Tworzenie i wdrażanie agentów AI w Microsoft Copilot Studio: Chat, Standard i GitHub Copilot harness

Szkolenie przeznaczone jest dla:

• Architektów i konsultantów rozwiązań AI, którzy projektują wdrożenia Copilot Studio i muszą świadomie wybierać harness, wzorzec orkiestracji oraz model kosztowy dla konkretnego procesu.
• Doświadczonych deweloperów i twórców low-code (makers) Power Platform, którzy zbudowali już agenta w jednym podejściu i chcą poznać pozostałe oraz nauczyć się je łączyć.
• Specjalistów IT i administratorów Microsoft 365 oraz Power Platform, odpowiedzialnych za środowiska, uprawnienia, DLP, publikację, cykl życia rozwiązań i kontrolę pojemności.
• Liderów technicznych i właścicieli produktów AI, którzy odpowiadają za przeniesienie pilotaży do produkcji – za ład, ewaluację jakości i budżet.
• Trenerów i zespołów Center of Excellence, budujących wewnętrzne standardy tworzenia agentów w organizacji.

Po ukończeniu szkolenia uczestnik osiągnie następujące korzyści:

• Świadomy wybór harness – nauczysz się decydować między Copilot chat, Standard i GitHub Copilot harness na podstawie wymagań, a nie przyzwyczajeń, i uzasadniać tę decyzję przed biznesem.
• Pełny warsztat na całej platformie – zbudujesz agentów w Agent Builder, w pętli rozumowania oraz w klasycznym modelu Topics, poznając mocne i słabe strony każdego podejścia.
• Instructions i Skills – opanujesz zasadę „zawsze kontra czasami”, progressive disclosure oraz pisanie opisów, które faktycznie uruchamiają właściwy komponent.
• Wiedza, narzędzia i przepływy – podłączysz agenta do danych firmowych (SharePoint, Dataverse, konektory, MCP) i zautomatyzujesz procesy zdarzeniowe w nowym doświadczeniu Workflows.
• Systemy wieloagentowe – zaprojektujesz zespół specjalistów (child agents i connected agents) w wzorcu hub-and-spoke, ze świadomym przekazywaniem kontekstu.
• Agenci autonomiczni – uruchomisz agenta z event triggera i oddasz wynik człowiekowi w postaci interaktywnej karty Adaptive Card w Microsoft Teams.
• Responsible AI i ład – nałożysz trzy warstwy blokowania treści, napiszesz kompletne AI disclosure i umieścisz agenta we właściwej strefie ryzyka.
• ALM i mierzalna jakość – przeniesiesz rozwiązanie między środowiskami przy użyciu Solutions, environment variables i connection references, a poprawę udowodnisz ewaluacjami, nie przeczuciem.
• Kontrola kosztów (AI FinOps) – zrozumiesz Copilot Credits, wycenisz konwersację i nauczysz się, dlaczego mniej tur przebija tańszy model.

W praktyce oznacza to, że wyjdziesz ze szkolenia ze zdolnością zaprojektowania, zbudowania, zabezpieczenia, wdrożenia i wycenienia agenta w dowolnym z trzech podejść – zamiast znać tylko jedno z nich.

Moduł 1 – Microsoft 365 Copilot i Copilot Studio Chat Harness

• Dlaczego wdrożenia AI się zatrzymują; model operacyjny i firma frontier (Frontier Firm); licencjonowanie Microsoft 365 E7
• Czym jest agent: orkiestrator, model, pamięć, wiedza, narzędzia, umiejętności i ład; spektrum agentów i pięć ich rodzajów
• Ekosystem agentowy Microsoft; wybór harness przed rozpoczęciem budowy; wzorce orkiestracji i rozumowanie strukturalne
• Microsoft 365 Copilot: Work IQ, pamięć (memory), wybór modelu, Agent Store oraz agenci Researcher i Analyst
• Copilot chat harness: pętla orkiestracji, model komponentów, wbudowane możliwości (first-party capabilities)
• Cztery drogi budowania: Agent Builder, Copilot Studio, Agents Toolkit, Work IQ Dev Tools; serwery MCP i MCP Apps
• Laboratoria: M365 Copilot and Frontier Agents oraz Build AI Assistants with Agent Builder

Moduł 2 – GitHub Copilot Harness: Instructions i Skills

• Dlaczego pętla rozumowania (thought – action – observe – decide) zamyka luki klasycznej orkiestracji
• Model komponentów: instructions, knowledge, tools, skills, memory, agent sandbox, connected agents
• Pobieranie wiedzy: wyszukiwanie, ranking i pobranie pełnych plików do sandboxa; pamięć per użytkownik i per agent
• Migracja ze Standard Harness: mapowanie komponentów, przebudowa zamiast przenoszenia jeden do jednego
• Instructions: co zawsze obowiązuje, a co decydują opisy (descriptions); nazwy, wejścia, wyjścia i dynamic chaining
• Skills: anatomia pakietu SKILL.md, progressive disclosure, pokrętło determinizmu od celu do skryptu Python
• Laboratoria: The Agentic Reasoning Loop oraz Deep Dive: Skills

