Nota:
El acceso a esta página requiere autorización. Puede intentar iniciar sesión o cambiar directorios.
El acceso a esta página requiere autorización. Puede intentar cambiar los directorios.
La generación aumentada de recuperación (RAG) en Microsoft Copilot Studio combina las capacidades de razonamiento de los modelos de lenguaje con conocimientos específicos de la organización de confianza. Permite a los agentes producir respuestas precisas, contextuales y fundamentadas basadas en el contenido de la empresa en lugar de depender únicamente de la memoria del modelo.
En este artículo aprenderá a:
- Entiende cómo RAG mejora la fiabilidad y la estabilidad de la IA.
- Describir cómo Copilot Studio recupera y sintetiza el conocimiento.
- Identifica las fuentes de conocimiento soportadas y sus limitaciones.
- Reconoce las consideraciones de gobernanza, cumplimiento y seguridad en la IA.
- Aplica los conceptos RAG al diseñar agentes en entornos empresariales.
Introducción a RAG
RAG es un patrón de diseño que mejora la precisión de la IA combinando dos capacidades:
- Recuperación de información: Búsqueda de fuentes de datos empresariales.
- Generación de texto: Síntesis de la información recuperada utilizando un modelo de lenguaje.
Este enfoque reduce la información incorrecta, aumenta la confianza y genera respuestas basadas en contenido organizativo real.
Arquitectura RAG en Copilot Studio
La canalización RAG de Copilot Studio se basa en los Servicios de Azure AI y se integra estrechamente con los límites de confianza, cumplimiento y seguridad de Microsoft.
Componentes principales:
- Copilot Studio runtime: administra la canalización conversacional.
- Motor de optimización de consultas: Reescribe e interpreta consultas
- proveedores de Search: Bing, SharePoint, Graph, Dataverse, Azure AI Search
- Motor de Sintetización: Crea respuestas citadas y fundamentadas
- Capas de moderación: Valida mensajes y resúmenes
- Almacén de estado: Memoria a corto plazo (menos de 30 días; no se usa para entrenamiento)
- Almacenes de telemetría y retroalimentación: Proporcionan información y supervisión
Funcionamiento de RAG en Copilot Studio
RAG en Copilot Studio sigue un proceso de cuatro pasos:
- Reescritura de consultas
- Recuperación de contenido
- Resumen y generación de respuestas
- Validación de seguridad y gobernanza
1. Reescritura de consultas
Copilot Studio optimiza la pregunta del usuario antes de buscar:
- Aclara el significado
- Añade señales contextuales (últimos 10 turnos)
- Mejora la coincidencia de palabras clave
- Genera consultas fáciles de buscar
Este proceso aumenta la calidad de la extracción y reduce los resultados irrelevantes.
2. Recuperación de contenido
Después de reescribir la consulta, el sistema la ejecuta contra todas las fuentes de conocimiento que configuras. Copilot Studio obtiene los tres primeros resultados de cada origen, equilibrando la relevancia con el rendimiento. El comportamiento de cada fuente de conocimiento varía en función de factores como la autenticación, la indexación, los formatos de archivo y las limitaciones de almacenamiento.
