Schreiben effektiver Anweisungen für deklarative Agents

Deklarative Agents sind angepasste Versionen von Microsoft 365 Copilot, mit denen Sie personalisierte Erfahrungen erstellen können, indem Sie bestimmte Anweisungen, Aktionen und Kenntnisse deklarieren. Um effektive Anweisungen für Ihren deklarativen Agent zu schreiben, stellen Sie sich die folgenden Fragen:

• Welches Ziel muss Ihr Agent erreichen?
• Welche Workflows stellen Sie sich vor, dass Ihre Endbenutzer durchgehen?
  • Gibt es Geschäftslogik, die Sie integrieren möchten?
  • Gibt es eine gewünschte Endbenutzererfahrung, die Sie integrieren möchten?
• Können Sie für jeden Workflow schritt-für-Schritt-Anweisungen für den Agent bereitstellen?

Wenn Ihr deklarativer Agent auch API-Plug-Ins als Aktionen enthält, hilft das OpenAPI-Dokument für Ihr Plug-In dem Agent dabei, alle Anweisungen zu verstehen, die sich auf die API beziehen. Weitere Informationen finden Sie unter How to make an OpenAPI document effective in extending Copilot.For more information, see How to make an OpenAPI document effective in extending Copilot.

Dieser Leitfaden gilt für Entwickler und Entwickler, die agent builder in Microsoft 365 Copilot oder Microsoft 365 Agents Toolkit verwenden, um deklarative Agents zu erstellen. Weitere Informationen zum Schreiben von Anweisungen für Copilot Studio-Agents finden Sie unter Konfigurieren von hochwertigen Anweisungen für die generative Orchestrierung.

Anweisungskomponenten

Ein gut strukturierter Satz von Anweisungen stellt sicher, dass der Agent seine Rolle, die Aufgaben, die er ausführen sollte, und die Interaktion mit Benutzern versteht. Die Hauptkomponenten der Anweisungen des deklarativen Agents sind:

• Zweck
• Allgemeine Richtlinien, einschließlich allgemeiner Anweisungen, Ton und Einschränkungen
• Skills

Schließen Sie bei Bedarf auch die folgenden Komponenten in die Anweisungen ein:

• Schrittweise Anweisungen
• Fehlerbehandlung und Einschränkungen
• Feedback und Iteration
• Interaktionsbeispiele
• Nicht standardmäßige Begriffe
• Nachverfolgung und Abschluss

Das folgende Diagramm zeigt die primären Komponenten der Anweisungen für den deklarativen Agent.

Bewährte Methoden für Agent-Anweisungen

Verwenden einer klar umsetzbaren Sprache

• Konzentrieren Sie sich darauf, was Copilot tun sollte, nicht auf das, was Sie vermeiden sollten.
• Verwenden Sie präzise, bestimmte Verben, z. B. "ask", "search", "send", "check" oder "use".
• Ergänzen Sie mit Beispielen , um Mehrdeutigkeiten zu minimieren.
• Definieren Sie in den Anweisungen alle Begriffe, die nicht dem Standard entsprechen oder für die organization eindeutig sind.

Erstellen von Schrittweisen Workflows mit Übergängen

Unterteilen Sie Workflows in modulare, eindeutige und nicht zusammenhängende Schritte. Jeder Schritt sollte Folgendes umfassen:

• Ziel: Der Zweck des Schritts.
• Aktion: Was der Agent tun soll und welche Tools verwendet werden sollen.
• Übergang: Löschen Sie die Kriterien für den Wechsel zum nächsten Schritt oder zum Beenden des Workflows.

Verwenden einer strengen Struktur

Struktur ist eines der stärksten Signale, die zur Interpretation der Absicht verwendet werden:

• Verwenden Sie Abschnitte , um verwandte Aufgaben in logische Kategorien zu gruppieren, ohne eine Sequenz zu implizieren.
• Verwenden Sie Aufzählungszeichen für parallele Aufgaben, die unabhängig ausgeführt werden können. Vermeiden Sie Nummerierung, die zu unbeabsichtigter Reihenfolge führen könnte.
• Verwenden Sie Schritte für Aktionen, die in einer erforderlichen Reihenfolge ausgeführt werden müssen, und reservieren Sie sie nur für echte Workflows.

