配置和优化 Copilot 以适应本地工作流程

我们处理本地数据和流程的方式正在以惊人的速度发生变化。 通过 人工智能 诸如此类的工具 微软副驾驶越来越多的公司希望将这种能力直接融入到日常工作流程中，并将其整合起来。 IA 在其文档、应用程序和内部系统方面，不会失去对安全性和合规性的控制。

配置和优化 Copilot 以适应本地工作流程，不仅仅是“启用”某个功能那么简单。而是通过结合自动化、专有数据、治理和良好的使用习惯来实现。如果部署得当，Copilot 将成为团队的另一位成员：它可以起草文档、解答有关内部信息的复杂问题、总结冗长的报告，并为运营问题提出解决方案，始终尊重您组织的权限和规则。

智能自动化和副驾驶在本地流量中的作用

自动化不再仅仅是遵循一套僵化的脚本。Copilot 集成的 AI 使本地工作流程能够从数据中学习、检测模式，并在环境变化时进行调整。这直接影响到文档创建、产能规划以及应对质量或供应问题等任务的管理方式。

人工智能、RPA、低代码/无代码平台和流程挖掘的结合，造就了所谓的超自动化。几乎所有重复性或信息处理活动都可以部分或完全自动化。Copilot 作为这些系统之上的智能层：它能够理解文本、生成内容并帮助用户快速做出决策，而无需用户了解底层复杂的技术细节。

低代码和无代码平台从根本上简化了本地工作流的创建。它允许不具备技术背景的业务人员配置流程、表单和人工智能代理。Copilot Studio 正好可以作为“工作坊”，让领域专家（市场营销、财务、法律、运营等）无需编写代码即可微调模型并创建代理，他们只需依靠可视化助手和模板即可（参见）。 副驾驶操作和代理).

流程和任务挖掘是决定哪些内容需要自动化的关键环节。它能显示工作流程中哪些环节容易陷入僵局，哪些活动最耗时，以及哪些环节适合使用基于 Copilot 的代理。借助这些数据，可以优先处理真正能提升效率、服务质量或合规性的自动化流程，并跟踪结果随时间的变化。此外，这些技术还辅以其他方法。 使用 Copilot 进行语义搜索 寻找租户内部的相关知识。

在这种先进自动化环境下，Copilot 可以在本地运行。 利用您自己的数据，将大型语言模型 (LLM) 的最佳特性与已有的知识相结合。 SHAREPOINT, 微软365ERP系统、生产系统或内部应用程序。

什么是副驾驶优化？为什么它对本地环境至关重要？

Microsoft 365 Copilot 优化功能允许您使用来自您自己租户的数据来“微调”LLM。无需将信息带出 Microsoft 365 的安全环境。目标是让模型理解您组织的语气、模板、流程和特定词汇，以便其回复具有与内部专家相同的风格。

所有机器学习和人工智能处理都在 Microsoft 365 租户内完成。在遵守现有安全和合规策略的前提下，优化后的模型会继承训练数据的权限，确保它不会“看到”或使用已配置组无权访问的信息。这对于处理敏感、受监管或可审计数据的本地工作流程至关重要。

基于这些优化模型，可以创建特定的声明式代理。这些功能直接集成到 Microsoft 365 Copilot 中，并出现在诸如以下应用程序中： WordOutlook、Teams 或 Excel。这些代理并非普通的聊天机器人：它们是为特定任务而设计的，例如起草法律条款、总结事件报告、准备商业提案或准确解释内部政策。

最大的优势在于，模型调整是通过 Copilot Studio 中的无代码界面完成的。因此，业务分析师或职能专家可以在有限的IT支持下主导整个流程。他们无需是数据科学家；只需对领域、文档类型和预期结果有深入的了解即可。

实际上，Copilot 优化功能可以将 Copilot 从一个通用工具转变为一个深度定制的助手。 针对您本地的工作流程：用“公司内部的方式”说话，使用正确的模板，应用正确的逻辑，并遵守组织中已有的规则。

启用副驾驶优化的前提条件和基本治理

在配置和管理 Copilot Optimization 之前，您必须满足某些技术和角色要求。该服务最初是为拥有大量许可证和明确定义的 AI 管理人员的组织而设计的。

首先，租户必须注册加入 Copilot Optimization 的早期访问计划 (EAP)。这要求租户中必须拥有一定数量的有效 Microsoft 365 Copilot 附加组件许可证。此外，组织必须指定一名具有 AI 管理员角色的人员代表其接受该计划条款。

