Microsoft Copilot Harness:让 Foundry 的 agent 能干活、省 token、还管得住

Microsoft Mechanics 文章题图

题图来源:Microsoft Mechanics Blog

agent 要在公司数据、应用和资源上干活,信任问题最后都落在 harness 上。Microsoft Mechanics 这期视频请来了 Microsoft Foundry 的 Jeff Hollan,把这条线从头到尾演示了一遍:一个全托管的 prompt agent 怎么升级到 Microsoft Copilot harness,怎么自带 harness(比如 Claude Agent SDK)跑成 hosted agent,以及 toolbox 加 tool search 怎么把 token 用量压下来。我把演示里的关键点整理成这篇笔记,视频链接在下一节,原文链接在文末。

……

阅读全文

从 Python Agent 到 Copilot Harness:把 Microsoft Foundry 真跑一遍

Microsoft Foundry Blog 文章题图

题图来源:Microsoft Foundry Blog

Agent 写完了,Python 写完了,数据接上了,模块之间怎么通信也调通了。然后话题转到了 harness 上。

GitHub、Microsoft Foundry 和 Copilot Studio(CPS)三家正在往同一套 harness 上收敛,也就是 GitHub Copilot harness。这件事落到具体做项目的人身上,问题就变得很具体:

……

阅读全文

用闭环评估改进生产环境的 Agent:Microsoft Foundry 的六步发布流程

线上 Agent 的退化往往没有代码变更做前兆。流量一涨,新类型的请求就会把指令里没写清的地方翻出来,分数掉下去,账单反而涨上来。另一边,新模型的报价更低、效果可能更好,可手工改 prompt 或者原地换个模型,很容易把本来跑得通的工作流弄坏。

缺的是一套能在上线前拦住坏版本的机制。我把微软 Foundry 官方博客里的做法拆成六步来看:生产 trace 喂给连续评估,Agent Optimizer 在训练集上搜候选版本,留出套件卡发布门禁,CI/CD 通过后走灰度,最后把新版本记为基线。每一步都有对应的命令和检查项,不靠感觉。

……

阅读全文

[译]基于模型的机器学习 - 7.1 众包工作者模型

在海地地震期间发送的消息,是按照表 7.1 所示的九个主要类别来标注的。每个类别又被进一步细分为若干子类别——例如,“基础设施损毁"下设有"建筑物倒塌"“结构不稳"“道路封堵"“桥梁受损"和"通信线路中断"等子类别。其结果是,可以为任何一条给定消息赋予的子类别标签多达 50 个,不过消息也可以只用一个主类别来标注。

……

阅读全文

微软携手 fal:在 Microsoft Foundry 中构建下一代多模态 AI 体验

fal 与 Microsoft Foundry 联合横幅(图片来源:Microsoft / fal 原文)

微软和 fal 最近宣布了一项合作:Kling、LTX、MiniMax 三个系列的视频模型进入 Microsoft Foundry 公共预览,以 Azure 第一方服务的形式提供,覆盖 text-to-video 和 image-to-video 两类生成方式。我把公告梳理了一遍,下面是值得关注的点。

视频生成的需求并不统一。创意团队拿到一份文字简报,想多试几种演绎;零售商要把一张定稿的产品图变成几秒钟的动态概念;做应用的开发者则想把图像生成和视频生成串成一条工作流,从描述到画面再到场景。这些场景对画质、运动控制、交付时间和成本的要求各不相同,单靠一个模型撑不起完整的愿景。这也是多模型方案逐渐成为共识的原因。

……

阅读全文

通过 Azure API Management 在 Microsoft Foundry 上接入 Claude Code:工程实践指南

本文根据 Naveen Gopalakrishna 发表于 Microsoft Foundry Blog 的工程指南整理,原文发布日期为 2026 年 11 月 3 日。

企业接入 Claude Code 时,还要管理登录身份、可用模型、预算和私有网络。Naveen 开发的 Claude Code on Foundry(CCOF)处理的就是这些问题。据原作者介绍,这套架构已在多家企业上线;代码公开在 CCOF 仓库,但它不是微软产品。

接入时,先部署环境、验证一名用户,再考虑扩大范围。文中配图来自作者记录的实验室运行,名称和标识符已替换或遮蔽,并非客户生产环境。已有企业部署经验不能代替具体工作负载的容量验证。

……

阅读全文

[译]基于模型的机器学习 - 7 众包的力量

2010 年,一场 7.0 级地震袭击了海地,造成大量人员伤亡和大范围破坏。随后展开的人道主义援助工作因通信系统、交通设施和电力网络的损毁而受阻。来自受灾地区人们发出的消息,成为救援人员至关重要的信息来源。但这些消息需要经过分诊和归类——而承担这项工作的志愿者,其能力、偏见和细心程度各不相同。在未来的危机中,基于模型的机器学习能否利用这些相互矛盾且充满噪声的信息,来推断出地面上的真实状况呢?

……

阅读全文

VS Code Agent 沙箱:从被拦截到会使用、会配置

VS Code 最近把 Agent 的执行安全问题摆到了更显眼的位置:Copilot Agent 不再只是生成文本,它还可能执行终端命令、启动语言服务器、调用 MCP Server,并访问网络。于是,很多人第一次遇到 Permission denied、命令无法启动、依赖下载失败,或者看到“Allow Outside Sandbox”时,往往不知道这是权限问题、沙箱策略问题,还是运行环境缺少依赖。

……

阅读全文

[译]基于模型的机器学习 - 6.5 发现致敏类别

既然我们的建模工具箱里有了门,我们就可以扩展过敏模型,让不同的孩子能够拥有不同的过敏获得与丢失模式。你也许还记得,在第 6.2 节中,我们想要做的模型改动是编码这个修改后的假设:

5 与特定过敏原初始致敏、获得致敏或保持致敏相关的概率,对每个致敏类别中的所有孩子都是相同的。

这个假设要求每个孩子都属于某个致敏类别,但我们并不知道每个孩子属于哪个类别。我们可以用一个针对每个孩子的 sensClass 随机变量来表示这种未知的类别归属,它取值为 $0, 1, 2, \dots$,取决于孩子在类别 0、类别 1,等等。因为这个变量可以取多于两个的值,我们不能用 Bernoulli 分布来表示它的不确定取值。相反,我们需要一个离散分布(discrete distribution),它是 Bernoulli 分布向“取多于两个值的变量”的推广。

……

阅读全文

[译]基于模型的机器学习 - 6.4 用门建模

门

门允许因子图的一部分被打开或关闭。

在上一节中,我们看到了如何通过手工推断一个“在多个可选过程之间做选择”的随机变量上的后验分布,来比较这些可选过程。现在我们将看到如何通过定义一个合适的模型、并在该模型内执行推断来完成同样的计算。为此,我们需要一种新的建模结构,它允许在模型中表示各种可选项。我们可以用来做这件事的建模结构称为门(gate),如 Minka and Winn [2009] 所述。

门把因子图的一部分包围起来,并根据一个称为选择变量(selector variable)的随机变量的状态来打开或关闭这部分。当选择变量取某个特定值(称为键,key)时,门是打开的;对所有其他取值,门是关闭的。图 6.11 的因子图中展示了一个门的例子。门以一个虚线矩形表示,键值(true)位于左上角。选择变量 selector 有一条边连接到门——边上的箭头表明门被视为选择变量的子节点。当 selector 等于 true 时,门是打开的,于是 x 服从 Bernoulli(0.2) 分布。否则门是关闭的,x 服从均匀分布,因为此时它没有连接到任何因子。

……

阅读全文

最近文章

分类

标签

友情链接

其它