Aufgaben atomisch machen

Unterteilen Sie Multiaktionsanweisungen in klar getrennte Einheiten. Dieser Ansatz reduziert Mehrdeutigkeiten und verhindert, dass das Modell Aufgaben zusammenführen oder neu interpretieren kann.

• Anstelle von: Extrahieren von Metriken und Zusammenfassen von Ergebnissen.
• Verwenden Sie separate Schritte:
  1. Extrahieren von Metriken.
  2. Fassen Sie die Ergebnisse zusammen.

Geben Sie immer Ton, Ausführlichkeit und Ausgabeformat an.

Wenn Sie keinen Ton und keine Detailebene angeben, kann das Sprachmodell diese Attribute ableiten, was zu inkonsistentem Verhalten über Modelle hinweg führen kann. Geben Sie beispielsweise Folgendes an:

• Ton: professionell und prägnant.
• Ausgabe: Drei Aufzählungszeichen pro Abschnitt.
• Gibt nur das angeforderte Format zurück. keine Erklärungen.

Strukturanweisungen in Markdown

Verwenden Sie Markdown, um die Reihenfolge der Schritte hervorzuheben und zu verdeutlichen.

• Verwenden Sie #, ##und ### für Abschnittsheader.
• Wird - für ungeordnete Listen und 1. für nummerierte Listen verwendet. Verwenden Sie ungeordnete Listen, es sei denn, die Reihenfolge der Schritte ist wichtig. Verwenden Sie in diesem Fall nummerierte Listen.
• Hervorheben von Tool- oder Systemnamen (z. B Jira. , ServiceNow, Teams) mithilfe von Backticks (''''').
• Erstellen Sie wichtige Anweisungen fett, indem Sie verwenden **.

Klare Überschriften und konsistente Listenstrukturen helfen dem Modell, die beabsichtigte Hierarchie zu verstehen. Vermeiden Sie das Mischen von Listentypen auf eine Weise, die zu unbeabsichtigter Interpretation führen kann.

Bereitstellen von Domänenvokabular

Definieren Sie spezielle Begriffe, Formeln, Akronyme und datasetspezifische Sprache. Diese Definition verhindert falsche Rückschlüsse und stellt eine konsistente Interpretation sicher.

Explizites Verweisen auf Funktionen, Wissen und Aktionen

Nennen Sie die Namen der Aktionen, Funktionen oder Wissensquellen, die bei jedem Schritt beteiligt sind.

• Aktionen: Beispiel: "Verwenden Sie Jira zum Abrufen von Tickets".
• Copilot-Connectorwissen: Beispiel: "Verwenden sie ServiceNow KB für Hilfeartikel".
• SharePoint-Wissen: Beispiel: "Verweisen auf interne SharePoint- oder OneDrive-Dokumente".
• Email Nachrichten: Beispiel: "Überprüfen Von Benutzer-E-Mails auf relevante Informationen."
• Teams-Nachrichten: Beispiel: "Teams-Chatverlauf durchsuchen".
• Codeinterpreter: Beispiel: "Verwenden Des Codeinterpreters zum Generieren von Balken- oder Kreisdiagrammen"
• People Wissen: Beispiel: "Benutzerwissen zum Abrufen von Benutzer-E-Mails verwenden"

Beispiele bereitstellen

Beispiele helfen dem Agent, Anweisungen zu verstehen.

• Für einfache Szenarien müssen Sie keine Beispiele geben.
• Für komplexe Szenarien funktionieren deklarative Agents am besten mit wenigen Eingabeaufforderungen. Das heißt, geben Sie mehr als ein Beispiel, um verschiedene Aspekte oder Edge-Fälle zu veranschaulichen.

Steuern der Argumentation durch Ausdrücke

Ihre Formulierung gibt an, wie viele Überlegungen das Modell anwenden soll.

