Partager via

Écrire des instructions efficaces pour les agents déclaratifs

  • Article

Les agents déclaratifs sont des versions personnalisées de Microsoft 365 Copilot qui vous aident à créer des expériences personnalisées en déclarant des instructions, des actions et des connaissances spécifiques. Cet article fournit des conseils pour écrire des instructions efficaces pour un agent déclaratif. Utilisez ces conseils pour vous assurer que votre agent déclaratif répond correctement aux demandes des utilisateurs, gère les données avec précision et maintient un flux de travail cohérent.

Ce guide s’applique aux développeurs et aux créateurs qui utilisent teams Toolkit ou Copilot Studio pour créer des agents déclaratifs.

Composants d’instruction

Un ensemble bien structuré d’instructions garantit que l’agent comprend son rôle et ses tâches et comment interagir avec les utilisateurs. Voici les composants main des instructions de l’agent déclaratif :

  • Objectif
  • Instructions générales, y compris les instructions générales, le ton et les restrictions
  • Skills

En outre, le cas échéant, les instructions sont les suivantes :

  • Instructions détaillées
  • Gestion des erreurs et limitations
  • Commentaires et itération
  • Exemples d’interaction
  • Termes non standard
  • Suivi et fermeture

Le diagramme suivant montre les principaux composants des instructions de l’agent déclaratif.

Diagramme des composants des instructions de l’agent, y compris l’objectif, les instructions et les compétences

Objectif

Définissez clairement le rôle et le domaine d’expertise de l’agent, y compris la fonction principale qu’il occupe.

Exemple

You're a learning coach, dedicated to helping me enhance my understanding of complex topics, practice existing skills, and find the right learning process.

Conseils

Définissez la façon dont l’agent doit communiquer. Un agent peut être concis, détaillé, interactif ou suggestif. Incluez également les restrictions qui doivent être appliquées.

Exemple

1. Avoid sharing external links.
2. Maintain an informal tone throughout our interactions.

Skills

Répertoriez les tâches main que l’agent est censé effectuer. Cela peut inclure la génération de suggestions, l’automatisation des tâches, la fourniture d’explications ou l’orientation de l’utilisateur dans les processus. Il peut également refléter les démarrages de conversation de l’agent.

Exemple

You're a learning coach. When asked a question, break down complex concepts into beginner, intermediate, and advanced levels. 
Use different techniques for learning complex topics depending on the topic.

Instructions détaillées

Définissez clairement la structure de flux de travail et décrivez l’ordre dans lequel effectuer les tâches. Cela permet à l’agent de guider les utilisateurs dans les processus de manière logique et efficace. Par exemple, si une tâche implique plusieurs étapes, indiquez à l’agent que les étapes doivent être effectuées dans l’ordre séquentiel et que les utilisateurs doivent effectuer chaque étape avant de passer à la suivante.

Exemple

Follow these steps:
1. Ask for the name of the individual.
2. List the nomination categories.
3. Ask about their contributions.
4. Draft the nomination.

Exemples d’interaction

Fournissez des exemples d’interactions idéales qui montrent comment l’agent doit répondre dans différents scénarios.

Exemple

**User prompt**: I'm having trouble understanding the basics of machine learning. Can you explain it to me?

**Learning coach response**:

- **Beginner explanation**: Machine learning is a type of artificial intelligence where computers learn from data to make decisions or predictions. Think of it like teaching a dog new tricks - at first, it needs guidance, but over time, it learns to do it on its own with practice.
- **Intermediate explanation**: At a higher level, machine learning involves algorithms that find patterns in data. These patterns help the machine make predictions or decisions without being explicitly programmed. For example, a machine learning model could predict house prices based on historical data.
- **Advanced explanation**: "In technical terms, machine learning uses statistical techniques and algorithms like linear regression, decision trees, and neural networks to build models that generalize well on new data, minimizing error through optimization techniques.

Gestion des erreurs et limitations

Indiquez à l’agent comment gérer les situations où un utilisateur demande quelque chose sans fournir les prérequis nécessaires. S’il est important pour l’agent de ne pas mention rubriques spécifiques, indiquez-le clairement dans les instructions.

La gestion des erreurs peut faire partie des instructions générales ou d’une description de compétence spécifique.

Exemple

- If you encounter a situation where you cannot proceed, respond with, "I need more information to assist you further. Could you clarify?"
- Avoid providing external links.

Commentaires et itération

Demandez à l’agent d’obtenir des commentaires de l’utilisateur pour affiner ses suggestions et améliorer l’interaction.

Les commentaires peuvent faire partie des instructions générales ou d’une description de compétence.

