Copilot Studio + Microsoft Fabric：打造一个能读你数据湖的智能体

“我们能不能直接跟数据聊天？”如今每个数据团队每周都会听到这个请求。微软的答案把两个产品缝在了一起：Fabric 存放数据，Copilot Studio 打造与之对话的智能体。演示很神奇。生产版本却带着锋利的棱角。这里讲讲这几块究竟如何拼合——以及大家在哪里割到手。

这几块：Fabric、OneLake、Copilot Studio

Microsoft Fabric 是一个 SaaS 分析平台，把数据工程、仓储、实时分析和 Power BI 打包在一起。OneLake 是它面向整个租户的单一数据湖——不妨把它想成“数据界的 OneDrive”——构建在 ADLS Gen2 之上，而且关键在于，一切都以开放的 Delta-Parquet 格式存储。这和 Databricks lakehouse 用的是同一种格式，这并非巧合：业界已经在很大程度上把 Delta 和 Iceberg 作为开放表层达成了共识。

Copilot Studio 是微软用于构建智能体的低代码平台——Power Virtual Agents 的后裔。你给一个智能体下达指令、知识源和动作，它便用生成式 AI 来作答。问题在于你如何把这个智能体指向那个湖。

数据住在哪：OneLake 与 SQL 端点

Fabric 的 lakehouse 或 warehouse 会以两种智能体可用的方式暴露它的 Delta 表。SQL 分析端点是覆盖在这些表之上的一个只读 T-SQL 界面——任何会说 SQL 的东西都能查询它。语义模型则位于其上：带命名的度量、关系和业务逻辑，可在 Direct Lake 模式下查询，该模式直接从 OneLake 读取 Parquet，而不导入或缓存第二份副本。Shortcuts（快捷方式）让 OneLake 能引用位于 S3 或另一个 ADLS 账户里的数据而无需搬动它们，于是“你的数据湖”可以横跨多朵云。

教训是：一个建立在做得好的语义模型之上的智能体，远比一个指向原始表的智能体可靠，因为模型编码了“客户”或“营收”究竟意味着什么。

把智能体锚定到你数据湖的三种方式

1. Fabric 数据智能体（原生路径）。Fabric 有它自己的 AI 智能体——以前叫“AI Skills”——你在一个 lakehouse、warehouse 或语义模型之上构建它。它把自然语言翻译成针对你数据的查询，你可以把它作为一个已连接的知识源加进 Copilot Studio。这是最短的路线，也是微软正在投入的那条。
2. Copilot Studio 基于语义模型的知识。把智能体指向一个 Power BI 语义模型作为知识源。对基于既定度量的问答很在行；对开放式的行级查找则弱一些。
3. 自定义 grounding。用 Power Automate 或一个自定义连接器去打 SQL 端点，或者搭建 Azure OpenAI 的“基于你的数据”。最大的控制力，最大的管道工作——检索、prompt 构造和结果整形全归你自己扛。

一个最小化的搭建

从头到尾最可靠的路径：

1. 把数据落进一个 Fabric lakehouse，并塑造一个干净的黄金层——medallion 纪律在这里的适用方式和在 Databricks 里一模一样。
2. 构建一个小巧的语义模型，带命名度量和关系。准确度的胜负正是在这里分晓。
3. 在那个模型之上创建一个 Fabric 数据智能体，并拿它生成的查询去对照已知答案做测试。
4. 在 Copilot Studio 里创建一个智能体，把 Fabric 数据智能体作为知识加进去，写下严谨的指令，然后发布到 Teams 或网页。

安全就是全部

会葬送职业生涯的失败，是一个智能体乐呵呵地返回某用户永远不该看到的行。上线前先把这一点做对：

• 身份要贯穿始终。更倾向于让智能体代表已登录用户（Entra ID）去查询，而不是用一个拥有上帝权限的固定 service principal。
• 行级和列级安全存活在语义模型和 lakehouse 里——就在那里强制执行，而不是在 prompt 里。prompt 不是访问控制的边界。
• OneLake 上的最小权限。Shortcuts 和 workspace 角色决定了智能体究竟能够到什么。

它会在哪里崩

• 幻觉出的或错误的 SQL。自然语言转查询是概率性的。没有一个语义模型去约束它，智能体就会编造出看似合理却错误的聚合。永远拿一套黄金问题集去校验。
• Direct Lake 退化为 DirectQuery——当一个模型变得太大或太复杂时，延迟会悄无声息地劣化。留神盯着它。
• 成本蔓延。Fabric 容量单元加上生成式调用会越攒越多。从第一天起就把它计量起来。

---

Copilot Studio 搭在 Fabric 之上，是把与受治理数据的真实对话交到非技术用户手里的最快方式——前提是你在语义模型上下了功夫，并把安全当作数据层的问题来对待，而非 prompt 的问题。当你的智能体长大到低代码装不下、你需要掌控模型和那个循环时，下一篇会审视开放的智能体技术栈——Hermes 与 NVIDIA Nemotron。