Tiefgehendes Denken

So erhöhen Sie die Tiefe:

• Verwenden Sie explizite Argumentationsverben (Analysieren, Ableiten, Auswerten, Rechtfertigen).
• Fügen Sie Metaargumente hinzu (Schritt-für-Schritt-Denken, Reflektieren, Überprüfen der Logik).
• Strukturieren Sie Aufgaben in mehrere abhängige Schritte.

Use deep reasoning. Break the problem into steps, analyze each step, evaluate alternatives, and justify the final decision. Reflect before answering.
Task: Determine the optimal 3-year migration strategy given constraints A, B, and C.

So erkennen Sie, wann deep reasoning ausgewählt wurde:

Before answering, report in one sentence whether you needed deep reasoning or minimal reasoning to solve this. Then provide the final answer only.

Dieser Ansatz funktioniert, da das Routingsystem von GPT-5 reasoning-token awareness umfasst.

Moderate Argumentation (ausgewogen)

So finden Sie eine ausgewogene Argumentation:

• Fordern Sie eine präzise, aber strukturierte Erklärung an.
• Stellen Sie klare Einschränkungen bereit, aber keine Metaargumente.

Provide a concise but structured explanation. Include a short summary, 3 key drivers, and a final recommendation. No step-by-step reasoning required.
Task: Explain the tradeoffs between solution X and Y.

Schnelles und minimales Denken

So verringern Sie die Tiefe:

• Signal Kürze. Kurze, schnelle Antwort angeben; keine Begründung/Erklärung.
• Vermeiden Sie analytische Verben und Mehrschrittstrukturen.
• Verwenden Sie einen einphasigen imperativen Ausdruck mit einer Absicht.

Short answer only. No reasoning or explanation. Provide the final result only.
Task: Extract the product name and renewal date from this paragraph.

Vermeiden häufiger Eingabeaufforderungsfehler

Beachten Sie die folgenden Fallstricke und deren Lösungen, um häufige Fehler zu vermeiden.

• Verwenden des Overeager-Tools
  • Problem: Das Modell ruft Tools ohne erforderliche Eingaben auf.
  • Lösung: Hinzufügen der Anweisung "Rufen Sie das Tool nur auf, wenn erforderliche Eingaben verfügbar sind; andernfalls fragen Sie den Benutzer."
• Sich wiederholende Ausdrücke
  • Problem: Das Modell verwendet Beispielausdrücke wortwörtlich wieder.
  • Lösung: Fördern Sie vielfältige Antworten und natürliche Sprache. Erwägen Sie, mehr als ein Beispiel anstelle von nur einem (Eingabeaufforderung mit wenigen Schüssen) hinzuzufügen. Experimentieren Sie mit dem Entfernen des Beispiels, um token zu speichern.
• Ausführliche Erklärungen
  • Problem: Das Modell überschreibt oder bietet eine übermäßige Formatierung.
  • Lösung: Um Ausführlichkeit oder Formatierung einzuschränken, fügen Sie Einschränkungen und präzise Beispiele hinzu.

Hinzufügen eines letzten Schritts zur Selbstauswertung

Ein Schritt zur Selbstüberprüfung verstärkt die Vollständigkeit und stellt sicher, dass der Agent die Übereinstimmung mit Ihren Anweisungen überprüft, bevor er antwortet. Beispiel: Vergewissern Sie sich vor dem Abschluss, dass alle Elemente aus Abschnitt A in der Zusammenfassung angezeigt werden.

Anwenden eines stabilisierenden Headers bei Bedarf

Wenn ein Agent Anzeichen einer Rückschlussabweichung oder einer Neuanordnung von Schritten anzeigt, insbesondere nach einer Modellaktualisierung, fügen Sie einen kurzen Header hinzu, der das Modell anweist, die Anweisungen wörtlich zu interpretieren und Rückschlüsse zu vermeiden. Weitere Informationen finden Sie unter Modelländerungen in GPT 5.1 und höher für deklarative Agents.

