微軟Build 2025:Copilot Studio升級,解鎖多智能體協作未來

微軟Build 2025大會圓滿落幕,作為年度科技盛會,它一直是開發與AI技術突破性創新的重要展示平臺。對于工程師、創作者和領域專家來說,這是了解微軟生態未來動向的關鍵時刻。今年,Microsoft Copilot Studio推出了一系列新功能,包括多智能體協同編排、豐富的創作者控制、智能體桌面控制和代碼解釋器,這些創新正在重新定義企業生產力工具的邊界。

01 微軟 Build 2025

Copilot Studio 功能回顧

多智能體協同編排與智能體桌面控制功能

在微軟 Build 2025 上,Microsoft Copilot Studio 的多智能體協同編排功能成為一大亮點。企業如今可以在該平臺構建多智能體系統,打破以往依賴單一智能體或管理孤立智能體的局面,實現不同智能體間的相互委派任務,共同完成復雜關鍵業務任務,如從 CRM 系統提取銷售數據后依次觸發不同智能體在 Microsoft 365 中起草提案、安排跟進等,這一轉變助力企業在微軟生態中規模化應用智能體。此外,智能體桌面控制功能也推出,使智能體能像人類一樣與桌面應用和網站交互,自動適應界面變化,為復雜界面密集型任務的自動化開辟新途徑,目前該功能通過 Microsoft 365 Copilot Frontier 項目向符合條件的客戶開放,而多智能體協同編排功能公開預覽版即將推出 。

自定義模型與模型微調功能以及模型上下文協議

Microsoft Copilot Studio 不斷深化與 Microsoft Azure AI Foundry(國際版)的集成,帶來自定義模型與模型微調功能。用戶可引入自定義模型,訪問超過 11000 個模型,包括 OpenAI GPT - 4.1、Llama、DeepSeek 最新模型等,并利用企業自有數據進行微調,以生成更專業、高價值的響應。同時,全面上市的模型上下文協議(MCP),讓 Microsoft Copilot Studio 與企業知識系統連接更便捷,連接器支持擴展、工具渲染優化等進步,使得外部知識融入智能體對話變得簡單 。

為開發者提供專業的工具構建智能體

微軟致力于賦能開發者構建智能體,支持使用 Microsoft Copilot Studio、GitHub、Microsoft Visual Studio 等偏好工具。通過智能 Microsoft 365 Copilot 副駕駛?API,開發者可安全訪問 Microsoft 365 數據與功能,創建自定義智能體或嵌入應用,且遵循組織級權限管理。Microsoft 365 智能體工具包與 SDK 讓智能體構建、測試、迭代更輕松,可隨時更換模型或編排器,使用 SDK 模板快速啟動項目并部署至 Azure,這些功能現已正式發布。

02 面向開發者的增強功能

適用于Microsoft Copilot Studio的Visual Studio Code擴展已正式上線Microsoft Visual Studio Marketplace,專為專業開發者打造。該擴展支持開發者在Visual Studio Code環境中直接連接和編輯Microsoft Copilot Studio智能體,提供現代化的開發工作流,無需依賴網頁界面。開發者和團隊在保留IntelliSense智能代碼補全、語法高亮、引用查找及文件系統級開發體驗的同時,可基于全托管SaaS平臺進行開發。Microsoft Copilot Studio會自動處理底層基礎設施、合規性要求和運行時管理,讓團隊專注于核心業務價值的實現。此外,該擴展專為無縫集成開發者現有工作流程設計,無論是將智能體整合到更廣泛的開發者生態系統,還是通過GitHub增強團隊協作,都能提供所需的控制精度和操作信心,無需額外學習成本或功能妥協。

03 安全與治理能力增強

智能體與平臺級控制

Microsoft Copilot Studio增強了智能體與平臺級控制能力。隱私控制方面,支持禁用對話記錄、敏感數據脫敏和自定義隱私聲明。智能體身份管理上,自動分配身份并納入Microsoft Entra管理中心,實現集中化管理。同時,提供獨立共享環境,便于追蹤和實施精細訪問策略。防護機制增強,阻止未授權身份驗證,強制使用Microsoft Entra ID,并在共享前需用戶同意。此外,還阻止了個人開發環境中的角色權限升級。

