AB-620备考全指南：10节课掌握AI Agent Builder核心技能

Microsoft在Copilot Studio生态中推出了AB-620认证考试，面向构建企业级AI Agent的专业开发者和高级构建者。通过考试可获得"Microsoft Certified: AI Agent Builder Associate"认证，满分1000分，700分及格，考试提供13种语言版本。本文基于一套完整的10课备考课程及24道原创练习题，系统梳理考试的核心知识框架。

你可能没注意到，AB-620的定位高于PL-900基础级别，Microsoft期望考生具备生成式AI、模型编排、RAG、MCP以及Agent-to-Agent协议的 intermediate 知识，同时需要了解Prompt Engineering、REST API和集成模式。这项认证需要定期在线续期，但续期免费。

考试涵盖三大领域：规划与配置Agent解决方案（占30-35%）、集成与扩展Agent（占40-45%，权重最大）、以及测试与管理Agent（占20-25%）。下面按课程节奏逐一展开。

规划先行：受众、认证与集成策略

构建任何Agent之前，团队必须明确三个问题：Agent与谁对话、用户如何登录、Agent可以访问什么数据。内部Agent服务于员工，外部Agent面向客户或合作伙伴——受众决定了投放渠道（面向客户通常用网站或移动App，面向员工则用Teams或Microsoft 365 Copilot），也决定了Agent可以暴露多少数据。

Copilot Studio提供三种认证选项：

• 无认证：任何持有链接的人都能对话，因此Agent只能使用公开信息
• Microsoft认证：通过Microsoft Entra ID对接Teams、Power Apps和Microsoft 365 Copilot等渠道
• 手动认证：支持Entra ID或任意OAuth2身份提供商，适合客户网站场景

比如，Teams中的内部HR Agent需要识别每位员工以只显示其个人数据，正确答案是使用Microsoft认证。而零售商网站需要让客户用Google或Facebook账号登录，则应该选择手动认证。

集成规划要尽早确定Agent读取哪些系统、写入哪些系统、通过什么方式（连接器、API还是Agent Flow）。组件集合（Component Collections）可让制作者跨Agent共享主题、工具甚至子Agent，并能控制编辑权限——也可以限制为仅供一个主Agent使用，避免非预期复用。

数据策略（Data Policies）在Power Platform管理中心统一控制所有环境中Agent可使用的连接器，这是企业治理的关键一环。

组件集合（Component Collections） 是 Copilot Studio 中一种将相关主题、工具、知识源甚至子 Agent 打包复用的机制。制作者可以将一组逻辑上属于同一业务场景的组件打包成一个集合，然后在多个 Agent 中引用同一集合，而不必逐个复制粘贴。集合支持权限控制：可以设置为可编辑，让不同团队基于同一基础进行扩展；也可以锁定为只读，确保核心逻辑不会被意外修改。此外，集合还能限定为仅供单个主 Agent 使用，防止被其他 Agent 意外复用而导致行为不一致。在企业治理场景中，组件集合是平衡复用效率与变更安全的关键设计手段。

Agent Flow：确定性自动化与人工介入

Agent Flow是Copilot Studio中的确定性自动化——相同输入始终产生相同输出。它由一个触发器和至少一个动作组成，动作可以是连接器操作、条件判断或Prompt。费率上，每个动作消耗Copilot Studio容量，因此设计时应只做必要的事。

当Agent调用Flow时，触发条件为"When an agent calls the flow"，结束于"Respond to the agent"动作。输入参数放在触发器上，输出参数放在响应上，数据双向流动。关键约束：响应必须在100秒内返回。如果某个步骤需要五分钟（比如生成报告），应该把响应放在前面，长步骤放在响应之后执行，这样对话不会阻塞。

需要人工介入的场景，Copilot Studio提供了"Request for Information"动作——暂停Flow，通过邮件向指定审核人发送请求，等待其回答后继续执行。审批场景（包括多级审批和预览中的AI审批）则覆盖经典的批准/拒绝决策。

发布前，Flow Checker会列出所有错误，有错误的Flow无法发布。发布后，Activity标签显示每次运行及其失败情况，Analytics标签展示运行次数、失败率和趋势。运行时错误处理可以用Scope配合"Configure Run After"发送告警或降级回复，并将清晰的输出参数传回Agent，让它能告诉用户发生了什么。

主题、变量与生成式回答：对话设计的核心

一个常见误区是：Agent回答不好就去换更好的模型。实际上，很多问题源于Topic设计不足。比如旅行Agent能回答政策问题，但用户要求更改预订时它开始猜测而非遵循流程——解决方案是更好的Topic，不是更强的模型。

Topic通过画布上的节点定义对话进程，包括消息、提问和条件。在生成式编排（Generative Orchestration）下，Agent根据Topic、工具和知识库的描述来选择使用哪个，因此描述质量至关重要。Topic内部可以调用Agent Flow或其他工具，传入输入并使用其输出——这让固定流程保持可预测，同时让语言模型处理周围的对话。