必须在 Microsoft 365 管理中心启用 Copilot 扩展功能。在 Copilot 设置部分，您可以管理优化服务启用以及发布和代理访问选项。如果您的组织应用了阻止新 Power Platform 连接器的 DLP 策略，则需要使用[适当的方法]重新分类“租户 Copilot”连接器。 PowerShell的 以便能够进行适当的分类。

只有拥有 AI 管理角色的人员才能管理副驾驶优化治理控制。谁可以创建模型，哪些用户或用户组拥有访问权限，哪些模型保持发布状态，哪些模型会被移除。所有这些设置都可以在管理中心的“Copilot 优化”部分进行控制。

启用 Copilot 优化后，您可以明确地将服务限制为特定用户或用户组。比较好的做法是从一个小团队（例如，法律、研发或供应链团队）开始，随着结果的验证和负责任地使用人工智能的规范的巩固，逐步扩大规模。

角色设计：管理员、模型创建者和最终用户

要为本地工作流程构建一个强大的 Copilot 设置，需要明确定义角色。 进行干预，防止“人人为我做所有事”，并确保可追溯谁可以创建和发布模型。

人工智能管理员负责治理层。他们负责启用或停用“副驾驶优化”功能，决定哪些部门参与，控制模型生命周期，并审核其是否符合安全和隐私政策。他们还可以移除已发布的模型，例如当模型过时或不再符合内部规定时。

模型制作者都是各自领域的专家 例如，来自市场营销、财务、法务或运营部门的人员，他们有权选择数据源、配置任务和查看结果。他们被授予从管理中心使用 Copilot Optimization 的权限，并且通常是一个有限的群体（默认情况下，每个组织最多 10 个用户，如有需要，可通过 Microsoft 支持进行扩展）。

当新的模型创建者加入时，他们会收到一封包含说明的电子邮件。 Copilot Studio 入门指南：如何找到 Copilot Optimization 部分，可以创建哪些类型的任务，如何选择知识源，以及如何授予其他用户访问生成的代理的权限。

最终用户可以直接在 Microsoft 365 应用程序中与优化后的代理进行交互。 （Word、Teams、Outlook 等），就像使用标准 Copilot 一样，但受益于训练模型的特定知识。他们无需了解配置细节；只需清楚代理的权限范围以及如何制定有效的指令即可。

创建优化模型：问答任务、生成和摘要

副驾驶优化目前支持三种主要类型的任务。 涵盖大多数本地文档工作流程：专家问答、文档生成和文档摘要。

在问答环节，目标是让客服人员扮演专家的角色。 能够使用以 .docx、.pdf 或 .html 等格式存储的内容，解释法规、比较政策、论证条款或阐明程序。非常适合处理文本密集且稳定的主题：法规、税法、技术手册、科学文档或内部政策。

文档生成任务旨在生成高质量的初稿。 这是基于参考文档和结构化变更。例如，定期合同、商业报价、职位描述、合规表格或产品文档。关键在于拥有清晰匹配的“原始文档 + 最终修改版本”。

总之，该模型学会了精简复杂文档。 尊重组织的语气、格式和内容重点。这在风险高或工作量大的环境中（例如监管报告、执行摘要、质量报告或审计报告）非常有用，因为在这些环境中，一致性和准确性与节省时间同等重要。

选择合适的任务类型是首要的关键决策。 配置优化模型时：让 Copilot 从头开始​​生成合同与请求现有合同摘要或回答有关合同内容的复杂问题截然不同。明确定义业务任务有助于调整数据、指令和评估。

在 Copilot Studio 中逐步自定义模型

模型定制工作流程完全由 Copilot Studio 管理。可通过浏览器访问。模型创建者随后按照一系列引导步骤完成整个流程。

首先，创建一个新模型，并为其赋予一个清晰的名称和描述。 他们应该详细解释它的功能和用途。建议使用最终用户能够理解的语言，避免使用晦涩难懂的专业术语。

然后选择知识来源。这些通常是位于 SharePoint 中的文档集合。这些数据集是模型学习的基础：例如，已批准的模板、已完成的报告、已签署的合同、有效的合规表格等等。这些数据的质量和时效性将直接影响模型的质量。