數據與基礎設施防護

在數據與基礎設施防護方面,Microsoft Copilot Studio進行了多項更新。數據防泄露(DLP)策略得到加強,管理員可配置策略防止標簽濫用,并在Dataverse中實施自動標簽。新增AI數據安全態勢管理(DSPM)視圖,幫助追蹤敏感數據流轉。自動化連接器管理得到優化,無需PowerShell腳本。網絡隔離功能增強,通過防火墻和虛擬網絡(VNET)鎖定連接器與應用洞察。聯合身份憑證管理改進,刪除注冊過程中的密鑰或證書。

這些安全與治理能力的全面升級,使 Microsoft Copilot Studio 不僅進一步鞏固了其在企業級 AI 應用領域的安全標桿地位,更實現了合規管控與技術創新的完美平衡,讓企業能夠以更高的安全水平,加速 AI 智能體的規模化落地。

本文來自互聯網用戶投稿,該文觀點僅代表作者本人,不代表本站立場。本站僅提供信息存儲空間服務,不擁有所有權,不承擔相關法律責任。
如若轉載,請注明出處:http://www.pswp.cn/pingmian/83477.shtml
繁體地址,請注明出處:http://hk.pswp.cn/pingmian/83477.shtml
英文地址,請注明出處:http://en.pswp.cn/pingmian/83477.shtml

如若內容造成侵權/違法違規/事實不符,請聯系多彩編程網進行投訴反饋email:809451989@qq.com,一經查實,立即刪除!

相關文章

LabVIEW雜草識別與精準噴灑

基于LabVIEW構建了一套集成機器視覺、智能決策與精準控制的農業雜草識別系統。通過高分辨率視覺傳感器采集作物圖像,利用 LabVIEW 的 NI Vision 模塊實現圖像顏色匹配與特征分析,結合 Arduino 兼容的工業級控制硬件,實現雜草定位與除草劑精準…

使用 Akamai 分布式云與 CDN 保障視頻供稿傳輸安全

作者簡介:David Eisenbacher 是 EZDRM 公司的首席執行官兼聯合創始人,該公司是首家提供 "DRM 即服務" 的企業。作為 CEO,David 始終秉持為企業確立的使命:為視頻服務商提供簡潔有效的數字版權管理方案,助力其…

javascript 實戰案例 二級聯動下拉選框

本案例完全使用原生javascript實現,使用時只需填充platform_list二維數組即可,platform_list填充規則如下: [‘一級選項1’,‘二級選項11’,‘二級選項12’,‘二級選項13’,‘二級選項14’,…], [‘一級選項2’,‘二級選項21’,‘二級選項22’…

Elasticsearch集群最大分片數設置詳解:從問題到解決方案

目錄 前言 1 問題背景:重啟后設置失效 2 核心概念解析 2.1 什么是分片(Shard)? 2.2 cluster.max_shards_per_node的作用 2.3 默認值是多少? 3 參數設置的兩種方式 3.2 持久性設置(persistent) 3.2 臨時設置(transient) 4 問題解決方…

Redis Sorted Set 深度解析:從原理到實戰應用

Redis Sorted Set 深度解析:從原理到實戰應用 在 Redis 豐富的數據結構家族中,Sorted Set(有序集合)憑借獨特的設計和強大的功能,成為處理有序數據場景的得力工具。無論是構建實時排行榜,還是實現基于時間的…

Java并發編程:讀寫鎖與普通互斥鎖的深度對比

在Java并發編程中,鎖是實現線程安全的重要工具。其中,普通互斥鎖(如synchronized和ReentrantLock)和讀寫鎖(ReentrantReadWriteLock)是兩種常用的同步機制。本文將從多個維度深入分析它們的區別、適用場景及…

《云原生安全攻防》-- K8s網絡策略:通過NetworkPolicy實現微隔離

默認情況下,K8s集群的網絡是沒有任何限制的,所有的Pod之間都可以相互訪問。這就意味著,一旦攻擊者入侵了某個Pod,就能夠訪問到集群中任意Pod,存在比較大的安全風險。 在本節課程中,我們將詳細介紹如何通過N…

Log4j2、Fastjson特征流量分析

文章目錄 一、Log4j2流量特征分析1. 漏洞原理簡述2. 核心流量特征(1)請求特征(2)響應特征(3)日志特征 3.檢測與防御建議 二、fastjson流量特征分析1.漏洞原理簡述2.核心流量特征(1)請…

Java編程之建造者模式

建造者模式(Builder Pattern)是一種創建型設計模式,它將一個復雜對象的構建與表示分離,使得同樣的構建過程可以創建不同的表示。這種模式允許你分步驟構建一個復雜對象,并且可以在構建過程中進行不同的配置。 模式的核…

