Написать в Telegram

Copilot Studio: как собрать агента, процесс и приложение для проверки заявок. Пошагово

Содержание
  1. Что получится в итоге
  2. Что понадобится
  3. Шаг 1. Описываем агента одним промтом
  4. Шаг 2. Смотрим, что собралось, и дополняем
  5. Шаг 3. Пробный запуск в предпросмотре
  6. Шаг 4. Проверяем качество на наборе тестов
  7. Шаг 5. Собираем процесс: триггер и классификация
  8. Шаг 6. Подключаем агента и человека
  9. Шаг 7. Смотрим, как прошёл каждый запуск
  10. Шаг 8. Делаем приложение для команды
  11. Если вы работаете из России
  12. Что важно знать до старта
  13. Что дальше

Один агент в чате отвечает на вопросы. Но рабочая задача обычно длиннее: пришло письмо, надо понять, о чём оно, достать вложение, проверить его по правилам, спросить человека и записать результат. Если собирать это по кускам из разных сервисов, всё быстро разваливается.

Copilot Studio от Microsoft пробует решить задачу целиком. В одном месте собираются три вещи: агент, который думает, процесс (workflow), который гонит работу по шагам, и приложение, где человек видит результат и принимает решение. Код писать не нужно: всё описывается обычным текстом. Под капотом, по описанию сервиса, работает GitHub Copilot.

Этот пример хорошо показывает, как выглядит реальная автоматизация с агентами: не чат-бот, а цепочка с проверкой и подтверждением человеком. Разберём её по шагам.

Что получится в итоге

Для примера возьмём отдел закупок, которому поставщики присылают заявки на тендер. Процесс такой:

  • На почту приходит письмо поставщика. Это запускает процесс.
  • Письмо классифицируется, из него достаются вложения.
  • Агент оценки сверяет заявку с требованиями тендера, проверяет доказательства и ищет проблемы.
  • Если нужно решение человека, процесс останавливается и зовёт проверяющего.
  • Агент-исследователь добавляет контекст о поставщике, другой агент собирает итоговую рекомендацию.
  • Результат записывается в таблицу, а приложение показывает закупщикам очередь заявок.

Устройство подойдёт и для других задач: проверка договоров, обработка обращений, разбор резюме.

Что понадобится

  • Доступ к Copilot Studio. Это облачный сервис Microsoft.
  • Источник данных. В примере это Dataverse, таблицы с заявками и требованиями. По описанию в приложении можно подключать и другие источники, например SharePoint.
  • Почта. В примере Outlook: письма с заявками приходят туда.
  • Документ-основа. В примере это тендерная документация в PDF: по ней агент проверяет заявки.

Шаг 1. Описываем агента одним промтом

На главной странице стоит поле «Опишите, что хотите собрать» и три карточки: Agent, Workflow и App. Начинаем с агента: он главный в этой истории. Нужно описать, кто он, как оценивает, какие правила соблюдает и в каком виде отвечает.

Вот промт из примера, переведённый на русский:

Создай агента оценки заявок для отдела закупок. Используй загруженный тендер Caldova как источник знаний и истину по требованиям, критериям оценки и баллам. Добавь навыки покрытия требований и проверки доказательств. Подключи Dataverse для данных по закупкам и заявкам. Оценивай заявки поставщиков, пришедшие по почте. Сравнивай каждый ответ поставщика с соответствующим требованием, проверяй утверждения по приложенным документам, находи пробелы, риски, противоречия, отсутствующие или просроченные документы и необоснованные утверждения. Никогда не додумывай доказательства. Непроверяемые утверждения помечай как «не подтверждено». Неоднозначные случаи передавай человеку. Верни краткое резюме, оценку по каждому требованию, просмотренные доказательства, вердикт, ключевые риски и итоговую рекомендацию: принять, отклонить или нужна проверка человеком, с обоснованием и уровнем уверенности.

Обратите внимание на правила внутри промта: «не додумывай», «помечай как не подтверждено», «неоднозначное передавай человеку». Это защита от выдумок: агент не должен подтверждать то, чего нет в документах.

Промт для создания агента оценки заявок: правила проверки и формат ответа
Промт для создания агента оценки заявок: правила проверки и формат ответа

После отправки агент рассуждает и составляет план сборки, шаги видны справа вверху. Заодно он сам создаёт навыки, то есть повторяемые инструкции. В примере их два: покрытие требований и проверка доказательств. Их можно использовать и в других агентах.