Moduł 3 – GitHub Copilot Harness: Knowledge, Tools i Workflows

• Źródła wiedzy: SharePoint i OneDrive, pliki, Dataverse, strony WWW, Graph connectors, Azure AI Search
• Potok pobierania: query rewriting, retrieval, summarization – i walidacja na każdym kroku; security trimming
• Siedem rodzajów narzędzi: konektory prebuilt i custom, REST API, serwery MCP, agent flows, prompts, computer use
• Decyzja konektor – REST API – MCP; RPA kontra computer use; łączenie wielu narzędzi w jednym agencie
• Workflows: automatyzacja zdarzeniowa, trigger i payload, bloki budulcowe, determinizm kontra AI w jednym kanwie
• Agent node: inline kontra referenced; human in the loop; testowanie węzłów, Activity i Monitor
• Laboratoria: Copilot Studio Tools oraz Workflows

Moduł 4 – Standard Harness: orkiestracja i systemy wieloagentowe

• Kiedy Standard Harness jest właściwym wyborem: przewidywalność z wymogu, ograniczenia kanału, wymagane brzmienie komunikatów
• Model komponentów: topics, knowledge, tools, variables, agents, channels, analytics
• Topics: wyzwalacze i węzły; zmienne i ich zakres (topic, global, cross-session)
• Systemy wieloagentowe: child agents kontra connected agents, wzorce hub-and-spoke, pipeline i collaborative
• Przekazywanie kontekstu między agentami i dobre praktyki instrukcji w zespole agentów
• Orkiestracja klasyczna kontra generatywna; inputs, outputs i dynamic chaining; debugowanie błędnego routingu
• Laboratoria: Create the Agent, Adding the Child Agent, Adding the Connected Agent

Moduł 5 – Standard Harness: event triggers i Adaptive Cards

• Trigger tematu kontra trigger zdarzenia; źródła zdarzeń w Microsoft 365, Dataverse i harmonogramie
• Payload: wszystko, co agent wie na starcie; filtrowanie na wyzwalaczu zamiast w przepływie
• Gdzie autonomia się opłaca, a gdzie jest tylko szumem; tożsamość, connection references, DLP i publikacja
• Adaptive Cards jako struktura danych: body, elementy, akcje i wersja schematu
• Wiązanie danych na żywo – jedna definicja karty dla każdego rekordu; projektowanie i debugowanie kart
• Laboratoria: Automating Event Triggers oraz Notify a Teams Channel with an Adaptive Card

Moduł 6 – Operacje: Responsible AI, ALM i zarządzanie kosztami

• Sześć zasad Responsible AI; rozróżnienie AI safety, security i governance
• Trzy niezależne mechanizmy blokowania treści; kompletne AI disclosure; prompt injection i Agent Runtime Protection
• Model stref (zielona, żółta, czerwona): możliwości kontra zasięg potencjalnej szkody
• Dlaczego ALM dla AI jest pętlą, a nie linią; Solutions, environment variables i connection references
• Pipelines, source control i component collections; analytics kontra evaluations; strefy pokrycia testów
• AI FinOps: Copilot Credits, wycena konwersacji, modele zakupowe, trzy warstwy kontroli i „podatek od ponownego odkrywania”
• Laboratoria: Responsible AI and content moderation (do wyboru wersja classic lub new experience) oraz Monitor Performance and Evaluate Agent Quality

• Praktyczna znajomość usług Microsoft 365 (Teams, SharePoint, Outlook) na poziomie zaawansowanego użytkownika.

• Podstawowa znajomość platformy Microsoft Power Platform: środowiska, rozwiązania (solutions), konektory.

• Ogólne rozumienie pojęć sztucznej inteligencji i dużych modeli językowych (LLM) – tokeny, okno kontekstu, RAG.

• Mile widziane wcześniejsze doświadczenie z budową choćby jednego agenta lub przepływu (Power Automate, Copilot Studio, Agent Builder).

• Nie jest wymagane doświadczenie programistyczne – szkolenie realizowane jest w podejściu low-code / no-code.

• Mile widziane ukończenie AI-901 lub PL-900 albo równoważna wiedza.

* dostęp do portalu słuchacza Altkom Akademii

Metoda szkolenia:

Wykład : 30%

Warsztaty : 25%

Ćwiczenia : 45%

• Szkolenie: polski

• Materiały: polski