Durchlaufen Ihrer Anweisungen

Die Entwicklung von Anweisungen für deklarative Agents ist häufig ein iterativer Prozess. Sie besteht in der Regel aus den folgenden Schritten:

1. Erstellen Sie Anweisungen und Konversationsstarter für Ihren Agent gemäß der in diesem Artikel beschriebenen Struktur und dem Format.
2. Veröffentlichen Sie Ihren Agent. Praktiken der verantwortungsvollen KI (RAI) sind in den Validierungsprozess integriert, um sicherzustellen, dass die Agenten ethische Standards einhalten. Weitere Informationen finden Sie unter:
   • RAI-Überprüfung
   • RAI-Tools und -Methoden
   • Apps, die von künstlicher Intelligenz unterstützt werden
3. Testen Sie Ihren Agent.
   1. Um zu bestätigen, dass der Agent bei der Beantwortung einen Mehrwert bietet, vergleichen Sie die Ergebnisse mit Microsoft 365 Copilot.
   2. Überprüfen Sie anhand der schritt-für-Schritt-Anleitung, ob die Konversationsstarter wie erwartet funktionieren.
   3. Vergewissern Sie sich, dass der Agent gemäß den angegebenen Anweisungen handelt.
   4. Vergewissern Sie sich, dass Benutzeraufforderungen außerhalb der Konversationsstarter ordnungsgemäß behandelt werden.
4. Durchlaufen Sie anweisungen, um zu untersuchen, ob Sie die Ausgabe weiter verbessern können.
   • Ändern Sie die Anweisungen, um das Verhalten des Agents zu ändern.
   • Versuchen Sie, Wissen wie die Websuche, OneDrive/SharePoint oder Microsoft 365 Copilot Connectors hinzuzufügen, falls erforderlich, mithilfe des Agents Toolkits oder Copilot Studio.

Das folgende Diagramm veranschaulicht den iterativen Prozess zum Erstellen und Verfeinern von Anweisungen für deklarative Agents.

Beispielanweisungen

Die folgenden Beispielanweisungen gelten für einen Agent, der bei der Behebung allgemeiner IT-Probleme helfen kann.

# OBJECTIVE
Guide users through issue resolution by gathering information, checking outages, narrowing down solutions, and creating tickets if needed. Ensure the interaction is focused, friendly, and efficient.

# RESPONSE RULES
- Ask one clarifying question at a time, only when needed.
- Present information as concise bullet points or tables.
- Avoid overwhelming users with details or options.
- Always confirm before moving to the next step or ending.
- Use tools only if data is sufficient; otherwise, ask for missing info.

# WORKFLOW

## Step 1: Gather Basic Details
- **Goal:** Identify the user's issue.
- **Action:**
  - Proceed if the description is clear.
  - If unclear, ask a single, focused clarifying question.
    - Example:
      User: "Issue accessing a portal."
      Assistant: "Which portal?"
- **Transition:** Once clear, proceed to Step 2.

## Step 2: Check for Ongoing Outages
- **Goal:** Rule out known outages.
- **Action:**
  - Query `ServiceNow` for current outages.
  - If an outage is found:
    - Share details and ETA.
    - Ask: "Is your issue unrelated? If yes, I can help further."
    - If yes, go to Step 3. If no/no response, end politely.
  - If none, inform the user and go to Step 3.

## Step 3: Narrow Down Resolution
- **Goal:** Find best-fit solutions from the knowledge base.
- **Action:**
  - Search `ServiceNow KB` for related articles.
  - **Iterative narrowing:** Don't list all results. Instead:
    - Ask clarifying questions based on article differences.
    - Eliminate irrelevant options with user responses.
    - Repeat until the best solution is found.
  - Provide step-by-step fix instructions.
  - Confirm: "Did this help? If not, I can go deeper or create a ticket."
    - If more info is provided, repeat this step.
    - If ticket needed, go to Step 4.
    - If resolved/no response, end politely.

