經典機器人與現代Copilot

延續 Microsoft Copilot Studio 的強大功能，這裡介紹了兩種構建聊天機器人框架的最強大方法：經典機器人和現代Copilot。兩者都有一些細微的差別，並且根據你的框架有很大的用途。

在本教程章節中，我們將瞭解這兩種機器人之間的區別，它們的工作原理，它們支援的擴充套件以及其功能的詳細比較。最終，你將清楚地瞭解如何為你的專案選擇完美的方法。

什麼是 Copilot Studio 中的經典機器人？

Microsoft Copilot Studio 中的經典機器人是圍繞基於規則的預定義邏輯構建的。這些機器人基於決策樹執行，使用固定的路徑來引導對話。經典機器人對於簡單的、重複性的任務（例如處理常見問題解答、基本的客戶支援或預程式設計的互動）非常可靠。

What is a Classic Bot in Copilot Studio?

建立經典機器人的步驟

開啟 Microsoft Copilot Studio 並點選“建立經典機器人”選項。
從可用的預構建模板中選擇，例如客戶支援或常見問題解答機器人。
定義意圖和話語 -
- 意圖是機器人需要響應的動作，例如“下訂單”或“獲取天氣資訊”。
- 話語是使用者可能說的話來觸發這些意圖的示例。
為每個意圖設定響應模式：基於決策樹的固定響應。
透過提供不同的使用者輸入並在內建測試環境中測試機器人，並驗證響應是否與已程式設計規則匹配。

示例

如果使用者詢問“我的賬戶餘額是多少？”，經典機器人可以根據固定規則返回預定義的響應，例如“你的餘額是 1000 美元”。

什麼是 Copilot Studio 中的現代 Copilot？

與經典機器人不同，現代 Copilot 採用機器學習驅動的方法進行對話。現代 Copilot 在 Microsoft 可用的資料集上進行了高度訓練，其強大的機器學習模型和 AI 演算法支援即時學習和上下文驅動的適應性。它們由 Microsoft Graph 提供支援，允許與使用者資料和服務深度整合。

What is Modern Copilot in Copilot Studio?

建立現代 Copilot 的步驟

開啟 Microsoft Copilot Studio 並導航到“建立現代 Copilot”部分。
為上下文對話選擇自定義實體和機器學習模型。
透過允許 Copilot 使用自然語言處理 (NLP) 動態解釋使用者輸入來定義靈活的對話路徑。
新增上下文管理，以便根據使用者資料提供個性化響應。
使用即時測試環境和各種輸入來測試現代 Copilot，看看 AI 如何適應和發展。
使用 AI 反饋迴圈監控和調整響應，以隨著時間的推移提高準確性。

示例

當被問到“我的下一個會議是什麼？”時，現代 Copilot 可以使用 Microsoft Graph 從使用者的日曆中提取資料，提供即時、個性化的響應。

現代 Copilot 可以處理諸如“安排我的週報”之類的模糊請求，解釋上下文，並根據使用者的過去互動或日曆提供個性化的詳細資訊。

Copilot 和經典機器人之間的主要區別之一是生成式 AI 功能，該功能僅在現代 Copilot 中可用。

基於經典機器人和現代 Copilot 的真實場景

1. 經典機器人在行動

使用者 - Sarah，一位網上銀行客戶。
場景 - Sarah 需要檢視她的賬戶餘額，並想找到她銀行最近的分支機構以便親自訪問。她使用了銀行的客戶服務聊天功能，該功能由經典機器人提供支援。
啟動 - Sarah 開啟銀行的網站並點選聊天圖示。

使用者輸入 - Sarah 輸入，“我需要檢視我的餘額”。

經典機器人響應 - 經典機器人對此查詢有一個預定義規則。它檢查諸如“餘額”之類的特定關鍵字，並響應 -

“請輸入您的帳號或登入您的帳戶以檢視您的餘額”。

使用者驗證 - Sarah 輸入她的帳號。

經典機器人響應 - 機器人提供靜態的、預定義的響應 -

“您當前餘額為 5000 美元”。

其他請求 - Sarah 然後問，“最近的分支機構在哪裡？”

經典機器人決策樹 - 機器人遵循其程式化路徑並向 Sarah 詢問她的郵政編碼。Sarah 回覆了她的郵政編碼。

根據輸入，機器人獲取預定義的分支機構位置列表並顯示：最近的分支機構位於 Main Street 1234 號，營業時間為上午 9 點至下午 5 點。

因此，我們可以說經典機器人在處理重複的、簡單的查詢（例如檢查賬戶餘額或提供分支機構詳細資訊）方面效率很高。它在一個固定的、基於規則的框架內執行，使其可靠但僅限於預定義的互動。

