Kurs Copilot Studio – projektowanie i wdrażanie własnych agentów AI

1. Wprowadzenie do Copilot Studio

Copilot Studio zostaje osadzone w ekosystemie Microsoft, z wyraźnym rozróżnieniem względem Microsoft 365 Copilot i Copilot Chat. Uczestnicy analizują architekturę platformy, interfejs pracy, założenia Agentic AI oraz przykłady zastosowań agentów AI w środowisku organizacyjnym.

• czym jest Microsoft Copilot Studio i architektura platformy,
• różnice między Microsoft 365 Copilot, Copilot Chat i Copilot Studio,
• możliwości tworzenia agentów AI dla organizacji,
• Agentic AI – czym są inteligentni i autonomiczni agenci,
• przykłady zastosowań agentów AI w biznesie,
• omówienie interfejsu użytkownika i środowiska pracy.

2. Projektowanie agenta AI

Punkt wyjścia stanowi określenie celu, zakresu działania i roli agenta w procesie. Następnie uczestnicy projektują scenariusze rozmów, budują Topics, Instructions i Conversation Flow, wykorzystują AI Instructions do sterowania modelem oraz planują architekturę i przepływ informacji z użyciem Prompt Engineering.

• określanie celu i zakresu działania agenta,
• projektowanie scenariuszy konwersacji,
• tworzenie Topics, Instructions i Conversation Flow,
• AI Instructions – sterowanie zachowaniem modelu oraz definiowanie zasad działania agenta,
• najlepsze praktyki Prompt Engineering dla agentów AI,
• planowanie architektury agenta oraz przepływu informacji.

3. Budowa logiki działania agenta

Tworzenie logiki konwersacji obejmuje powiązanie pytań, odpowiedzi i akcji z przebiegiem procesu. W tym zakresie uczestnicy pracują z warunkami, rozgałęzieniami, zmiennymi i pamięcią konwersacji, a także z odpowiedziami generatywnymi, obsługą wyjątków i projektowaniem agentów autonomicznych.

• pytania, odpowiedzi i akcje,
• warunki, rozgałęzienia i logika procesów,
• wykorzystanie zmiennych oraz pamięci konwersacji,
• generatywne odpowiedzi (Generative AI),
• obsługa wyjątków i scenariuszy błędów,
• projektowanie agentów autonomicznych wykonujących złożone zadania.

4. Źródła wiedzy i wykorzystanie RAG

Jakość odpowiedzi agenta zależy od sposobu podłączenia i wykorzystania zasobów informacyjnych. Sekcja pokazuje dodawanie Knowledge Sources z SharePoint, OneDrive, stron WWW oraz plików PDF, Word i PowerPoint, użycie RAG oraz kontrolę odpowiedzi zasilanych także danymi z Microsoft Graph.

• dodawanie Knowledge Sources,
• SharePoint,
• OneDrive,
• strony internetowe,
• dokumenty PDF, Word i PowerPoint,
• wykorzystanie mechanizmu RAG (Retrieval-Augmented Generation),
• kontrolowanie jakości odpowiedzi generowanych przez AI,
• wykorzystanie Microsoft Graph jako źródła danych organizacyjnych.

5. Integracje i automatyzacja

Integracja z usługami i systemami decyduje o tym, czy agent potrafi wykonywać realne operacje biznesowe. Uczestnicy pracują z Power Automate, Microsoft Graph API, konektorami, REST API i własnymi Actions, a także z MCP, aby łączyć agentów z narzędziami zewnętrznymi i wieloma usługami naraz.

• integracja z Power Automate,
• wykorzystanie Microsoft Graph API,
• konektory Microsoft i usługi zewnętrzne,
• REST API,
• tworzenie własnych Actions,
• MCP (Model Context Protocol) – integracja agentów z zewnętrznymi narzędziami i systemami,
• budowanie agentów współpracujących z wieloma usługami.

6. Testowanie i wdrażanie

Zanim agent trafi do użytkowników, trzeba sprawdzić jego działanie w docelowym środowisku i przygotować kontrolowane wdrożenie. Omawiane są analiza odpowiedzi, debugowanie oraz publikacja w Microsoft Teams, serwisach WWW i aplikacjach biznesowych, z uwzględnieniem wersji i środowisk.

• testowanie agenta w środowisku roboczym,
• analiza odpowiedzi oraz debugowanie,
• publikacja w Microsoft Teams,
• publikacja na stronach internetowych,
• wdrażanie w aplikacjach biznesowych,
• zarządzanie wersjami oraz środowiskami.

7. Zarządzanie, bezpieczeństwo i rozwój agentów

Po wdrożeniu agenta kluczowe stają się nadzór, bezpieczeństwo i kontrola kosztów. Sekcja obejmuje analizę historii konwersacji i skuteczności działania, zarządzanie uprawnieniami oraz danymi, a także governance, zgodność i odpowiedzialne użycie AI w iteracyjnym rozwoju rozwiązania.

• monitorowanie historii konwersacji,
• analiza skuteczności działania agenta,
• monitorowanie kosztów wykorzystania modeli AI oraz agentów,
• bezpieczeństwo danych i uprawnienia użytkowników,
• governance agentów AI i zarządzanie cyklem życia rozwiązań,
• dobre praktyki dotyczące zgodności, bezpieczeństwa i odpowiedzialnego wykorzystania AI,
• iteracyjne rozwijanie i optymalizacja agentów.

8. Warsztat praktyczny – budowa własnego agenta AI

Praca nad pełnym rozwiązaniem łączy wcześniejsze elementy programu w jeden spójny proces. Uczestnicy projektują scenariusz biznesowy, tworzą agenta, podłączają źródła wiedzy oraz Microsoft Graph i Power Automate, a następnie testują, publikują i oceniają rezultaty wraz z kierunkami dalszego rozwoju.

• zaprojektowanie scenariusza biznesowego,
• stworzenie inteligentnego agenta AI,
• podłączenie źródeł wiedzy,
• wykorzystanie Microsoft Graph i Power Automate,
• implementacja AI Instructions,
• testowanie i optymalizacja działania,
• publikacja agenta,
• omówienie rezultatów i rekomendacje dotyczące dalszego rozwoju.