## Step 4: Create Support Ticket
- **Goal:** Log unresolved issues.
- **Action:**
  1. Map **category** and **subcategory** from the `sys_choice` SharePoint file.
     - Use only valid pairs. Leave blank if not clear.
  2. Fetch user's UPN (email) with the people capability.
  3. Fill the ticket with:
     - Caller ID (email)
     - Category, Subcategory (if mapped)
     - Description, attempted steps, error codes, metadata
- **Transition:** Confirm ticket creation and next steps.

# OUTPUT FORMATTING RULES
- Use bullets for actions, lists, next steps.
- Use tables for structured data where UI allows.
- Avoid long paragraphs; keep responses skimmable.
- Always confirm before ending or submitting tickets.

# EXAMPLES

## Valid Example
**User:** "I can't connect to VPN."
**Assistant:**
- "Are you seeing a specific error?"
  (User: "DNS server not responding.")
- "Let me check for outages."
  (No outage.)
- "No outages. Searching knowledge base…"
  (Finds articles. Asks: "Are you on office Wi-Fi or home?")
  (User: "Home.")
- "Try resetting your DNS settings. Here's how…"
- "Did this help? If not, I can create a support ticket."

## Invalid Example
- "Here are 15 articles I found…" *(Overwhelms the user)*
- "I'm raising a ticket" *(without confirming details)*

Anleitungsvorlagen und Entwurfsmuster

Dieser Abschnitt enthält Muster und Vorlagen, die Sie Ihren Anweisungen für den deklarativen Agent hinzufügen können. Die gezeigten Beispiele sind nicht präskriptiv. Verwenden Sie sie als Ausgangspunkt und passen Sie sie an die Anforderungen Ihres Anwendungsfalls an.

Muster 1: Konvertieren von mehrdeutigen Multitaskanforderungen in deterministische Workflows

Mithilfe dieses Musters können Sie Mehrdeutigkeiten beseitigen, indem Sie atomische Schritte, explizite Formeln und die erforderliche Validierung definieren. Dieser Ansatz stellt ein stabiles, wiederholbares Verhalten für modellübergreifende Versionen sicher.

## Task: Metrics and ROI (Deterministic)

### Definitions (Do not invent)
- Metrics to compute: [Metric1], [Metric2], [Metric3]
- ROI definition: ROI = (Benefit - Cost) / Cost
- ROI scope: [e.g., 12 months, Product X only, Region Y]
- Source of truth: Use ONLY the provided document(s) for inputs

### Steps (Sequential — do not reorder)
Step 1: Locate inputs for [Metric1-3] in the document. Quote the section/table name where each input came from.  
Step 2: Compute [Metric1-3] exactly as defined above. If any input is missing, stop and ask ONE question listing what's missing.  
Step 3: Compute ROI using the ROI definition above. Do not substitute other ROI formulas.  
Step 4: Output ONLY the table in the format below.

### Output format
Return a single Markdown table with columns: Metric | Value | Source (section/table) | Notes

### Final check (Self-evaluation)
Before finalizing: confirm every metric has (a) a value, (b) a source, and (c) no assumptions. If assumptions exist, stop and ask the user.

Muster 2: Korrigieren von paralleler und sequenzieller Struktur

Mit diesem Muster stellen Sie sicher, dass das Modell parallele und sequenzielle Logik trennt. Das Modell führt Workflows ordnungsgemäß aus, ohne Schritte hinzuzufügen oder neu anzuordnen.

Section A — Extract Data  
- Extract pricing changes.  
- Extract margin changes.  
- Extract sentiment themes.  

Section B — Build the Summary  
Step 1: Integrate all findings from Section A.  
Step 2: Produce the 2 page call prep summary.

Muster 3: Explizite Entscheidungsregeln

Mithilfe dieses Musters fügen Sie explizite Wenn-Dann-Regeln hinzu, die eine unbeabsichtigte Modellinterpretation verhindern und deterministische Ergebnisse erzwingen. Dieser Ansatz verhindert, dass das Sprachmodell versucht, mehrdeutige bedingte Logik eigenständig aufzulösen, was zu gemischten Verzweigungen ("do both") oder zur Auswahl des falschen bedingten Pfads führen kann.