Шаг 2. Смотрим, что собралось, и дополняем

Готовый агент открывается в режиме Build. Система сама придумала имя, написала подробные инструкции и подключила то, что вы упомянули. Справа собраны настройки:

  • Model. В примере выбрана Claude Sonnet 4.6, как хорошая модель для рассуждений. Модель можно сменить под задачу.
  • Skills. Два созданных навыка. Можно загрузить свои или попросить создать новый описанием.
  • Tools. Данные закупок через Dataverse и письма поставщиков. Можно добавить MCP-серверы для сервисов Microsoft и не только.
  • Knowledge. Сюда перетаскивается файл с компьютера. В примере это PDF тендера.
  • Connected agents. Другие агенты-специалисты. Здесь подключён агент по рискам поставщиков.
  • Memory. Переключатель памяти: агент запоминает взаимодействия и использует их в следующих сессиях. В примере он выключен, функция в статусе Preview.
Настройки агента: модель, навыки, инструменты, знания и переключатель памяти
Настройки агента: модель, навыки, инструменты, знания и переключатель памяти

Шаг 3. Пробный запуск в предпросмотре

Вкладка Preview нужна, чтобы проверить агента руками. В примере в чат вставили письмо поставщика и приложили заявку, затем отправили. Агент прошёл по каждому требованию, сверил доказательства и показал ход рассуждений.

В итоге он нашёл три проблемы: у поставщика нет нужной сертификации для производства лекарств, не выполнены требования к холодовой цепи, а страховка ниже минимума. Такой запуск идёт несколько минут.

Финал: рекомендация «нужна проверка человеком, не включать в шорт-лист, пока поставщик не устранит замечания». Агент указал уровень уверенности и расписал, что именно надо запросить у поставщика.

Итоговая рекомендация агента: нужна проверка человеком, шорт-лист только после устранения замечаний
Итоговая рекомендация агента: нужна проверка человеком, шорт-лист только после устранения замечаний

Шаг 4. Проверяем качество на наборе тестов

Один удачный запуск ничего не доказывает. Поэтому во вкладке Evaluate есть оценка на наборе тестов. Есть три способа задать тесты:

  • загрузить файл CSV, по шаблону сервиса, размером до 5 МБ;
  • сгенерировать 10 разговоров по описанию, инструкциям и темам агента;
  • написать вопросы самому.

В примере взяли готовый CSV с 18 тестовыми запросами, дали проверке имя и запустили.

Загрузка тестов для проверки агента: файл CSV или быстрый набор из 10 разговоров
Загрузка тестов для проверки агента: файл CSV или быстрый набор из 10 разговоров

Тесты идут по очереди. На 18 запросов ушло чуть больше 22 минут. Результат: 89%, 16 тестов пройдены, 2 провалены. Можно открыть каждый тест и посмотреть, на чём агент ошибся. Проверку удобно повторять после каждой правки инструкций, тогда видно, стало лучше или хуже.

Результат проверки: оценка 89 процентов, 16 тестов пройдено, 2 провалено
Результат проверки: оценка 89 процентов, 16 тестов пройдено, 2 провалено

Шаг 5. Собираем процесс: триггер и классификация

Теперь процесс, который работает до и после агента. Он собирается на холсте во вкладке Workflows: шаги перетаскиваются мышью. В панели добавления есть Agent, Classify, Copilot, Human review, Connector, Function, Variable, If/Else, Loop и Note.

Сначала меняем запуск. По умолчанию стоит ручной (Manual). Среди вариантов также запуск по расписанию, по HTTP-запросу, по вызову из агента и от внешнего сервиса через коннектор. Выбираем коннектор, затем Outlook и «когда приходит новое письмо». В примере привязан личный ящик, но можно сделать отдельный ящик для приёма заявок.

Следом добавляем шаг Classify: он определяет тип письма по теме и тексту. В примере создали категорию для тендерных заявок, но можно задать несколько. Для шага выбирается модель, в примере Claude Opus 5. Письма других типов можно разнести по другим веткам.

Холст процесса: письмо запускает шаг классификации с категориями и выбором модели
Холст процесса: письмо запускает шаг классификации с категориями и выбором модели

Дальше ветка заявок получает шаг получения вложения: коннектор Outlook, действие «получить вложение».

Шаг 6. Подключаем агента и человека

Добавляем шаг Agent и выбираем из списка агента оценки, которого собрали на шаге 1. Есть нюанс: неопубликованного агента в процесс не подключить. В списке для таких стоит предупреждение, что агента сначала нужно опубликовать.

Выбор агента для шага процесса: неопубликованных агентов нужно сначала опубликовать
Выбор агента для шага процесса: неопубликованных агентов нужно сначала опубликовать

Остальные шаги в примере собраны по тому же принципу:

  • Проверка человеком. Шаг Human review с условием If/Else. Если агент пометил заявку как требующую внимания, процесс ждёт проверяющего.
  • Исследователь. Если проверка человеком не нужна, процесс сразу идёт к агенту-исследователю: он собирает дополнительные сведения о поставщике и заявке.
  • Итоговая рекомендация. Последний агент получает три входа: анализ первого агента, решение человека (одобрить или нет) и находки исследователя. Он выдаёт короткий вердикт в виде карточки.
  • Запись результата. Шаг «добавить новую строку» кладёт итог в таблицу Dataverse, откуда его читает приложение.

