Fondamentali · GitHub Harness
Nella GitHub Harness si costruisce un solo agente, l'Assistente Zava GH, con la GitHub Copilot harness di Copilot Studio: istruzioni, fonti di conoscenza, strumenti, skill e workflow, aggiunti un pezzo per lab. È lo stesso help desk di Zava della Standard Harness, costruito con un modello diverso: invece di disegnare il percorso della conversazione si descrivono obiettivi, capacità e limiti, e il runtime decide i passi. Parti dal Lab 01 e prosegui in ordine.
Prerequisiti
- Un account Microsoft 365 aziendale o scolastico
- Accesso a Copilot Studio, con la nuova esperienza attiva
- Un ambiente dedicato al corso con un database Dataverse e Copilot Credits disponibili
- Accesso a SharePoint per il sito con i documenti dell'Help Desk e la lista dei dispositivi
Importante
Copilot Credits già durante lo sviluppo
Gli agenti della GitHub Copilot harness usano la fatturazione a consumo: creazione in linguaggio naturale, Preview e valutazioni consumano crediti anche se l'agente non viene mai pubblicato. Completare tutti i lab dei Fundamentals GitHub Harness consuma circa 1.000 Copilot Credits. Prima di iniziare verificare con l'amministratore che l'ambiente del corso abbia crediti disponibili.
Lab
| # | Lab | Argomento | Tempo |
|---|---|---|---|
| 01 | Environment Setup | Ambiente e solution | 75 min |
| 02 | Agent and Knowledge Sources | Istruzioni e conoscenza | 90 min |
| 03 | Adding Tools | Strumenti e memoria | 75 min |
| 04 | Adding Skills | Skill | 75 min |
| 05 | Automating with Workflows | Workflow | 90 min |
Concetti chiave
Harness e orchestrazione
Il modello fornisce ragionamento e generazione; la harness è il runtime tra il modello e la configurazione dell'agente: decide quando chiamare il modello, che cosa mandargli e quali strumenti eseguire.
Per questo le istruzioni e le descrizioni di fonti e strumenti contano più dei percorsi disegnati. La GitHub Copilot harness è la scelta giusta per problemi ampi che non si possono mappare del tutto in anticipo, come interrogare un modello dati complesso con molti campi sconosciuti.
Nota
Una scelta fatta alla creazione
La harness si sceglie quando si crea l'agente: un agente GitHub Copilot non si trasferisce nella standard harness, e viceversa. Il nome indica la tecnologia di orchestrazione: non è il servizio GitHub Copilot, non richiede un abbonamento GitHub e i dati degli agenti non vengono inviati a quel servizio. Vedere Harnesses in Copilot Studio.
I blocchi dell'agente
Ogni comportamento ha un posto giusto: conviene scegliere il componente più piccolo che lo rende affidabile, verificabile e sicuro dentro il ciclo.
Instructions
Ciò che vale in ogni conversazione, non solo in alcune.
- Tutto ciò che è generaleruolo, ambito, tono, regole di sicurezza
- Indicazioni sempre attive
Knowledge
I fatti da cercare e citare.
- Fatti cercabili, semantici
- Documenti, siti, file
- Fondano le risposte
Tools
Azioni e dati in tempo reale.
- Ricerche live e API
- Operazioni CRUD
- Azioni su sistemi esterni
Memory
Il contesto che resta tra una sessione e l'altra.
- Contesto persistente
- Storico delle preferenze per utente
Agent Sandbox
L'esecuzione di codice dentro il ciclo, quando il ragionamento non basta.
- Analisi ad hoc
- Esecuzione di codice e strumenti shell
- Manipolazione dei dati
SKILL.md
Il file della skill: il testo che l'orchestratore legge quando la richiama.
- Procedura o contestotestuale, utile per un argomento o un compito specifico
- Decisioni futurepuò influenzare le decisioni di pianificazione che seguono
- Suggerisce, non imponepuò suggerire un flow, ma non farlo rispettare
File di supporto della skill
Codice e file accanto a SKILL.md, eseguiti in una sandbox.
- Python o file di aiutogirano in una sandbox; possono usare un set di librerie; nessun accesso in uscita
- Logica locale complessao elaborazione di dati
- Solo se la skill viene lettasi usano solo se l'orchestratore legge la skill
Agenti connessi
Un altro agente a cui delegare un ambito specializzato.
- Delega solo se serveambito specializzato
- Risorse proprieistruzioni, tool, skill e knowledge
- Per grandi sotto-dominiche richiedono un'orchestrazione diversa di skill e tool
- Non per piccoli compitifuori dai grandi scenari, dividere compiti piccoli in agenti connessi non aumenta l'accuratezza
| Componente | A che cosa serve | Nell'Assistente Zava GH | Lab |
|---|---|---|---|
| Istruzioni | Ciò che vale in ogni conversazione: ruolo, perimetro, tono, regole di sicurezza | Rispondere solo dalle fonti, non chiedere mai credenziali | 02 |
| Conoscenza | Fatti da cercare e citare: file, siti web, SharePoint | KB sul reset della password, guide VPN, playbook e SLA | 02 |
| Strumenti | Azioni e dati in tempo reale: connettori, server MCP, workflow | Leggere il profilo di chi scrive, inviare un annuncio per email | 03 |
| Memoria (anteprima) | Contesto per utente che resta tra una sessione e l'altra | Dispositivo e reparto preferito, mai credenziali | 03 |
| Skill | Procedure caricate solo quando servono | Supporto tecnico, apertura di un ticket, annuncio di lavoro | 04 |
| Workflow | Passi deterministici, usati dall'agente come strumento | Richiesta di un dispositivo verificata sulla lista Dispositivi | 05 |
| Modello | Il motore di ragionamento, scelto nella scheda Build | Modello predefinito | 02 |
Suggerimento
Istruzioni o skill?
