经典机器人与现代Copilot

延续 Microsoft Copilot Studio 的强大功能，这里介绍了两种构建聊天机器人框架的最强大方法：经典机器人和现代Copilot。两者都有一些细微的差别，并且根据你的框架有很大的用途。

在本教程章节中，我们将了解这两种机器人之间的区别，它们的工作原理，它们支持的扩展以及其功能的详细比较。最终，你将清楚地了解如何为你的项目选择完美的方法。

什么是 Copilot Studio 中的经典机器人？

Microsoft Copilot Studio 中的经典机器人是围绕基于规则的预定义逻辑构建的。这些机器人基于决策树运行，使用固定的路径来引导对话。经典机器人对于简单的、重复性的任务（例如处理常见问题解答、基本的客户支持或预编程的交互）非常可靠。

What is a Classic Bot in Copilot Studio?

创建经典机器人的步骤

打开 Microsoft Copilot Studio 并点击“创建经典机器人”选项。
从可用的预构建模板中选择，例如客户支持或常见问题解答机器人。
定义意图和话语 -
- 意图是机器人需要响应的动作，例如“下订单”或“获取天气信息”。
- 话语是用户可能说的话来触发这些意图的示例。
为每个意图设置响应模式：基于决策树的固定响应。
通过提供不同的用户输入并在内置测试环境中测试机器人，并验证响应是否与已编程规则匹配。

示例

如果用户询问“我的账户余额是多少？”，经典机器人可以根据固定规则返回预定义的响应，例如“你的余额是 1000 美元”。

什么是 Copilot Studio 中的现代 Copilot？

与经典机器人不同，现代 Copilot 采用机器学习驱动的方法进行对话。现代 Copilot 在 Microsoft 可用的数据集上进行了高度训练，其强大的机器学习模型和 AI 算法支持实时学习和上下文驱动的适应性。它们由 Microsoft Graph 提供支持，允许与用户数据和服务深度集成。

What is Modern Copilot in Copilot Studio?

创建现代 Copilot 的步骤

打开 Microsoft Copilot Studio 并导航到“创建现代 Copilot”部分。
为上下文对话选择自定义实体和机器学习模型。
通过允许 Copilot 使用自然语言处理 (NLP) 动态解释用户输入来定义灵活的对话路径。
添加上下文管理，以便根据用户数据提供个性化响应。
使用实时测试环境和各种输入来测试现代 Copilot，看看 AI 如何适应和发展。
使用 AI 反馈循环监控和调整响应，以随着时间的推移提高准确性。

示例

当被问到“我的下一个会议是什么？”时，现代 Copilot 可以使用 Microsoft Graph 从用户的日历中提取数据，提供实时、个性化的响应。

现代 Copilot 可以处理诸如“安排我的周报”之类的模糊请求，解释上下文，并根据用户的过去互动或日历提供个性化的详细信息。

Copilot 和经典机器人之间的主要区别之一是生成式 AI 功能，该功能仅在现代 Copilot 中可用。

基于经典机器人和现代 Copilot 的真实场景

1. 经典机器人在行动

用户 - Sarah，一位网上银行客户。
场景 - Sarah 需要查看她的账户余额，并想找到她银行最近的分支机构以便亲自访问。她使用了银行的客户服务聊天功能，该功能由经典机器人提供支持。
启动 - Sarah 打开银行的网站并点击聊天图标。

用户输入 - Sarah 输入，“我需要查看我的余额”。

经典机器人响应 - 经典机器人对此查询有一个预定义规则。它检查诸如“余额”之类的特定关键字，并响应 -

“请输入您的帐号或登录您的帐户以查看您的余额”。

用户验证 - Sarah 输入她的帐号。

经典机器人响应 - 机器人提供静态的、预定义的响应 -

“您当前余额为 5000 美元”。

其他请求 - Sarah 然后问，“最近的分支机构在哪里？”

经典机器人决策树 - 机器人遵循其程序化路径并向 Sarah 询问她的邮政编码。Sarah 回复了她的邮政编码。

根据输入，机器人获取预定义的分支机构位置列表并显示：最近的分支机构位于 Main Street 1234 号，营业时间为上午 9 点至下午 5 点。

因此，我们可以说经典机器人在处理重复的、简单的查询（例如检查账户余额或提供分支机构详细信息）方面效率很高。它在一个固定的、基于规则的框架内运行，使其可靠但仅限于预定义的交互。

