Tre punti di contatto diversi fra Copilot Studio e Azure

Questa unità copre tre integrazioni che l’esame tende a mescolare: una knowledge source che punta a un indice di ricerca, un tool di tipo prompt che gira su un modello che porti tu, e un backend di telemetria. Sono oggetti distinti e non si configurano nello stesso posto.

Nota di lessico, perché fa inciampare: la documentazione Azure ha due hub, uno con il lessico nuovo (Microsoft Foundry, Foundry agent, Foundry IQ) e uno con quello precedente (Azure AI Foundry). Il blueprint dell’esame usa il lessico nuovo, mentre le pagine di Copilot Studio continuano a dire Azure AI Search e chiamano la feature dei modelli “Azure AI Foundry models for prompts”. In prodotto leggerai queste ultime stringhe: non rinominarle mentre studi.

Copilot Studio supporta Azure AI Search come knowledge source, ma il lavoro vero si fa prima, in Azure. Il servizio di ricerca deve già avere un vector index; se vuoi che la domanda dell’utente venga vettorizzata a runtime con lo stesso modello di embedding usato sui dati, prepari l’indice con Import and vectorize data (integrated vectorization). Anche il semantic ranker va abilitato in Azure AI Search prima di collegare qualsiasi cosa: non è una casella dentro Copilot Studio.

Il collegamento parte da Add knowledge, raggiungibile dalle pagine Overview o Knowledge dell’agente oppure dalle Properties di un nodo Create generative answers. Nel dialogo scegli Featured, poi Azure AI Search, poi Create new connection. Gli Authentication type disponibili sono Access Key, Client Certificate Auth, Service principal (Microsoft Entra ID application) e Microsoft Entra ID Integrated. Con la chiave inserisci Azure AI Search Endpoint URL e Azure AI Search Admin Key, poi indichi l’indice vettoriale — e ne puoi indicare uno solo. Lo stato passa da In progress a Ready quando l’indicizzazione dei metadati è finita.

Due avvertenze che la doc marca come importanti. La connessione va creata come data connection formale, senza configurare a mano endpoint e chiave: le data connection vivono a livello di environment, quindi una connessione difettosa può impedire il caricamento del dialogo per tutti gli agenti, e non esiste un’interfaccia per cancellarla. Sulle citazioni: se l’indice contiene il campo metadata_storage_path, Copilot Studio lo interpreta come citazione, altrimenti usa il campo che contiene un URL completo — e l’utente finale deve avere i permessi sulla risorsa citata, altrimenti riceve un link che non può aprire.

Nel percorso Foundry il pezzo di retrieval può essere già confezionato: una knowledge base di Foundry IQ raggruppa più sorgenti dati insieme alle sue impostazioni di retrieval e relevance in un asset riusabile. Attenzione all’oggetto: Foundry IQ si aggiunge come tool, dal pulsante Tools del components panel, non come knowledge source; chiede il “Foundry IQ Search Service endpoint” (sotto c’è sempre Azure AI Search) e ne è ammessa una sola connessione per agente. Se i risultati non convincono, la knowledge base si regola in Azure AI Foundry, non in Copilot Studio.

Custom prompt e Foundry model catalog

Un custom prompt è un tool: Tools poi Add a tool, New tool, Prompt. Sotto Instructions scrivi le istruzioni; nella sezione Input aggiungi variabili digitando la barra o con Add content, scegliendo Text oppure Image or document; provi il risultato con Test. Per default il prompt gira su modelli gestiti. Nel campo Model il segno più apre Connect a model from Azure AI Foundry, dove servono Model deployment name e Base model name scritti esattamente come appaiono in Azure AI Foundry.

Portare il proprio modello ha conseguenze operative precise. È supportato solo il tipo chat completion, e l’Azure model endpoint URL deve puntare all’endpoint di chat completions:

https://<your-resource>.services.ai.azure.com/openai/deployments/<deployment-name>/chat/completions

Se usi l’endpoint della Responses API, che finisce in /openai/v1/responses, la connessione fallisce con un errore Resource not found. La famiglia GPT-5 e i modelli successivi non sono supportati per bring your own model nei prompt. Se aggiungi un input immagine, il dropdown Model mostra soltanto i modelli compatibili con le immagini. Lato governance, questi modelli passano da un connettore che nel Power Platform admin center compare come ‘Azure AI Foundry’: rientrano quindi nelle policy DLP come qualunque altro connettore, mentre le policy di Responsible AI vanno applicate al modello in Azure AI Foundry.

Monitorare l’agente con Application Insights

La vista Agent details di Application Insights è un’esperienza unificata per monitorare agenti che arrivano da Microsoft Foundry, da Copilot Studio e da terze parti; si apre dalla risorsa Application Insights nel portale Azure scegliendo Agents (Preview) nel menu di navigazione, e poggia sulle OpenTelemetry Generative AI Semantics. Da lì entri nelle tracce con View Traces with Agent Runs o View Traces with Gen AI Errors, oppure cliccando un elemento delle tile Tool Calls e Models. L’overlay Search consente di ordinare per Most tokens used e, se la registrazione dei dati sensibili è attiva, di cercare nel contenuto dei prompt. Aprendo una traccia arrivi a End-to-end transaction details, che in simple view racconta i passi in ordine: l’agente invocato, il modello sottostante, i tool eseguiti.

Sul lato Foundry il collegamento è dichiarativo: colleghi una risorsa Application Insights al progetto (Agents, poi Traces, poi Connect, oppure Manage, Project details, Connected resources, Add connection) e il server-side tracing parte senza modifiche al codice. Le tracce contengono input dell’utente e output dell’agente, uso dei tool con chiamate e risultati, consumo di token e segnali di tempo come durata e latenza; per interrogarle serve il ruolo Log Analytics Reader sulla risorsa collegata. Dai un nome distinto a ogni agente, altrimenti nella vista Agent details non li distingui.

Che cosa verifica l’esame su questo blocco: la separazione fra i tre oggetti e il posto dove si configura ciascuno. Aspettati domande in cui un indice va preparato in Azure prima del collegamento, in cui una knowledge source definita su un nodo generative answers ha priorità su quelle di livello agente (che restano un fallback), e in cui un modello portato dal catalogo non funziona perché l’endpoint non è quello di chat completions. La confusione più costosa resta chiamare “knowledge source” Foundry IQ, che invece è un tool.