionieren am besten in stabilen Umgebungen, befolgen vordefinierte Regeln und führen Aufgaben aus, die statisch, vorhersagbar und sich wiederholen.
Die folgende Tabelle enthält weitere Vergleiche zwischen Agentworkflows und nichtagenten Workflows:
| Aspekt | Agent | Nicht-Agent |
|---|---|---|
| Logik | Treffen Sie fundierte Entscheidungen über die auszuführenden Aufgaben, basierend auf Eingaben und anderen verfügbaren Informationen, und ergreifen Sie Aktionen. | Folgen Sie vordefinierten Regeln und festen Sequenzen. |
| Aufgabenverwaltung | Behandeln von Aufgaben als separate Entitäten | Nicht anwendbar |
| Datenstruktur | Behandeln und Verarbeiten unstrukturierter Daten. | Behandeln und verarbeiten Sie strukturierte Daten mit vorhersagbaren Mustern. |
| Anpassungsfähigkeit | Erkennen und reagieren Sie auf sich ändernde Bedingungen und Umgebungen, treffen Sie Entscheidungen und passen Sie sich an neue Echtzeiteingaben an. | Kann mit Umgebungen zu kämpfen haben, die unerwartete oder dynamische Änderungen haben. |
Wichtige Begriffe
Die folgende Tabelle enthält grundlegende Einführungen in wichtige Konzepte:
| Begriff | BESCHREIBUNG |
|---|---|
| Agentschleife | Eine vorgefertigte Aktion, die einen strukturierten iterativen Prozess verwendet, um komplexe, mehrstufige Probleme zu lösen. Die Agentenschleife erreicht dieses Ziel durch das iterative Ausführen der folgenden Schritte: 1. Denken Sie daran: Sammeln, Verarbeiten und Analysieren verfügbarer Informationen und Eingaben wie Text, Bilder, Audio, Sensordaten usw. aus bestimmten Datenquellen. Wenden Sie Grund-, Logik- oder Lernmodelle an, um Anforderungen zu verstehen, Pläne oder Lösungen zu erstellen, und wählen Sie die beste Aktion aus, um Anfragen mit Hilfe von generativen KI-Modellen zu beantworten oder zu erfüllen. 2. Aktion: Auf der Grundlage der getroffenen Entscheidungen und verfügbaren Werkzeuge erledigen Sie Aufgaben in der digitalen oder realen Welt. 3. Lernen (optional): Passen Sie sein Verhalten im Laufe der Zeit mithilfe von Feedback oder anderen Informationen an. Ein Agent kann Anweisungen akzeptieren, mit Diensten, Systemen, Apps und Daten arbeiten, indem Sie Tools aufrufen, die Sie mit vordefinierten Aktionen in Azure Logic Apps erstellen und mit den Ergebnissen reagieren. Ein Agent kann Informationen verarbeiten, Entscheidungen treffen und Aufgaben ausführen, indem ein bereitgestelltes Modell verwendet wird, z. B. im Azure OpenAI-Dienst. Hinweis: Ein Agentworkflow kann mehrere Agents in eine Sequenz einschließen. Sie können einen Agent inline nicht als Tool in einem anderen Agent hinzufügen. Weitere Informationen finden Sie unter Was ist ein KI-Agent? |
| Großes Sprachmodell (LLM) | Ein Programm, das trainiert wurde, Muster zu erkennen und Aufträge ohne menschliche Intervention durchzuführen. Weitere Informationen finden Sie unter Was sind große Sprachmodelle? |
| Werkzeug | Ein Tool enthält eine oder mehrere Aktionen, die eine Aufgabe für einen Agent ausführen. Beispielsweise kann ein Tool E-Mails senden, mit Datenquellen arbeiten, Berechnungen oder Konvertierungen ausführen, mit APIs interagieren usw. Weitere Informationen finden Sie unter Tool erstellen, um das Wetter zu erhalten. |
| Agent-Parameter | Ein Parameter, den Sie auf einem Tool oder in einem Aktionsparameter erstellen, basierend auf dem Anwendungsfall für den Agent-Parameter. Sie erstellen Agentparameter, damit der Agent modellgeschützte Ausgaben als Parametereingaben für eine Aktion in einem Tool übergeben kann. Sie benötigen keine Agentparameter für Werte aus Nichtmodellquellen. Agentparameter unterscheiden sich auf folgende Weise von herkömmlichen Parametern: – Agentparameter gelten nur für das Tool, in dem Sie sie definieren. Diese Einschränkung bedeutet, dass Sie Agentparameter nicht für andere Tools freigeben können. Im