使用 Agent 建立工具建置社群媒體內容代理程式
本章將帶領您使用 Foundry 工具組中的 Agent 建立工具來建置實用的社群媒體內容代理程式。其目標不僅是產生文字，而是建立一個能夠提出適當追蹤問題、使用受信任上下文，並傳回團隊實際可審查與發布之輸出的助理。
在本章結束時，您將擁有一個可重複的工作流程，以便在 Visual Studio Code 中從構想轉換為經過測試的提示詞代理程式行為。
問題界定：具備根據的代理程式是決策系統
一個有用的觀點是將此代理程式視為決策系統，而不只是文字產生器。輸出品質取決於三個相互關聯的決策
- 何時提出釐清問題：例如，如果提示詞缺少目標對象或語氣，代理程式應在起草文案之前先提出問題。
- 何時呼叫工具：如果提示詞參照了 Microsoft 技術，代理程式應在起草文案之前擷取官方說明文件。
- 如何塑造最終內容以供審查：代理程式應根據團隊樣式指南來格式化草稿，並包含對支援素材的參照。
當這些決策明確時，您的團隊就能獲得更可預測且更值得信賴的行為。
這就是「聽起來很聰明」與「安全可發布」之間的區別。
當您在有根據與沒有根據的情況下執行相同的提示詞時，就能在實務中看到這一點。具備根據的版本通常會產生較少模糊的聲明並具有更好的可追蹤性，這正是內容團隊在發布技術訊息時所需的。
先決條件
在我們開始建置之前，讓我們先確認您的設定已經就緒。本章結合了代理程式撰寫、工具根據與評估，因此若缺少先決條件可能會導致流程在中途中斷。
如果以下所有項目都已備妥，您應該就能順利完成整章而無需繞路。
- Visual Studio Code 設定：已安裝 Foundry 工具組的 Visual Studio Code。
- 專案存取權：在 Foundry 工具組中連線的 Microsoft Foundry 專案。
- 模型整備狀態：至少有一個可用的已部署模型來支援代理程式。
- GitHub Copilot 支援：在 Visual Studio Code 中啟用 GitHub Copilot，以進行導引式評估設定。
- 評估資料：JSONL 資料集 (或準備好產生合成資料集)。
確認設定後，我們就可以明確定義我們正在建置的內容以及為什麼設計選擇很重要。
現在我們從設定模式切換至建置模式。
您將學到什麼
目標成果是用於以開發人員為中心的行銷工作流程的社群內容助理。它會將粗略的活動輸入轉換為結構化的草稿內容，並在缺少必要詳細資料時提出釐清問題。
您將學習如何
- 產生內容草稿：製作 LinkedIn 文案、短說明文字和行銷活動切入點。
- 處理各種輸入：從簡短文字、功能筆記、螢幕擷取畫面和目標著手。
- 套用品質護欄：遵循系統指示中的語氣與結構條件約束。
- 傳回可供審查的輸出：格式化回應，讓行銷人員和開發人員倡導者能夠快速驗證。
在碰觸組態畫面之前，讓我們先明確說明為什麼這種低程式碼模式很有價值。
步驟 1：在 Agent 建立工具中建立代理程式
在 Foundry 工具組的「開發人員工具」下方開始，並開啟用於建立代理程式的建置路徑。在本章中，我們刻意先使用低程式碼路徑，因為它讓我們在撰寫任何自訂程式碼之前，就能快速測試行為。
提示：為了實作的一致性，請使用特定角色的名稱，並挑選專案中已經部署的模型。
請遵循以下步驟來建立代理程式
- 瀏覽至「開發人員工具」->「建置」->「建立代理程式」->「開啟 Agent 建立工具」。
- 指派一個著重於明確角色的名稱，例如 開發人員社群內容助理 (Dev Social Content Assistant)。
- 選取適用於簡明寫作、遵循指示以及多模態輸入的模型。
以下是在 Agent 建立工具中啟動建立代理程式流程後您應該看到的畫面。
圖 01：在 Agent 建立工具中建立新代理程式。
接下來，我們需要設定用來定義代理程式角色、目標對象與輸出期望的指示。
步驟 2：定義強固的指示