Exemple

- After providing a suggestion, ask me if it meets my needs or if adjustments are needed.
- If I provide feedback, adjust your response or offer alternative solutions.
- Continue refining your suggestions based on my input until I'm satisfied.

Termes non standard

Définissez tous les termes spécifiques qui ne sont pas standard ou uniques au organization dans les instructions. Cela garantit que l’agent comprend et utilise correctement ces termes dans ses réponses. La fourniture d’un glossaire de ces termes peut être utile pour l’agent et les utilisateurs.

Les définitions de termes peuvent faire partie des instructions générales ou d’une description de compétence spécifique.

Exemple

LEU means Learning Engagement Units. This term is used to quantify the engagement level of learners in various training programs.

Suivi et fermeture

Demandez à l’agent de suivre les interactions pour rappeler aux utilisateurs qu’il est disponible pour obtenir de l’aide supplémentaire et offrir de l’aide pour les tâches associées.

Indiquez également à l’agent comment fermer correctement une session, par exemple en résumant ce qui a été réalisé ou en suggérant les étapes suivantes.

Les instructions de fermeture peuvent faire partie des instructions générales ou d’une description de compétence.

- After providing a suggestion, ask me if it meets my needs or if adjustments are needed.
- At the end of each interaction with me on a specific topic, ask me how you did and ask me to use the thumbs up and down.

Itérer sur vos instructions

Le développement d’instructions pour les agents déclaratifs est souvent itératif et comprend généralement les étapes suivantes :

  1. Créez des instructions et des démarreurs de conversation pour votre agent en suivant la structure et le format décrits dans cet article.
  2. Publiez votre agent. Les pratiques d’IA responsable sont intégrées au processus de validation pour garantir que les agents respectent les normes éthiques. Si vous souhaitez en savoir plus, veuillez consulter les rubriques suivantes :
  3. Testez votre agent.
    1. Comparez une invite utilisateur à Microsoft 365 Copilot pour confirmer que l’agent apporte une valeur supplémentaire lors de la réponse .
    2. Vérifiez que les démarreurs de conversation fonctionnent comme prévu avec les instructions pas à pas.
    3. Vérifiez que l’agent agit conformément aux instructions fournies.
    4. Vérifiez que les invites de l’utilisateur en dehors des démarrages de conversation sont gérées de manière appropriée.
  4. Effectuez une itération sur les instructions pour déterminer si vous pouvez améliorer la sortie.
    • Modifiez les instructions pour modifier le comportement de l’agent.
    • Essayez d’ajouter des connaissances telles que la recherche web, Les connecteurs OneDrive/SharePoint ou Microsoft Graph, si nécessaire à l’aide du Kit de ressources Teams ou de Copilot Studio.

Le diagramme suivant illustre le processus itératif de création et d’affinement des instructions de l’agent déclaratif.

Diagramme montrant les étapes itératives pour créer et affiner les instructions de l’agent

Meilleures pratiques pour les instructions de l’agent

En résumé, il est important de garder vos instructions d’agent structurées et de suivre un processus itératif de test et d’amélioration de vos instructions jusqu’à ce que l’agent fournisse des résultats satisfaisants.

Au fur et à mesure que vous développez vos instructions, appliquez les meilleures pratiques suivantes :

  • Soyez précis. Des instructions vagues ou ambiguës peuvent entraîner des malentendus et des réponses incorrectes. Définissez clairement les tâches, le contexte, les attentes et les exigences spécifiques.

  • Divisez les tâches en étapes plus petites. Les performances sont meilleures lorsque le flux se compose d’étapes plus petites et plus précises.

  • Utilisez une syntaxe claire. Incluez des ponctuations, des en-têtes et des séparateurs de section qui facilitent l’analyse des instructions. Utilisez des délimiteurs entre les sections pour séparer les instructions des exemples.

  • Utilisez des exemples. Fournissez des exemples et des scénarios détaillés pour illustrer les résultats souhaités. Plus les instructions sont précises, plus l’agent peut effectuer ses tâches avec précision et efficacité. L’invite à quelques coups consiste à fournir à l’agent quelques exemples résolus avant de lui demander de résoudre un nouveau problème. Les techniques de chaîne de pensée indiquent à l’agent de fournir une solution pas à pas.

  • Utilisez Do au lieu de Do Not. Indiquez à l’agent ce qu’il doit faire ; évitez de lui dire ce qu’il ne faut pas faire. Le fait d’indiquer à l’agent ce qu’il doit faire est plus précis.

  • Ajouter des connaissances. Si vous ajoutez des connaissances à l’agent, décrivez ce qui est représenté par chaque source de connaissances dans vos instructions.

Contenu connexe