Le istruzioni guidano il comportamento ma non aggiungono capacità, e si caricano a ogni turno. Prima di aggiungere una regola, chiedersi se l'agente ha la conoscenza, lo strumento o la skill per applicarla, e se vale in ogni conversazione: se vale solo a volte, il suo posto è una skill.
Skill
Una skill è fatta di istruzioni e risorse caricate a richiesta: nel contesto restano sempre solo il nome e la descrizione di SKILL.md, che servono a instradare la richiesta. Si sceglie una skill per tenere leggibili le istruzioni dell'agente, per usare il contesto solo quando lo scenario lo richiede e, in alcuni casi, per migliorare l'accuratezza: un prompt grande sempre attivo fa pesare a ogni turno indicazioni irrilevanti. Si costruiscono nel Lab 04.
Conoscenza da SharePoint
Con le fonti SharePoint l'orchestratore recupera solo la conoscenza che serve: la aggiunge il Lab 02, e i permessi di chi scrive continuano a valere.
Ricerca
L'orchestratore cerca solo la conoscenza che gli serve, nelle fonti SharePoint.
- Ricerche semantichesu tutte le fonti di conoscenza SharePoint
- Snippet corrispondentirestituiti all'orchestratore
Classifica
Dagli snippet ai documenti che contano davvero.
- Classifica gli snippet
- Decide quali documenti sono pertinentidavvero rilevanti per il compito
Recupero
I file completi, non solo gli snippet, entrano nella sandbox.
- Scarica i file completinel contenitore della sandbox dell'agente
- Elaborazione abilitataper usarli nella conversazione
Elaborazione
I file sono pre-elaborati e tenuti nel contenitore dell'agente.
- Pre-elaborazionecon struttura e metadati
- In cache nel contenitore dell'agenteper sostenere risposte rapide durante la conversazione
Agent Sandbox
Quando il ragionamento non basta, l'orchestratore scrive ed esegue script in uno spazio di lavoro Linux/Python isolato. È il posto giusto per l'esecuzione deterministica: calcoli, generazione di file, parsing, grafici e validazioni che il modello non deve improvvisare.
Librerie preinstallate
Alcune delle librerie già presenti nella sandbox, per gruppo.
- Dati e graficipandas, numpy, matplotlib, plotly
- Fileopenpyxl, pptx/docx, pypdf
- Parsing e OCRBeautifulSoup, lxml, pdfplumber, Pillow, OpenCV
- Matematica e logicasympy, PyYAML, Jinja2, reportlab
Dai flow ai workflow
I workflow nascono dall'avvicinare automazione deterministica e agenti. Scegliere fra un agente e un workflow dipende da quale quota del processo è nota prima dell'esecuzione: i workflow calzano dove inizio e fine sono noti e la variabilità sta nei singoli passi. Un workflow può chiamare agenti, e un agente può chiamare workflow: è il caso dell'Assistente Zava GH nel Lab 05.
Copilot Credits
Nella GitHub Copilot harness la fatturazione inizia quando si inizia a costruire, non quando si pubblica: tutto il ciclo di vita consuma crediti, mentre la standard harness fattura solo dopo la pubblicazione.
- Che cosa consuma: i token del modello, gli strumenti (inclusa la conoscenza) e la harness stessa, durante la creazione in linguaggio naturale, la Preview, le valutazioni e poi ogni uso dell'agente pubblicato.
- A chi si addebita: all'ambiente in cui l'agente gira, non alle singole persone; l'uso non è incluso nella licenza Microsoft 365 Copilot.
- Dove si vede: in Preview c'è una stima dei crediti della sessione, la cronologia (History) ne riporta il valore per ogni conversazione e la scheda Monitor mostra il totale definitivo.
- Quando finiscono: l'agente smette di rispondere e i maker non possono più usare Preview finché non tornano crediti disponibili. Vedere Overview of usage-based billing.
Standard harness e GitHub Copilot harness
| Esigenza | Standard harness | GitHub Copilot harness |
|---|---|---|
| Percorso di conversazione controllato | Topic con nodi, condizioni e variabili | Skill caricate quando la richiesta corrisponde alla descrizione |
| Generazione guidata di testo | Prompt tool | Skill e istruzioni |
| Automazione deterministica | Agent flow | Workflow |
| Versioni multiple di un documento | File group con istruzioni | File separati, descrizioni e regole nelle istruzioni |
| Solo risposte dalle fonti | Impostazioni per disattivare web e conoscenza generale | Fonti aggiunte, Search all websites spento e istruzioni |
| Test interattivo | Pannello Test | Scheda Preview con la traccia del ragionamento |
| Fatturazione | Dopo la pubblicazione | Dalla prima prova, in Copilot Credits |
Per processi brevi e sempre uguali, come un bot che raccoglie gli stessi dati di un ticket nello stesso ordine, la standard harness è la scelta più proporzionata. L'Assistente Zava GH combina invece documenti diversi, il profilo di chi scrive, email, procedure e un workflow, con richieste che cambiano da persona a persona: è il lavoro per cui la GitHub Copilot harness giustifica il suo costo. Vedere Compare Copilot Studio agent harnesses.