Vergleich dazu können Sie herkömmliche Parameter global mit Vorgängen und Steuerungsflussstrukturen in einem Workflow teilen. – Agentparameter verwenden keine aufgelösten Werte, wenn der Workflow gestartet wird. Ein Agentparameter empfängt nur dann einen Wert, wenn der Agent das Tool mithilfe bestimmter Argumente aufruft. Diese Argumente werden zu den Agentparametern zum Aufrufen des Tools. – Ein Agent kann dasselbe Tool mehrmals mit unterschiedlichen Agentparameterwerten aufrufen, auch wenn dieses Tool in derselben Schleifeniteration vorhanden ist. Beispielsweise kann ein Tool das Wetter sowohl in Seattle als auch in London überprüfen. Weitere Informationen finden Sie unter Erstellen von Agentparametern für die Aktion "Prognose abrufen". |
| Zusammenhang | Ein Agent verwaltet einen Protokollverlauf, indem eine maximale Anzahl von Token oder Nachrichten als Kontext beibehalten und diesen Kontext für die nächste Interaktion an das Modell übergeben wird. Jedes Modell weist unterschiedliche Grenzwerte für die Kontextlänge auf. |
Autonome gegenüber Konversationsagent-Workflows
Um besser zu verstehen, wie sich diese Agent-Workflowtypen unterscheiden, werden in den folgenden Abschnitten Beispiele für jeden Agent-Workflowtyp beschrieben und gezeigt. Beide Workflowtypen verwenden eine Agentschleife und Tools, um das aktuelle Wetter abzurufen und diese Informationen per E-Mail zu senden. Alle Agents verfügen über einen Informationsbereich, in dem Sie den Agent mit dem gewünschten Modell einrichten und Anweisungen zu den Rollen des Agents, seinen Funktionen und der Möglichkeit zur Reaktion bereitstellen.
Autonomer Agent-Workflow
Die folgenden allgemeinen Schritte beschreiben das Verhalten für einen einfachen autonomen Agent-Workflow:
Der Workflow beginnt mit jedem verfügbaren unterstützten Trigger.
Optionalerweise können null oder mehrere Aktionen zwischen dem Trigger und dem Agenten ausgeführt werden.
Der Agent akzeptiert Systemanweisungen und nichtmenschliche Eingabeaufforderungen oder Eingaben, z. B. Ausgaben vom Trigger oder einer vorherigen Aktion.
Je nachdem, ob Sie über einen Workflow für Verbrauchs- oder Standard-Agenten verfügen, verwendet der Agent ein Azure OpenAI-Modell oder eine LLM-API aus der folgenden Quelle, um die Anweisungen und Anfragen zu interpretieren und zu verstehen. Der Agent verwendet auch das Modell, um die bereitgestellten Eingaben zu verarbeiten und zu analysieren.
Logik-App Modellquelle Consumption Microsoft Foundry Norm - Azure OpenAI Service-Ressource
- Azure AI Foundry-Projekt (Vorschau)
- Azure API-Verwaltungskonto mit einer LLM-API (Vorschau)Basierend auf den Agentanweisungen hilft das Modell dabei, zu planen, welche Tools der Agent aufrufen muss, um die erforderlichen Aufgaben auszuführen.
Der Agent gibt die Toolergebnisse zurück und antwortet auf den Workflowanrufer oder den angegebenen Empfänger.
Der folgende Screenshot zeigt ein grundlegendes Beispiel für einen autonomen Agent-Workflow:
Konversationsagent-Workflow
Die folgenden allgemeinen Schritte beschreiben das Verhalten für einen einfachen Konversationsagent-Workflow:
Der Workflow beginnt immer mit dem Trigger namens "Beim Starten einer Chatsitzung".
Optionalerweise können null oder mehrere Aktionen zwischen dem Trigger und dem Agenten ausgeführt werden.
Der Agent akzeptiert Systemanweisungen und von Menschen bereitgestellte Eingabeaufforderungen oder Eingaben über die integrierte Chatschnittstelle, z. B. Was ist das Wetter in Seattle?
Je nachdem, ob Sie über einen Workflow für Verbrauchs- oder Standard-Agenten verfügen, verwendet der Agent ein Azure OpenAI-Modell oder eine LLM-API aus der folgenden Quelle, um die Anweisungen und Anfragen zu interpretieren und zu verstehen. Der Agent verwendet auch das Modell, um die bereitgestellten Eingaben zu verarbeiten und zu analysieren.