Read the product report.  
Check category performance.  
If performance is stable or improving, write the summary section.  
If performance declines or anomalies are detected, write the risks/issues section.

Muster 4: Ausgabevertrag

Ausgabeverträge bieten Form, Struktur, Ton und zulässigen Inhalt und stellen Konsistenz sicher. Ohne explizite Ausgabeeinschränkungen erzeugt Ihr Agent möglicherweise zu lange Erklärungen, übermäßig knappe Antworten oder wechselt unvorhersehbare Versionen.

Gute Präzision:

Produce a 2-page call-prep briefing:  
Page 1 → key metrics: revenue, margin, YoY deltas (calculate as needed).  
Page 2 → top themes, risks, opportunities, customer signals.  
Tone: Professional. Reasoning: none unless calculation required.

Ausgabevertrag:

## Output Contract (Mandatory)
Goal: [one sentence]  
Format: [bullet list | table | 2 pages | JSON]  
Detail level: [short | medium | detailed] — do not exceed [X] bullets per section  
Tone: [Professional | Friendly | Efficient]  
Include: [A, B, C]  
Exclude: No extra recommendations, no extra context, no “helpful tips”  
Example shape:  
- Section 1: ...  
- Section 2: ...

Verwenden Sie dieses Muster, wenn Ihre Ausgabe folgen muss:

• Ein präzises Format (Aufzählungszeichen, Tabelle, JSON, mehrseitige Zusammenfassung).
• Eine angegebene Detailebene (kurz, mittel, detailliert).
• Eine Compliance-, Überwachungs- oder kundenorientierte Vorlage.
• Ein Geschäftsprozess, der teamsübergreifend konsistente Formatierung erfordert.

Muster 5: Bereinigen der Markdownstruktur

Ein sauberes, absichtliches Markdown stellt sicher, dass das Modell Ihre Anweisungen zuverlässig analysieren kann. Schlecht geschachtelte Listen, unklare Header oder inkonsistente Formatierungen führen zu zusammengeführten Schritten, unbeabsichtigten Hierarchien oder reduzierten Abschnitten.

## Section A — Extract Data
- Extract pricing changes.
- Extract margin changes.
- Extract sentiment themes.

## Section B — Build the Summary (Sequential)
**Step 1:** Integrate findings from Section A.  
**Step 2:** Produce the 2 page call prep summary.

Muster 6: Selbstauswertungsgate

Durch Hinzufügen eines expliziten Selbstüberprüfungsschritts ermutigen Sie das Modell, die Vollständigkeit zu überprüfen, die Ausrichtung mit Anweisungen zu überprüfen und Auslassungen zu korrigieren, bevor Sie reagieren. Dieser Schritt erhöht die Konsistenz und Zuverlässigkeit.

## Section A: Extract Data (Non-Sequential)
Perform these tasks when the user requests data extraction from the document:
- Extract pricing changes.
- Extract margin changes.
- Extract sentiment themes.
Use the **Vocabulary Reference** SharePoint document to interpret acronyms, domain specific terms, and company specific vocabulary.

## Section B: Build the Summary (Sequential)
Perform these steps **in order** when the user requests a call prep summary:
Step 1: Integrate all extracted elements from Section A.  
Step 2: Produce a clear, well structured 2 page call prep summary.

## Final Check: Self Evaluation
Before finalizing the output, review your response for completeness, ensure that all Section A elements are accurately represented, check for inconsistencies or uncertainty, and revise the answer if needed.

Muster 7: Steuern der Automatischmodusargumentierung

Explizite Begründungshinweise geben Ihnen die Kontrolle darüber, wie viel Denken das Modell anwendet. Ohne diese Anleitung erklärt Ihr Agent möglicherweise einfache Antworten über- oder unterklärt komplexe Entscheidungen.

Auslösen tiefer Schlussfolgerungen:

Use deep reasoning. Break the problem into steps, analyze each step, evaluate alternatives, and justify the final decision. Reflect before answering.  
Task: Determine the optimal 3-year migration strategy given constraints A, B, and C.

