11-03-02 — Data Agents GA: Virtual Analysts

Como Data Agents funcionam

O fluxo interno: usuario pergunta em PT, o agente consulta a ontologia do Fabric IQ, passa o contexto semantico para o LLM (GPT-4o), o LLM gera SQL preciso, o agente executa no Warehouse/Lakehouse, formata o resultado e devolve em linguagem natural com grafico opcional.

Criando um Data Agent no Fabric

# Criando Data Agent via Fabric REST API
import requests

headers = {
    "Authorization": f"Bearer {access_token}",
    "Content-Type": "application/json"
}

agent_config = {
    "displayName": "Analista de Vendas",
    "description": "Responde perguntas sobre vendas, receita e clientes",
    "dataSources": [
        {
            "type": "Warehouse",
            "workspaceId": workspace_id,
            "itemId": warehouse_id,
            "schemas": ["gold"]  # Apenas camada Gold
        }
    ],
    "instructions": """
Voce e um analista de vendas da empresa.
Responda apenas perguntas sobre vendas, receita, clientes e produtos.
Sempre mostre os numeros em formato brasileiro (R$ 1.234.567,89).
Quando a pergunta envolver ranking, mostre os top 10 por padrao.
Para perguntas sobre tendencias, compare sempre com o mesmo periodo do ano anterior.
""",
    "llmConfig": {
        "modelId": "gpt-4o",
        "temperature": 0.1  # Baixo para respostas mais precisas
    }
}

response = requests.post(
    f"https://api.fabric.microsoft.com/v1/workspaces/{workspace_id}/dataAgents",
    headers=headers,
    json=agent_config
)
agent_id = response.json()["id"]

Consultando o Data Agent

# Fazendo uma pergunta ao Data Agent
chat_request = {
    "messages": [
        {
            "role": "user",
            "content": "Quais foram os 5 clientes com maior receita em abril de 2025?"
        }
    ]
}

response = requests.post(
    f"https://api.fabric.microsoft.com/v1/workspaces/{workspace_id}/dataAgents/{agent_id}/chat",
    headers=headers,
    json=chat_request
)

result = response.json()
print(result["message"]["content"])
# Output: "Os 5 maiores clientes em abril de 2025 foram:
# 1. Vale S.A. - R$ 12.450.000
# 2. TIM Brasil - R$ 8.320.000
# ..."
print(result.get("sql"))  # A query gerada (para auditoria)

Casos de uso reais

Integrando com Copilot Studio

O Data Agent expoe um endpoint REST que pode ser adicionado como Action no Copilot Studio. O resultado: seu agente Teams responde tanto perguntas de documentos (SharePoint) quanto perguntas de dados (Fabric).

// No Copilot Studio, adicione uma HTTP Action apontando para o Data Agent:
// POST https://api.fabric.microsoft.com/v1/workspaces/{wid}/dataAgents/{aid}/chat
// Body: { "messages": [{"role": "user", "content": "{Topic.UserInput}"}] }
// Response mapping: Topic.AgentResponse = response.message.content