強固的系統提示詞以具體詞彙定義了角色、目標對象、界線和輸出形狀。這很重要，因為模糊的指示通常會產生模糊的文案和不一致的後續追蹤行為。
為社群內容代理程式撰寫指示時，需要考慮以下事項
- 角色清晰度：支援製作面向開發人員之內容的社群媒體團隊。
- 行為規則：當缺少必要的詳細資料時，提出追蹤問題。
- 語氣條件約束：避免誇大的宣稱，並包含清晰的技術價值。
- 輸出結構：將最終文案與基本原理及假設區隔開來。
以下是擷取這些需求的系統提示詞範例。您可以根據自己的風格和團隊需求加以調整。
圖 02：為社群內容代理程式定義系統提示詞指示。
在指示看起來很穩固之後，請儲存代理程式，使其成為可重複使用的專案資產。
步驟 4：儲存並註冊提示詞代理程式
定義好指示後，將代理程式儲存至您的 Foundry 專案中，使其出現在專案資源中。這會將暫時的編輯工作階段轉化為團隊可以重新造訪的可追蹤成品。
在新增工具之前，它也提供您一個乾淨的基礎版本。
選取 [儲存] 按鈕。它應該會提供兩個選項：「儲存至 Foundry」或「儲存至本機檔案」。選擇 Save to Foundry。
圖 03：將代理程式儲存至專案資源以便重複使用與版本控制。
儲存代理程式後，我們就可以新增工具，將其連線至權威的 Microsoft 說明文件。
步驟 5：新增適用於具備根據之內容的 MCP 工具
可靠的內容代理程式不應只依賴基礎模型的記憶。在此工作流程中，MCP 透過 Microsoft Learn MCP 伺服器將代理程式連線至權威的 Microsoft 說明文件。
對於此情境而言，只要行銷活動文字參照了產品功能、發行詳細資料或平台行為，根據就很重要。
-
在 [工具] 區段中，按一下「+」並選取 [MCP 伺服器]
圖 04：在工具中選取 MCP 伺服器
接下來，我們需要選取要使用的 MCP 伺服器。
-
從可用伺服器清單中選取 Microsoft Learn MCP 伺服器。
圖 05：將 MCP 伺服器工具新增至代理程式以取得具備根據的回應。
光是新增工具並不足夠，因此下一步是教導代理程式何時使用這些工具。
步驟 6：將工具使用指引新增至指示中
新增工具只完成了了一半的工作。您還需要指示層級的指引，告訴代理程式何時需要呼叫工具以及如何排序這些呼叫。
如果沒有這個，代理程式可能會略過擷取或不一致地呼叫工具。
在實務中，您會希望有明確的觸發邏輯，例如：如果提示詞詢問關於 Microsoft 技術的資訊，請在起草輸出之前先擷取官方說明文件。
- 決策邏輯：偵測使用者何時詢問關於 Microsoft 技術的資訊。
- 規劃行為：識別產生文案之前所需的資訊。
- 工具選取：路由至適當的 Microsoft Learn MCP 工具。
- 具備根據的輸出：根據已驗證的來源而非先前假設來產生回應。
以下是如何在系統提示詞中表達這一點的範例，好讓代理程式知道何時呼叫工具以及如何使用擷取的上下文。您要求代理程式以步驟思考、分析意圖，然後決定要呼叫什麼工具以及可能的額外工具呼叫。最後，新增指引來限制代理程式使用擷取之上下文時可以做什麼和不能做什麼。
圖 06：將工具使用指引新增至代理程式指示中。
在此階段，於遊樂場中執行實際的測試。
這就是代理程式向您展示其真正實力的地方。
步驟 7：在 Agent 遊樂場中進行測試
設定好指示與工具之後，直接在 Agent 建立工具的遊樂場中執行實際的提示詞。使用反映團隊實際收到的行銷活動要求的提示詞，而不是合成的一行文。
在這個步驟中，行為品質很快就會顯現出來。
例如，要求一篇關於適用於開發人員目標對象之 GitHub Copilot 應用程式的 LinkedIn 貼文，並檢查助理是否既擷取了受信任的上下文，又提出了有用的追蹤問題。
以下是測試時需要注意的事項
- 工具驗證：確認對 Microsoft Learn 叫用了說明文件搜尋。
- 回應品質：檢查草稿的有用性、結構以及行動呼籲 (call-to-action) 的放置位置。