Logik-App Modellquelle Consumption Microsoft Foundry Norm - Azure OpenAI-Service-Ressource
- Azure API-Verwaltungskonto mit einer LLM-API (Vorschau)Basierend auf den Agentanweisungen hilft das Modell beim Planen der Tools, die der Agent für die erforderlichen Aufgaben aufruft.
Der Agent gibt die Toolergebnisse zurück und antwortet über die Chatschnittstelle auf die menschliche Eingabeaufforderung.
Der folgende Screenshot zeigt einen grundlegenden Beispielworkflow eines konversationalen Agenten.
Der folgende Screenshot zeigt die integrierte Chatschnittstelle, auf die Sie über die Designersymbolleiste oder das Workflow-Randleistenmenü im Azure-Portal zugreifen können:
Unterhaltungs-Agent-Workflows unterstützen auch einen externen Chatclient, den andere außerhalb des Azure-Portals verwenden können. Um den Zugriff für diesen externen Chatclient bereitzustellen und zu sichern, müssen Sie die Produktionsauthentifizierung und Autorisierung einrichten.
Erkunden der Agent-Workflowstruktur
Um einen neuen Agent-Workflow zu erstellen, erstellen Sie eine Consumption Logic App in mehrinstanzenfähigen Azure Logic Apps oder eine Standard Logic App im Einzelmandantenmodell von Azure Logic Apps, und wählen Sie einen der folgenden Workflowtypen aus.
- Autonome Agenten
- Konversationsagenten
Diese Workflowtypen umfassen alle Funktionen in „Verbrauch“ oder „Standardstatus“-Workflows und sind speziell für die Arbeit mit Agent-Funktionen konzipiert. Diese Workflowtypen enthalten automatisch einen leeren Agent.
Der folgende Screenshot zeigt beispielsweise einen neuen autonomen Agent-Workflow:
Der folgende Screenshot zeigt einen neuen Workflow für einen Konversationsagenten:
In Standard-Logik-Apps zeigt der folgende Screenshot, wie Sie bei einem vorhandenen stateful Workflow eine Agent-Aktion hinzufügen können, um autonome Agent- und LLM-Fähigkeiten einzuschließen.
Während Verbrauchsagent-Workflows automatisch mit einem zu verwendenden Modell eingerichtet werden, müssen Sie bei Standardagent-Workflows eine Verbindung mit dem Modell einrichten, damit der Agent das Modell verwenden kann.
Hinweis
Im Verbindungsbereich werden die verschiedenen Verbindungsanforderungen basierend auf Ihrem Workflowtyp und der ausgewählten Modellquelle angezeigt.
Der Agent erfordert, dass Sie Anweisungen bereitstellen, die die Rollen beschreiben, die der Agent spielen kann, Aufgaben, die der Agent ausführen kann, und andere spezifische präskriptive Informationen, die dem Agent helfen, auf Eingabeaufforderungen zu antworten, Fragen zu beantworten und angeforderte Aufgaben auszuführen, z. B.:
Ein leerer Agent, der mit einem Modell verbunden ist, kann auf Eingabeaufforderungen reagieren, die nur die Funktionen des Modells verwenden, sodass ein Agent keine Tools enthalten muss. Damit der Agent jedoch Aktionen verwenden kann, die in Azure Logic Apps verfügbar sind, muss der Agent Tools erstellen. Sie können mit dem Erstellen eines Tools beginnen, indem Sie zuerst eine Aktion aus dem Connector-Katalog hinzufügen.
Das folgende Diagramm zeigt den Katalog, in dem Sie Aktionen zum Erstellen von Tools durchsuchen und auswählen können:
Das folgende Diagramm zeigt einen Wetteragenten, der die Wettervorhersage abrufen und diese Prognose per E-Mail senden kann:
Weitere Beispielszenarien
Im folgenden Abschnitt werden einige weitere Möglichkeiten beschrieben, wie ein Agent Aufgaben in einem Workflow ausführen kann:
Hypothekenkreditberater
Stellen Sie sich vor, dass Ihre Bank einen Hypothekenkreditberater verwendet, der Kredite bei Bedarf autonom oder mit menschlichem Eingreifen verarbeitet, indem sie die folgenden Aufgaben in einer einzigen koordinierten Schleife ausführen:
- Sprechen Sie mit Kunden, um Fragen zu beantworten.
- Überprüfen Sie Darlehensanträge.
- Sammeln Sie Finanzinformationen, um die Kreditberechtigung zu bewerten.
- Abrufen und Analysieren von Risikodaten.
- Fordern Sie Immobilienbewertungen an und fassen Sie diese zusammen, sobald sie eingereicht werden.
- Für Spezialfälle schließen Sie menschliche Prüfer ein.