如果 Sarah 需要更動態的幫助，她的互動可能會更順暢。例如，如果她需要關於她的賬戶活動的個性化建議或安排會議的幫助，機器人將無法有效地處理它，除非為每種可能的互動新增自定義規則。

2. 現代 Copilot 在行動

使用者 - Sam，一位遠端工作的員工。
場景 - Sam 在家工作，需要與他的團隊安排會議，從公司的 SharePoint 中提取相關檔案，並接收上次會議記錄的摘要。他使用了整合到公司工作流程系統中的現代 Copilot。
啟動 - Sam 開啟他的公司內部協作應用程式，該應用程式嵌入了現代 Copilot。

使用者輸入 - Sam 輸入，“明天上午 10 點與我的團隊安排一次會議”。

Copilot 響應 - 現代 Copilot 使用其自然語言處理 (NLP) 功能解釋 Sam 的請求。它透過 Microsoft Graph 連線到 Sam 的日曆並向團隊傳送會議邀請。

“您與團隊的會議已安排在明天上午 10 點”。

使用者輸入 - Sam 接著說，“你能從 SharePoint 中調出最新的專案檔案嗎？”

Copilot 動作 - Copilot 動態連線到 SharePoint，搜尋與正在進行的專案相關的檔案，並即時檢索它們。

這是來自 SharePoint 的最新專案檔案：[File1.pdf]，[File2.docx]

使用者輸入 - Sam 然後問，“給我一個上次會議記錄的摘要”。

Copilot 響應 - 現代 Copilot 從 OneNote 中提取相關的會議記錄，使用其 AI 功能對其進行處理，並返回簡潔的摘要。

“這是上次會議的摘要：Alpha 專案進展順利，截止日期為下週五”。

完成這些任務後，Copilot 會更新其知識庫，從 Sam 的偏好和上下文中學習，以便在未來的互動中提供更高效的響應。因此，它會動態地處理資訊，即時適應 Sam 的需求，而無需為每個特定操作預定義規則。

經典機器人和現代 Copilot 的主要區別

下表重點介紹了經典機器人和模型 Copilot 之間的主要區別 -

方面	經典機器人	現代 Copilot
技術	基於規則，決策樹驅動	AI 驅動，由機器學習和 NLP 提供支援
基於	Power Virtual Agents	新的 Copilot 功能
生成式 AI	-	是
介面	舊的	現代的
AI 功能	非常有限	與 AI 完全整合
解決方案管理	使用主題元件	使用主題 V2 元件
外掛支援	-	是
互動方式	限於預定義的響應和嚴格的工作流程	動態的、自適應的和上下文感知的互動
學習能力	沒有學習能力；完全依賴預定義規則執行	透過自適應 AI 和使用者行為持續學習
與外部系統的整合	有限的整合，通常需要自定義聯結器	與 Microsoft Graph、SharePoint、OneDrive 等平臺深度整合
響應靈活性	針對特定查詢的固定響應	即時、上下文相關的響應
自然語言理解 (NLU)	極少或沒有	高階自然語言處理 (NLP)
處理複雜查詢	差，需要人工升級	優秀，可以處理和解決複雜的多個步驟請求
上下文感知	缺乏保持對話上下文的能力	在互動過程中保持並構建上下文
個性化	沒有個性化；對所有使用者都是相同的響應	根據使用者偏好和歷史記錄提供量身定製的響應
任務自動化	簡單的任務自動化，功能有限	具有動態工作流程的高階任務自動化
可擴充套件性	需要手動更新規則才能擴充套件	透過 AI 和 ML 自動擴充套件，無需人工干預
資料處理	最小；僅處理預定義的輸入	來自整合系統的即時資料處理
培訓和維護	需要持續的手動更新	自學習；最少的人工維護
錯誤處理	遵循嚴格的錯誤路徑；通常會導致死衚衕	自適應；提供替代方案和建議
使用者體驗	靜態、重複性互動	流暢、引人入勝且個性化的體驗
跨會話上下文保留	無會話記憶；每次對話都重新開始	保留跨會話的使用者上下文和偏好
部署靈活性	需要在特定平臺上進行自定義部署	可以輕鬆地部署到各種環境中
遷移	可能	不適用
主題	手動建立主題	透過Copilot的生成式AI建立主題
觸發器	僅觸發短語	支援多個觸發短語
事件	-	傳送事件、傳送活動、傳送HTTP請求、記錄自定義遙測事件。

總而言之，經典機器人和現代Copilot各有優勢和適用場景。如果您追求簡單性和可預測性，經典機器人可能是您的選擇。但是，如果您需要自適應性、即時學習以及與現代資料來源的整合，現代Copilot將是最佳選擇。這兩種方法都允許您在Microsoft Copilot Studio中構建強大的對話式代理，但最終的選擇取決於您專案的複雜性和需求。

列印頁面