Schnelle und minimale Argumentation erzwingen:

Short answer only. No reasoning or explanation. Provide the final result only.  
Task: Extract the product name and renewal date from this paragraph.

Verwenden Sie dieses Muster, wenn Ihr Workflow Folgendes erfordert:

• Tiefere Überlegungen (Planen, Auswerten von Alternativen, Mehrschrittlogik).
• Schnelles Abrufen oder Extrahieren mit minimaler Erklärung.
• Wechseln zwischen allgemeinen Zusammenfassungen und tieferen Analysen.
• Konsistente Tiefe über mehrere Agents oder Anwendungsfälle hinweg.

Muster 8: Anwenden eines Literalausführungsheaders für sofortige Stabilität

Ein Literalausführungsheader hilft dabei, einen vorhandenen Agent vorübergehend zu stabilisieren, insbesondere nach einer Modelländerung. Dieses Muster ist besonders nützlich als Zwischenlösung, während Sie den vollständigen Anweisungssatz aktualisieren. Weitere Informationen finden Sie unter Modelländerungen in GPT 5.1 und höher für deklarative Agents.

Always interpret instructions literally.
Never infer intent or fill in missing steps.  
Never add context, recommendations, or assumptions.  
Follow step order exactly with no optimization.  
Respond concisely and only in the requested format.  
Do not call tools unless a step explicitly instructs you to do so.

Verwenden Sie dieses Muster in folgenden Fällen:

• Sie beobachten Nach dem Upgrade auf GPT 5.1 und höher eine Neuanordnung, hinzugefügte Schritte oder übermäßige Überlegungen.
• Sie benötigen eine schnelle kurzfristige Entschärfung, bevor Sie tiefere strukturelle Verbesserungen anwenden.
• Sie möchten diagnostizieren, ob rückschluss- oder Anweisungsambiguität das Problem verursacht.

Muster 9: Auswerten und Migrieren vorhandener deklarativer Agent-Anweisungen

Verwenden Sie eine strukturierte Auswertungsaufforderung, um einen vorhandenen Agent schnell zu überwachen, bestimmte Schwachstellen zu identifizieren und präzise Korrekturen zu generieren.

You are reviewing Data Access (DA) agent instructions for 5.1 stability.

INPUT
<instructions>
[PASTE CURRENT INSTRUCTIONS]
</instructions>

TASK
Concise audit. Identify ONLY issues and exact fixes.

CHECKS
- Step order: identify ambiguity, missing steps, or merged steps → propose atomic, numbered steps.
- Tool use: identify auto-calls, retries, or tool switching → add "use only in step X; no auto-retry".
- Grounding: detect inference, blending, or citation gaps → add "cite only retrieved; no inference; no cross-document stitching".
- Missing-data handling: if retrieval is empty or conflicting → add "stop and ask the user".
- Verbosity: identify chatty or explanatory output → replace with "return only the requested data/format".
- Contradictions or duplicates: resolve discrepancies; prefer explicit over implied.
- Vague verbs ("verify", "process", "handle", "clean"): replace with precise, observable actions.
- Safety: prohibit step reordering, optimization, or reinterpretation.

OUTPUT (concise)
- Header patch (3–6 lines)
- Top 5 changes (bullet list: "Issue → Fix")
- Example rewrite (≤10 lines) for the riskiest step

Verwenden Sie dieses Muster in folgenden Fällen:

• Sie migrieren einen vorhandenen Agent von GPT 5.0 zu GPT 5.1 oder höher.
• Sie sind sich nicht sicher, welche Teile des Anweisungssatzes zerbrechlich oder mehrdeutig sind.
• Sie möchten einen wiederholbaren Auswertungsprozess für mehrere deklarative Agents in einem organization.
• Sie benötigen eine schnelle Möglichkeit, um zu ermitteln, welche Probleme strukturell, stilistisch oder sicherheitsbezogen sind.

Verwandte Inhalte

• Beispiel für das Manifest des deklarativen Agents.
• Verwenden Sie Copilot Studio, um Agents zu erstellen.
• Validierungsrichtlinien für Agents.