- Genehmigen oder Ablehnen von Anwendungen.
- Kommunizieren Sie Entscheidungen an relevante Parteien.
Auftragserfüllungs-Agent
Angenommen, Ihr Unternehmen verwendet einen Auftragserfüllungsagenten, um die folgenden Aufgaben auszuführen:
- Wenden Sie sich an Kunden, um Produktfragen auf der Grundlage von Unternehmenskenntnissen zu beantworten.
- Erstellen Sie Bestellungen, übergeben Sie sie aber bei Bedarf an den Menschen.
- Bieten Sie 24/7 Unterstützung mit intelligenter Eskalation.
Sie können auch einen Agenten haben, der die Arbeit über andere Agenten hinweg orchestriert. So könnten Sie beispielsweise über ein Team von Agents verfügen, z. B. einen Autor, einen Bearbeiter und einen Herausgeber, die zusammenarbeiten, um Vertriebsberichte zu erstellen und zu verteilen.
Arbeitsauftragsagent für Einrichtungen
Um ein internes Einrichtungsteam zu unterstützen, führt ein Arbeitsauftragsmitarbeiter die folgenden Aufgaben aus:
- Sprechen Sie mit Mitarbeitern und stellen Sie Optionen für Serviceanfragen bereit.
- Öffnen Sie Arbeitsaufträge basierend auf den Mitarbeiterauswahlen.
- Senden Sie Arbeitsaufträge an die entsprechenden Serviceteams.
- Aktualisieren Sie die Arbeitsaufträge mit dem Fortschritt und Status der Tätigkeiten.
- Schließen Sie Arbeitsaufträge, wenn Aufträge abgeschlossen sind.
- Informieren Sie die entsprechenden Parteien über abgeschlossene Aufträge.
Authentifizierung und Autorisierung
Nichtagentworkflows interagieren in der Regel mit einem kleinen, bekannten und vorhersagbaren Satz von Anrufern. Konversationsagenten-Workflows kommunizieren jedoch mit einer breiteren Palette von Anrufern, z.B. Personen, Agenten, MCP-Servern (Model Context Protocol), Tool-Brokern und externen Diensten. Diese breitere Reichweite erhöht die Integrationsoptionen, führt jedoch zu unterschiedlichen Sicherheitsproblemen, da Anrufer aus dynamischen, unbekannten oder nicht vertrauenswürdigen Netzwerken stammen können. Wenn Anrufer von Netzwerken stammen, die Sie nicht steuern oder wenn Identitäten externe oder ungebundene Identitäten sind, müssen Sie jeden Anrufer authentifizieren und autorisieren, damit Sie Unterhaltungs-Agent-Workflows schützen können, da sie einen externen Chatclient für die Interaktion mit Personen bereitstellen.
Bei Nichtproduktionsaktivitäten verwendet das Azure-Portal einen Entwicklerschlüssel für die Authentifizierung und Autorisierung. Wenn Ihre Conversational-Agent-Workflows jedoch für die Produktion bereit sind, richten Sie die entsprechende Produktionsauthentifizierung und -autorisierung für Ihren Logik-App-Typ ein.
Entwicklerschlüsselauthentifizierung und Autorisierung
Nur für Nichtproduktionsaktivitäten, z. B. Entwurf, Entwicklung und schnelle Validierung, stellt das Azure-Portal einen Entwicklerschlüssel bereit, verwaltet und verwendet einen Entwicklerschlüssel , um Ihren Workflow in Ihrem Auftrag auszuführen.
Was ist ein Entwicklerschlüssel?
Ein Entwicklerschlüssel ist ein Komfortauthentifizierungsmechanismus, der nur vom Azure-Portal verwendet wird, um Ihren Workflow während der Entwurfs-, Entwicklungs- und Schnelltestphasen im Azure-Portal auszuführen. Während dieser Phasen können Sie mit dem Entwicklerschlüssel die Notwendigkeit überspringen, easy Auth manuell einzurichten oder Rückruf-URLs mit freigegebenen Zugriffssignaturen (SAS) zu kopieren. Der Schlüssel ist mit einem bestimmten Benutzer und Mandanten verknüpft, der nur auf einem Azure Resource Manager-Bearertoken basiert, bei dem es sich um ein Zugriffstoken handelt, das Anforderungen an die REST-API des Azure Resource Manager authentifiziert.