变量有四种作用域：

作用域	特点
Topic变量	仅在所属Topic内存在（默认）
全局变量	所有Topic共享
系统变量	Copilot Studio创建，包含用户和对话上下文
环境变量	来自Power Platform，在Copilot Studio中只读，跨环境不同

如果用户偏好语言从一个Topic捕获后需要被所有其他Topic复用，正确答案是全局变量。而需要问候已登录用户的姓名时，系统变量提供了这一上下文。

生成式回答节点从知识源回答，可以限定仅从HR政策站点等特定来源获取。节点上设置的来源会覆盖Agent自身的知识源，这是控制回答准确性的重要手段。当没有Topic匹配用户问题时，生成式回答也可以作为兜底机制。

响应格式化方面，自适应卡片（Adaptive Card）提供结构化布局、按钮和表单字段。"Ask with Adaptive Card"节点展示卡片并将用户提交的值存入变量。如果Agent需要一次性收集日期、目的地和座位偏好，自适应卡片节点是最合适的选择。

连接企业知识：四种知识源的取舍

知识源让Agent的回答基于你的数据，可以设置在Agent级别或生成式回答节点内部。内置来源包括公开网站、SharePoint、Dataverse表和上传文件。对于更复杂的企业系统，Copilot Studio提供连接器和Azure AI Search。

Copilot Connectors（前身是Microsoft Graph Connectors）将非Microsoft系统的内容索引到Microsoft Graph中。内容被复制并语义索引，因此Copilot、Microsoft Search和Agent都能搜索到。它适合广泛的可搜索知识（如知识库或工单历史），但内容的新鲜度取决于上次爬取时间——不是实时的。

Power Platform Connectors是通向数千个系统的实时API桥梁。作为工具，它们在运行时读取数据、写入数据和触发动作；作为知识源（预览功能），它们可以基于实时数据回答而不复制数据。当数据必须保持最新，或者Agent还需要执行操作（如创建记录）时，选择这类连接器。

Azure AI Search是面向大规模文档集合的搜索引擎，通常配合向量索引实现语义检索。Copilot Studio可以通过连接添加Azure AI Search索引作为知识源。法律团队拥有200万份已分块和向量化的文档时，Azure AI Search是唯一能支撑这个规模的选择。

选择哪种知识源，取决于数据存放在哪里、需要多新鲜、以及谁可以访问。

RAG（Retrieval-Augmented Generation，检索增强生成） 是让大语言模型基于外部数据作答的核心范式。其基本流程是：用户提问后，系统先从知识库中检索出与问题最相关的文档片段，再把这些片段作为上下文一并交给语言模型生成回答。RAG 的价值在于它不依赖模型重新训练，就能让回答基于最新、最私有的企业数据，同时降低模型幻觉。在 Copilot Studio 中，无论知识源是 SharePoint、Dataverse 还是 Azure AI Search，背后都遵循类似的检索增强逻辑。理解 RAG 的检索质量与生成质量相互独立这一点，有助于排查 Agent 为何答非所问：可能是检索没找到正确片段，也可能是模型没有正确利用已检索到的内容。

工具扩展：Computer Use、MCP与自定义连接器

当Agent需要与外部系统交互时，工具的选择同样关键。

Computer Use让Agent在Windows计算机上操作网站和桌面应用——选择按钮、菜单、输入字段。它由computer-using agent模型驱动，结合视觉和推理能力，能适应界面变化。由于它操作真实屏幕，需要规划人工监督并通过Computer Use Monitoring观察运行情况。当目标系统是20年历史的桌面应用、没有API也没有连接器时，Computer Use是唯一可行的方案。

**MCP（Model Context Protocol）**是连接Agent与工具和数据的开放标准。在Copilot Studio中连接现有MCP服务器后，Agent可以使用其工具和资源。服务器添加或更改工具时，Agent会自动获取变化。需注意：MCP需要生成式编排，因为Agent需要根据描述选择工具。如果连了MCP服务器但Agent从不使用其工具，最可能的原因就是未启用生成式编排。

自定义连接器将API包装为可复用定义，包含认证、操作和参数。它是多个Agent或Flow复用同一API时的最佳选择——安全配置集中在一处。

REST API工具（预览）允许直接给出OpenAPI规范，Copilot Studio将操作转化为Agent可调用的动作，适合文档完善的API快速接入。

MCP（Model Context Protocol） 是由 Anthropic 提出并逐渐被行业广泛采纳的开放协议，旨在用统一方式连接 AI 应用与外部工具、数据源。MCP 服务器以标准接口暴露工具（Tools）和资源（Resources），Agent 客户端只需按协议对接一次，就能动态发现并调用服务器提供的全部能力。与传统的自定义连接器相比，MCP 的优势在于工具定义由服务器集中维护，服务器新增或修改工具后，Agent 端无需重新配置即可获取变化。在 Copilot Studio 中启用 MCP 连接的前提是开启生成式编排，因为 Agent 需要根据工具的自然语言描述来动态决定何时调用哪个工具，而非依赖预设的固定流程。