Spring AI之RAG入門

目錄 1. 什么是RAG 2. RAG典型應用場景 3. RAG核心流程 3.1. 檢索階段 3.2. 生成階段 4. 使用Spring AI實現RAG 4.1. 創建項目 4.2. 配置application.yml 4.3. 安裝ElasticSearch和Kibana 4.3.1. 安裝并啟動ElasticSearch 4.3.2. 驗證ElasticSearch是否啟動成功 …

mysql數據庫實現分庫分表,讀寫分離中間件sharding-sphere

一 概述 1.1 sharding-sphere 作用: 定位關系型數據庫的中間件,合理在分布式環境下使用關系型數據庫操作,目前有三個產品 1.sharding-jdbc,sharding-proxy 1.2 sharding-proxy實現讀寫分離的api版本 4.x版本 5.x版本 1.3 說明…

運維視角下的廣告系統之理解廣告索引級聯

廣告索引中為什么要級聯 這里的“級聯”一般指的是多層索引結構,也叫級聯索引(Cascade Index 或 Multi-level Index)。 在廣告系統的索引中,級聯設計有重要作用,主要原因如下: 1. 多維特征篩選的需求 廣…

2025年5月24日系統架構設計師考試題目回顧

當前僅僅是個人用于記錄&#xff0c;還未做詳細分析&#xff0c;待更新… 綜合知識 設 x,y 滿足約束條件&#xff1a;x-1>0, x-y<0, x-y-x<0, 則 y/x 的最大值是()。 A. 3 B. 2 C. 4 D. 1 申請軟件著作權登記時應當向中國版本保護中心提交軟件的鑒別材料&#xff…

3D-激光SLAM筆記

目錄 定位方案 編譯tbb ros2humble安裝 命令 colcon commond not found 柵格地圖生成&#xff1a; evo畫軌跡曲線 安裝gtsam4.0.2 安裝ceres-solver1.14.0 定位方案 1 方案一&#xff1a;改動最多 fasterlio 建圖&#xff0c;加閉環優化&#xff0c;參考fast-lio增加關…

貪心算法應用:分數背包問題詳解

貪心算法與分數背包問題 貪心算法&#xff08;Greedy Algorithm&#xff09;是算法設計中一種重要的思想&#xff0c;它在許多經典問題中展現出獨特的優勢。本文將用2萬字篇幅&#xff0c;深入剖析貪心算法在分數背包問題中的應用&#xff0c;從基礎原理到Java實現細節&#x…

PyTorch——非線性激活(5)

非線性激活函數的作用是讓神經網絡能夠理解更復雜的模式和規律。如果沒有非線性激活函數&#xff0c;神經網絡就只能進行簡單的加法和乘法運算&#xff0c;沒法處理復雜的問題。 非線性變化的目的就是給我們的網絡當中引入一些非線性特征 Relu 激活函數 Relu處理圖像 # 導入必…

iOS 電子書聽書功能的實現

在 iOS 應用中實現電子書聽書&#xff08;文本轉語音&#xff09;功能&#xff0c;可以通過系統提供的 AVFoundation 框架實現。以下是詳細實現步驟和代碼示例&#xff1a; 核心步驟&#xff1a; 導入框架創建語音合成器配置語音參數實現播放控制處理后臺播放添加進度跟蹤 完整…

ES中must與filter的區別

在 Elasticsearch 的布爾查詢&#xff08;bool query&#xff09;中&#xff0c;must 和 filter 是兩個核心子句&#xff0c;它們的核心區別在于 是否影響相關性評分&#xff0c;這直接決定了它們在查詢性能、使用場景和結果排序上的差異。以下是詳細對比&#xff1a; 一、核心…

vscode實時預覽編輯markdown

vscode實時預覽編輯markdown 點擊vsode界面&#xff0c;實現快捷鍵如下&#xff1a; 按下快捷鍵 CtrlShiftV&#xff08;Windows/Linux&#xff09;或 CommandShiftV&#xff08;Mac&#xff09;即可在側邊欄打開 Markdown 預覽。 效果如下&#xff1a;

Android第十一次面試flutter篇

Flutter基礎? 在 Flutter 中&#xff0c;?三棵樹&#xff08;Widget Tree、Element Tree、RenderObject Tree&#xff09;?? 是框架的核心設計&#xff0c;它們協同工作以實現高效的 UI 渲染和更新機制。 ?1. Widget Tree&#xff08;Widget 樹&#xff09;?? ?是什么…