Das Portal fügt automatisch den Entwicklerschlüssel ein, wenn Sie integrierte Testoberflächen im Workflow-Designer verwenden, z. B. einen Workflow ausführen, den Anforderungstrigger aufrufen oder mit einem Unterhaltungs-Agent-Workflow in der internen Chatschnittstelle interagieren. Der Schlüssel ist implizit an eine Mandantensitzung und einen angemeldeten Portalbenutzer gebunden, sodass Sie den Schlüssel aufgrund dieser Bindung, die nur auf dem ARM-Bearertoken basiert, nicht extern verteilen können.
Wichtige Einschränkungen für Entwickler
In der folgenden Liste werden die Nutzungs- und Entwurfsbeschränkungen des Entwicklerschlüssels beschrieben:
- Der Schlüssel ist kein Ersatz für Easy Auth, verwaltete Identität, Verbundanmeldeinformationen oder signierte Rückruf-URLs in Produktionsszenarien.
- Der Schlüssel wurde nicht für große oder nicht vertrauenswürdige Anruferpopulationen, Agenttools oder Automatisierungsclients entwickelt.
- Der Schlüssel ist kein Benutzerautorisierungsmechanismus, da es an granularen Bereichen und Rollen fehlt.
- Der Schlüssel unterliegt nicht den Richtlinien für bedingten Zugriff auf der Anforderungsausführungsebene, nur auf der Portalanmeldungsebene.
- Der Schlüssel ist nicht für die programmgesteuerte oder CI/CD-Verwendung vorgesehen.
Einen Vergleich zwischen Entwicklerschlüssel und Easy Auth finden Sie unter Easy Auth im Vergleich zum Entwicklerschlüssel.
Anwendungsfälle für Entwicklerschlüssel
In der folgenden Tabelle werden geeignete und unangemessene Szenarien für die Verwendung des Entwicklerschlüssels beschrieben:
| Geeignete Szenarien | Unangemessene Szenarien |
|---|---|
| Schnelle Tests im Designer, bevor Sie die Authentifizierung formalisieren. | Ihr Workflow benötigt deterministische Automatisierung, die stattdessen einen Dienstprinzipal und Easy Auth oder signierte SAS verwendet. |
| Überprüfen Sie die Workflowstruktur, Bindungen oder das grundlegende Trigger- und Aktionsverhalten. | – Ihre Workflowanrufer umfassen externe Agents, MCP-Server oder konversationelle Clients. – Sie planen, Ihren Workflowendpunkt außerhalb Ihres Mandanten zu veröffentlichen. |
| Temporäre Sandkasten- oder Spike-Prototypen, die später Easy Auth oder SAS-URL-Härtung implementieren. | Ihr Workflow erfordert auditierbare Benutzeridentitäten, Tokenwiderruf, Richtlinien für bedingten Zugriff oder das Prinzip der minimalen Rechte. |
Produktionsauthentifizierung und Autorisierung
Wenn Ihre Unterhaltungs-Agent-Workflows für die Produktion bereit sind, beschreiben die folgenden Abschnitte Nichtproduktions- und Produktionsoptionen für die Authentifizierung von Anrufern und die Autorisierung des Zugriffs auf Agentworkflows.
| Logik-App | Authentifizierung und Autorisierung |
|---|---|
| Consumption | OAuth 2.0 mit Microsoft Entra ID |
| Norm | Easy Auth, auch bekannt als App Service Authentication, in Ihrer Logik-App-Ressource ermöglicht einen externen Chatclient außerhalb des Azure-Portals, den andere verwenden können, nachdem Sie Easy Auth eingerichtet haben. Weitere Informationen finden Sie unter Easy Auth für Ihre Logik-App. |
Weitere Informationen zur Produktionsauthentifizierung und Autorisierung finden Sie auf der Registerkarte für Ihren Logik-App-Typ.
OAuth 2.0 mit Microsoft Entra ID für Ihre Logik-App
Richten Sie eine Agent-Autorisierungsrichtlinie für Ihre Logik-App-Ressource ein, um den Zugriff auf Ihren Chat-Client mit OAuth 2.0 mit Microsoft Entra ID zu schützen und Conversational-Agent-Workflows in der Produktion zu nutzen. Siehe Migration zur Produktionsauthentifizierung.
Abrechnung
Verbrauch: Die Abrechnung verwendet das Pay-as-You-Go-Modell. Die Preisgestaltung des Agent-Loops basiert auf der Anzahl der Tokens, die jede einzelne Agentenaktion verwendet, und die auf Ihrer Rechnung als Enterprise Units erscheinen. Spezifische Preisinformationen finden Sie unter Azure Logic Apps-Preise.
Standard: Obwohl Agentworkflows keine zusätzlichen Gebühren verursachen, entstehen KOSTEN für die Nutzung des KI-Modells. Weitere Informationen finden Sie im Azure-Preisrechner.