多Agent架构与可观测性

一个Agent拥有60个Topic和工具后开始选错，这是常见的扩展瓶颈。经验法则是：超过30-40个选项时，考虑拆分到多个Agent。第一步应该是改进描述，而非立即拆分。

子Agent（Child Agents）是轻量级Agent，存在于现有Agent内部，将相关的指令、工具和知识分组，让主Agent委派整个工作领域。它们与父Agent一起管理，适合组织单个Agent的工作，而非跨团队共享。已发布的独立Agent可以被连接复用——比如服务Agent需要另一个团队拥有的HR Agent时，直接连接而非复制。

此外，Copilot Studio可以连接Foundry Agent和Fabric Data Agent（均处于预览阶段）。Fabric Data Agent通过选定的连接回答Microsoft Fabric数据相关问题。Foundry Agent则需要暴露其Activity Protocol端点（通过REST API或Python SDK启用）。

Agent-to-Agent（A2A）协议是Agent间通信的开放标准，Copilot Studio可以连接支持A2A协议的Agent，实现跨供应商和平台的编排。

遥测与评估

生产环境中Agent出问题时，需要知道哪些对话失败、哪个模型对特定任务效果最好。答案在Application Insights中。

Prompt可以使用Microsoft Foundry模型目录中的模型——目录中有超过一千个模型。从Prompt的模型列表添加时，需要提供部署名称和基础模型名称，与Foundry中完全一致。每个Prompt可以独立使用连接的Foundry模型，不影响Agent的其他Prompt。

遥测有两个级别：Agent级（由构建团队管理）和环境级（预览，通常由管理员集中配置）。在Application Insights中，使用KQL（Kusto查询语言）查询Agent事件，追踪错误、响应时间以及哪些Topic或工具在运行，并可以基于关键指标构建告警。

评估方面，一个测试集最多包含100个测试用例。可以用AI从Agent设计生成问题——快速问题集生成10个问题，适合做第一轮快速检查。评估方法包括：

• 一般质量：评分相关性和完整性，无需预期答案
• 含义比较：检查答案是否与预期答案含义相同
• 关键词匹配：检查是否包含预期词或短语
• 文本相似度：比较措辞本身
• 工具使用：检查Agent是否调用了预期的工具或资源

评估以登录用户身份运行，因此知识源和工具的访问权限会影响结果。这也是为什么两个测试人员运行同一评估可能得到不同结果。

评估结果在Copilot Studio中保留89天，需要更长时间保存的话应导出为CSV。在变更前后比较运行结果，可以在用户之前捕获回归问题。

KQL（Kusto Query Language，Kusto 查询语言） 是 Azure 数据资源管理器、Application Insights 和 Log Analytics 等服务使用的查询语言，语法上类似于 SQL 与管道操作的结合。在 Copilot Studio 的遥测场景中，Agent 的对话事件、错误、响应时间等会写入 Application Insights，运维人员通过编写 KQL 查询来筛选和分析这些数据。例如，可以用 KQL 统计过去 24 小时内失败对话的数量、找出响应时间最长的 Topic、或按工具调用类型分组查看使用频率。掌握 KQL 基础语法（如 where、summarize、project、join）是构建有效告警和仪表板的前提，也是从海量遥测数据中快速定位问题根因的关键技能。

应用生命周期管理：解决方案、环境与管道

Agent直接在生成环境中构建、一次周五的变更就能搞垮全公司的HR Agent——没有测试副本、没有历史、没有回退路径。这是典型的ALM缺失问题。

每个Copilot Studio中的Agent都创建在Power Platform解决方案内——解决方案是它在环境间移动的载体。可以设置首选解决方案，让新Agent和组件自动进入自定义解决方案而非默认解决方案。导出解决方案或通过管道部署是标准做法。

开发、测试、生产三个环境分离，解决方案从开发逐步移至生产，确保生产环境不会收到未测试的变更。下游部署托管解决方案（Managed Solution），使生产环境无法直接编辑。

环境变量存储那些需要在不同环境中取不同值的设置——比如API地址或用作知识源的SharePoint站点。当管理员修改了环境变量的值后，已发布的Agent仍使用上次发布时的值，因此必须重新发布Agent才能生效。这是一个在考试中反复出现的易错点。

Power Platform管道将ALM引入服务本身，面向制作者和管理员。管道通过阶段（如测试和生产）部署解决方案，生产环节可以设置审批保护。每个阶段收到相同的制品，确保测试通过的内容就是上线的内容。管道还支持扩展，比如加入审批Flow或自定义步骤。