La siguiente tabla resume todas las fuentes de conocimiento soportadas y sus capacidades, restricciones y requisitos de autenticación:
| Fuente de conocimiento | Description | Autenticación | Capacidades clave, límites y restricciones |
|---|---|---|---|
| Datos públicos (sitios web) | Sitios web indexados por Bing | Ninguno |
|
| SharePoint /OneDrive | Contenido empresarial interno (solo interno) | autenticación delegada Microsoft Entra ID |
|
| Archivos subidos | Archivos subidos al almacenamiento de Dataverse | Ninguno |
|
| Tablas de Dataverse | Registros estructurados de negocio (solo internos) | autenticación delegada Microsoft Entra ID |
|
| Conectores de grafo | Aplicaciones empresariales indexadas en Microsoft Graph (solo interna) | autenticación delegada Microsoft Entra ID |
|
| Conectores en tiempo real | Datos en vivo de sistemas como Salesforce, Zendesk, SQL (solo interno) | El usuario debe iniciar sesión |
|
| Azure AI Search | Búsqueda semántica basada en vectores | Punto final configurado |
|
| Datos personalizados | Datos suministrados mediante APIs, flujos o lógica personalizada | Ninguno |
|
3. Resumen y generación de respuestas
- La IA sintetiza contenido recuperado
- Aplica instrucciones personalizadas para tono, formato, seguridad o brevedad
- Genera citas a los datos subyacentes
- Personaliza las respuestas usando el contexto del usuario (como idioma, departamento o región)
4. Validación de seguridad y gobernanza
Cada respuesta pasa por capas de validación automatizadas:
- Moderación de respuestas dañinas, maliciosas, no conformes o protegidas por derechos de autor
- Validación de puesta a tierra y eliminación de información incorrecta
Los datos de clientes no se usan para entrenar modelos de lenguaje.
Consideraciones clave al usar RAG
RAG funciona mejor para preguntas y respuestas fácticas, no para análisis documentales profundos.
RAG es ideal para:
- Respondiendo preguntas desde bases de conocimiento
- Resumen de políticas, preguntas frecuentes y contenido procedimental
- Recuperación de datos específicos de archivos o sistemas internos
RAG no está pensado para:
- Comparación completa de documentos
- Evaluación del cumplimiento de políticas
- Razonamiento complejo sobre documentos largos y no estructurados
Consideraciones de seguridad y cumplimiento de la IA generativa
Las características de ia generativa en Microsoft Copilot Studio están diseñadas para ofrecer eficaces funcionalidades de conversación y razonamiento, a la vez que se mantienen controles de seguridad, privacidad y cumplimiento sólidos.
Modelos de base y alojamiento
- Copilot Studio se basa en modelos fundamentales que entrena OpenAI.
- Copilot Studio usa uno de los modelos de OpenAI más recientes para respuestas generativas.
- Los modelos se ejecutan completamente en servicios Azure AI Foundry internos, alineados con el límite de confianza de los servicios de Microsoft.
- Todo el uso del modelo se ajusta a los principios y políticas de Microsoft Responsible AI .
Instrucciones personalizadas
Los creadores pueden proporcionar instrucciones personalizadas para moldear el comportamiento del modelo, influir en el tono o añadir reglas de formato. Estas instrucciones ayudan a adaptar las respuestas generativas a las necesidades de la organización, respetando los filtros de seguridad y los controles de cumplimiento.
Procesamiento y almacenamiento de datos
- Almacenamiento y procesamiento de datos en Copilot Studio podría mover datos a través de límites regionales cuando el hospedaje del modelo local no está disponible.
- Cuando no se permite este movimiento de datos, los administradores pueden usar la configuración del entorno para deshabilitar características específicas, como Azure modelos de lenguaje o Bing Search.
- Copilot Studio no recopila ni usa ningún dato de cliente para entrenar modelos de lenguaje.
Manejo operativo de datos
- Durante el funcionamiento, el sistema almacena temporalmente las conversaciones en una tienda segura y operada por Microsoft.
- El acceso autorizado al personal de Microsoft está restringido mediante estaciones de trabajo de acceso seguro (SAWs) con controles Just-In-Time (JIT).
- Las organizaciones pueden controlar además el acceso a través de Customer Lockbox, requiriendo aprobación explícita antes de que los ingenieros de soporte de Microsoft puedan ver los datos.
Resolución de problemas de telemetría
- Las funciones de IA generativa generan datos adicionales de solución de problemas, pero solo para acciones iniciadas por el creador en el panel de Prueba, especialmente cuando el creador da un pulgar arriba o hacia abajo a una respuesta.
- No se registran datos adicionales de clientes fuera de este bucle explícito de retroalimentación.
Monitorización y seguridad del abuso
Dado que varias capas de seguridad ya protegen las características de IA generativa, la IA generativa de Copilot Studio deshabilita la supervisión de abuso de Azure IA para evitar el registro adicional de datos de los clientes.