Каждый шаг можно запустить отдельно, поэтому ошибки легче искать и править.

Шаг 7. Смотрим, как прошёл каждый запуск

Вкладка Activity показывает запуски процесса: статус, время начала и конца, номер запуска. На схеме у каждого шага стоит время. В примере классификация заняла 1 минуту 16 секунд, агент оценки 2 минуты 55 секунд, шаг «Нужна ли проверка человеком» 3 минуты 6 секунд, а получение вложения меньше секунды. Сразу видно, какой путь прошло письмо и где процесс «тормозит».

Журнал запуска: путь письма по шагам и время каждого шага
Журнал запуска: путь письма по шагам и время каждого шага

Если открыть шаг агента, видно, что он сделал, и его структурированный ответ: имя поставщика, нужна ли проверка человеком, рекомендация и подробное пояснение. В примере такой запуск показал честное поведение агента: он отметил, что в базе знаний лежит тендер на другую тему, а пакет заявки не был приложен, поэтому проверить доказательства было нечем. Заявку он не принял и не отклонил, а запросил участие человека.

Результат шага агента: структурированный ответ с рекомендацией и причинами
Результат шага агента: структурированный ответ с рекомендацией и причинами

Шаг 8. Делаем приложение для команды

Все предыдущие шаги работали фоном. Людям нужно место, где они видят результат. Для этого открываем раздел Apps и описываем приложение обычным текстом: для кого оно, к каким таблицам подключается и какие экраны нужны. В примере промт просит приложение для отдела закупок, построенное на тех же таблицах Dataverse. Пользователь должен быстро понимать, какие заявки готовы к продвижению, какие требуют проверки, почему агент их отметил и какая итоговая рекомендация отправлена команде.

Сборка занимает несколько минут. Первая версия уже выглядит прилично: наверху плитки со сводкой, ниже таблица заявок. В примере это 20 заявок: 2 в работе, 8 ждут проверки человеком, 2 рекомендованы, 8 закрыты. В таблице видны поставщик, номер тендера, дата, статус, рекомендация и уровень риска. Следующими запросами приложение доводят: например, применяют фирменный стиль компании.

Готовое приложение: плитки со сводкой и очередь заявок со статусами, рекомендациями и рисками
Готовое приложение: плитки со сводкой и очередь заявок со статусами, рекомендациями и рисками

Закупщик открывает очередь, фильтрует заявки, которые ждут проверки, заходит в карточку и видит рекомендацию агента с причинами. Затем принимает решение, в примере одобряет, и сохраняет. На этом сквозная цепочка от письма до решения замыкается.

Если вы работаете из России

Copilot Studio облачный сервис Microsoft, и в примере он завязан на другие сервисы компании: Outlook и Dataverse. Рассчитывать на то, что он доступен и оплачивается из России, не стоит. Проверьте это для своей организации до начала работы.

Но важен принцип, а он переносится. Те же шаги можно собрать на инструментах, которые стоят у вас:

  • Процесс. n8n на своём сервере: триггер по письму, шаг классификации, шаг агента, ожидание подтверждения человека, запись в таблицу.
  • Модели. Открытые модели на своём сервере, например через Ollama, или российские модели вроде GigaChat и YandexGPT, если они справляются с вашей задачей. Проверьте это на тестах из шага 4.
  • Данные. Любая база или таблица, которая у вас есть. Приложение можно заменить простым веб-интерфейсом или даже таблицей с фильтром.
  • Правила агента. Их переносим один в один: «не додумывай», «неподтверждённое помечай», «спорное отдавай человеку».

Что важно знать до старта

  • Запуски долгие. Один разбор заявки занимает несколько минут, 18 тестов шли больше 22 минут. Закладывайте это в сроки.
  • Результат не стопроцентный. В примере тесты прошли на 89%, два провалены. Агент не должен принимать финальное решение сам.
  • Решение за человеком. Шаг проверки и одобрение в приложении нужно оставить, особенно когда на кону деньги и договоры.
  • Доступы. Агент читает почту и пишет в таблицы. Выдавайте минимум прав, лучше отдельный ящик для заявок.
  • Данные поставщиков. Договоры и цены лучше не отправлять в сервисы, которые вам не разрешено использовать. Сначала прочитайте внутренние правила.
  • Часть функций предварительная. Например, память в статусе Preview, поэтому кнопки и названия у вас могут отличаться от скриншотов.

Что дальше

Главное в этом примере не сам инструмент. Это схема: агент делает черновую работу, процесс ведёт её по шагам, человек принимает решение, а приложение собирает всё в одном месте. Такую схему можно собрать почти для любого отдела.

Мы в Агентехе учим сотрудников собирать агентов и процессы под задачи своего отдела: от описания правил до проверки качества и передачи решений человеку. Как устроено обучение.

Написать в Telegram