- 追蹤行為：確保代理程式在需要時提出釐清問題。
- 透明度：驗證是否在要求時顯示基本原理。
請參閱下圖，其中顯示了輸入的提示詞、叫用了哪些工具以及代理程式的最終輸出。
圖 07：在遊樂場中使用實際的提示詞測試代理程式。
手動測試很有用，但下一個步驟是品質變得可量測的地方。
步驟 8：透過評估來擴充驗證
評估是跨多個測試列量測行為品質的可重複方法。它們可讓您根據明確的計量對代理程式進行評分，並識別需要改進的地方。
手動遊樂場測試很有用，但對於可重複的品質控制而言，其擴充性不佳。這個步驟引進了內建的評估工作流程，讓您可以透過多個測試列，根據明確的計量來評分行為。
在進一步探討之前，我們需要了解兩個主要概念
- 評估 (Evaluation)：一種針對測試列資料集評分代理程式行為的結構化程序。每一列都有輸入提示詞和預期輸出，評估會將實際回應與預期回應進行比較。
- 評估工具 (Evaluator)：套用計量來判斷代理程式回應品質的評分機制。評估工具計量的範例包括任務遵循度、流暢度、相關性以及具備根據性 (groundedness)。
Foundry 工具組對評估提供了強大的內建支援，因此讓我們逐步說明如何進行設定。
當您建立代理程式時，也有一個評估區域可協助您設定評估。其概念是建立測試提示詞和預期輸出的資料集，然後執行評估以查看代理程式的執行效能。
假設您有像這樣的代理程式，以下是設定評估的方式。
-
選取評估區域並選取以產生資料集 (左上方按鈕)
請參閱下圖中的「評估」索引標籤。請選取該索引標籤。
-
按一下左上方的按鈕來選取以產生資料集。
您應該會先看到一個顯示用於產生資料集之提示詞範本的模型。確認提示詞並選取以產生資料集。這將會建立一個包含可用於評估之測試列的 JSONL 檔案。
一組您可針對模型執行的已產生提示詞可能會如下所示。
-
透過執行評估來測試您的代理程式 (選取 [播放] 圖示)
您應該會看到每個提示詞是如何針對代理程式執行的，並且您可以對結果給予讚/倒讚。
圖 08：設定代理程式的評估設定。
這是快速了解代理程式針對所產生資料集之執行效能的好方法。您可以調整代理程式的指示、工具或其他設定，然後重新執行評估以查看效能是否有所改善。
快速問答
如果代理程式提供瞭精雕細琢的輸出，卻無法解釋關鍵產品事實的來源，您會信任它進行外部發布嗎？
解答
在大多數的生產團隊中，答案是否定的。缺乏可追蹤根據的優美措辭會產生審查風險，特別是針對技術宣告。可靠的發布工作流程需要高品質的語言以及可驗證的來源使用方式。
後續步驟
在驗證基於提示詞的社群內容助理之後，下一步就是更深入的代理程式工程。您可以擴充至更豐富的工具協調、更強大的資料集，以及專注於生產的部署與監視工作流程。
下一章將在此基礎上建構，以便隨著複雜度增加而保持良好的行為品質。
您現在正在建置可靠性，而不是事後才來修補。
深入了解
如果您想在實作流程之後深化本章的內容，請使用下列資源作為導引式擴充路徑。從代理程式基礎開始，然後移至實作與部署參照，以便每個連結都奠基於前一個連結之上。此順序反映了團隊通常如何從提示詞代理程式原型發展為就緒可供生產的代理程式工作流程。
- Copilot Chat 工作流程：檢閱 Visual Studio Code 說明文件中的 Copilot Chat 指引。
- Azure AI Foundry 概觀：了解更廣泛的平台與工作流程介面。
- Azure AI 代理程式概觀：檢閱核心代理程式概念與生命週期指引。
- Azure AI 代理程式快速入門：端對端建置並執行實用的代理程式。
- Foundry SDK 開發指南：探索以 SDK 為基礎的實作模式。
- Azure Developer CLI 說明文件：使用 azd 進行可重複的專案與部署工作流程。
- 模型部署參照：在 Azure AI Foundry 中部署 OpenAI 模型。