如果 Sarah 需要更动态的帮助，她的交互可能会更顺畅。例如，如果她需要关于她的账户活动的个性化建议或安排会议的帮助，机器人将无法有效地处理它，除非为每种可能的交互添加自定义规则。

2. 现代 Copilot 在行动

用户 - Sam，一位远程工作的员工。
场景 - Sam 在家工作，需要与他的团队安排会议，从公司的 SharePoint 中提取相关文件，并接收上次会议记录的摘要。他使用了集成到公司工作流程系统中的现代 Copilot。
启动 - Sam 打开他的公司内部协作应用程序，该应用程序嵌入了现代 Copilot。

用户输入 - Sam 输入，“明天上午 10 点与我的团队安排一次会议”。

Copilot 响应 - 现代 Copilot 使用其自然语言处理 (NLP) 功能解释 Sam 的请求。它通过 Microsoft Graph 连接到 Sam 的日历并向团队发送会议邀请。

“您与团队的会议已安排在明天上午 10 点”。

用户输入 - Sam 接着说，“你能从 SharePoint 中调出最新的项目文件吗？”

Copilot 动作 - Copilot 动态连接到 SharePoint，搜索与正在进行的项目相关的文件，并实时检索它们。

这是来自 SharePoint 的最新项目文件：[File1.pdf]，[File2.docx]

用户输入 - Sam 然后问，“给我一个上次会议记录的摘要”。

Copilot 响应 - 现代 Copilot 从 OneNote 中提取相关的会议记录，使用其 AI 功能对其进行处理，并返回简洁的摘要。

“这是上次会议的摘要：Alpha 项目进展顺利，截止日期为下周五”。

完成这些任务后，Copilot 会更新其知识库，从 Sam 的偏好和上下文中学习，以便在未来的交互中提供更高效的响应。因此，它会动态地处理信息，实时适应 Sam 的需求，而无需为每个特定操作预定义规则。

经典机器人和现代 Copilot 的主要区别

下表重点介绍了经典机器人和模型 Copilot 之间的主要区别 -

方面	经典机器人	现代 Copilot
技术	基于规则，决策树驱动	AI 驱动，由机器学习和 NLP 提供支持
基于	Power Virtual Agents	新的 Copilot 功能
生成式 AI	-	是
界面	旧的	现代的
AI 功能	非常有限	与 AI 完全集成
解决方案管理	使用主题组件	使用主题 V2 组件
插件支持	-	是
交互方式	限于预定义的响应和严格的工作流程	动态的、自适应的和上下文感知的交互
学习能力	没有学习能力；完全依赖预定义规则运行	通过自适应 AI 和用户行为持续学习
与外部系统的集成	有限的集成，通常需要自定义连接器	与 Microsoft Graph、SharePoint、OneDrive 等平台深度集成
响应灵活性	针对特定查询的固定响应	实时、上下文相关的响应
自然语言理解 (NLU)	极少或没有	高级自然语言处理 (NLP)
处理复杂查询	差，需要人工升级	优秀，可以处理和解决复杂的多个步骤请求
上下文感知	缺乏保持对话上下文的能力	在交互过程中保持并构建上下文
个性化	没有个性化；对所有用户都是相同的响应	根据用户偏好和历史记录提供量身定制的响应
任务自动化	简单的任务自动化，功能有限	具有动态工作流程的高级任务自动化
可扩展性	需要手动更新规则才能扩展	通过 AI 和 ML 自动扩展，无需人工干预
数据处理	最小；仅处理预定义的输入	来自集成系统的实时数据处理
培训和维护	需要持续的手动更新	自学习；最少的人工维护
错误处理	遵循严格的错误路径；通常会导致死胡同	自适应；提供替代方案和建议
用户体验	静态、重复性交互	流畅、引人入胜且个性化的体验
跨会话上下文保留	无会话记忆；每次对话都重新开始	保留跨会话的用户上下文和偏好
部署灵活性	需要在特定平台上进行自定义部署	可以轻松地部署到各种环境中
迁移	可能	不适用
主题	手动创建主题	通过Copilot的生成式AI创建主题
触发器	仅触发短语	支持多个触发短语
事件	-	发送事件、发送活动、发送HTTP请求、记录自定义遥测事件。

总而言之，经典机器人和现代Copilot各有优势和适用场景。如果您追求简单性和可预测性，经典机器人可能是您的选择。但是，如果您需要自适应性、实时学习以及与现代数据源的集成，现代Copilot将是最佳选择。这两种方法都允许您在Microsoft Copilot Studio中构建强大的对话式代理，但最终的选择取决于您项目的复杂性和需求。

打印页面