权限部分定义了可以使用该模型的安全组或人员。Copilot Optimization 会过滤掉这些群体无法访问的培训文档，并可以建议其他群体来最大限度地扩大知识的覆盖范围，同时始终尊重每个文件的 ACL。

接下来，选择任务类型（问答、生成或总结），并编写模型说明。这些指令指导系统在语气（“正式语气”、“友好但专业的语言”）、质量标准（“不要随意编造规章”、“务必注明文件出处”）和输出预期方面做出规范。这些指令越精确、越贴近实际，模型的行为就越能满足业务需求。

这些要素配置完成后，即可开始准备用于标注的数据。Copilot 会分析文档访问控制列表，并整理数据集以供后续训练使用。此步骤可能需要几个小时（最多 24 小时，具体取决于数据量），系统会在准备就绪后通过电子邮件通知您。

优化模型的标注、训练和评估

数据标注阶段旨在确定哪些示例是真正好的。 目的是教会模型高质量输出应该是什么样子。Copilot Optimization 无需从一开始就进行大量人工操作，它会自动选择它认为相关的样本对或示例，并请专家将其标记为“好”或“不好”。

标签表单显示候选文件或草稿 模型创建者随后会判断数据是否准确地代表了所需的标准。根据任务的复杂程度，这个过程可以重复多轮，直到系统拥有足够的参考数据进行可靠的训练。

数据准备就绪后，即可在 Azure AI Foundry 中启动模型训练。所有这些操作都通过 Copilot Studio 界面进行管理。根据数据量的大小，微调过程可能需要几个小时。完成后，该工具会生成测试结果供您审核，然后再发布任何内容。

评估是至关重要的一步：仅仅模型“大致有效”是不够的。务必核实语气是否一致，敏感数据是否真实，模板是否得到遵循，业务准则是否合理，关键信息是否完整。如果发现任何问题，可以返回修改：添加更多数据源、调整说明、添加更多示例或改进映射文件。

（可选）准备一个 mapping.csv 文件。 通过“先例-目标”文档对，指明哪个原始文件对应于哪个最终稿。此 CSV 文件保存在知识源根目录中，有助于模型更好地理解输入和输出之间的关系，尤其是在生成和摘要任务中。

高级文档生成与 Copilot Optimization 结合使用

Copilot 在本地工作流程中最强大的应用之一是文档生成。 基于模板和历史案例，人工智能用于生成与最终版本非常接近的初始草稿，从而大大缩短了流程。 El Temppo 手工制图。

当文档遵循可识别的模式时，这种方法尤其有效。 只有某些细节或条款会发生变化：例如职位描述、服务合同、采购订单、合规表格或产品文档。该模型会识别组织的结构和风格，并根据您提供的规范应用一致的变更。

为了充分发挥其作用，建议准备 20 多个匹配良好的参考文档及其目标版本对。存储在 SharePoint 中的这些配对应该涵盖您期望系统处理的各种变化：不同的合同类型、不同的产品系列、例行监管变更等。

必要的更改已在 Copilot Optimization 的结构化字段中提供。这样一来，模型就能更容易地理解哪些部分需要修改以及如何修改。如此一来，生成的草稿就能在保持现有格式、术语和内部风格的同时，融入新的信息。

其结果是本地工作流程更加灵活。人力资源部根据公司文化生成招聘启事，法务部起草定期合同，只需进行少量审核，合规部根据已批准的模板创建新表格，采购部准备只需最终确认的订单草稿。

在 Teams 中担任会议和协作工作的副驾驶

在协作层面，Copilot 已集成到 微软团队 已成为关键盟友 为了更好地管理时间更短、重点更集中、更具行动性的会议。虽然这些并非传统意义上的内部数据流程中的“本地工作流程”，但它们在会议中的应用构成了一种高度相关的日常工作流程。

要在 Teams 中使用 Copilot，您需要兼容的 Microsoft 365 许可证。 （例如，E3、E5 或 Business Premium 版本）并启用会议转录或录制功能。如果没有转录或录制功能，Copilot 的功能将受到限制，因为它缺乏生成详细摘要或可靠行动清单的原始素材。

会议期间，用户从 Teams 工具栏激活 Copilot。 您还可以请求实时摘要、待办事项清单、分歧点或开放式问题。这对于迟到者尤其有用：他们可以在不到一分钟的时间内快速了解情况，而不会打断对话的进行。

最后，Copilot 可以帮助清晰地结束会话。明确任务、负责人和后续步骤。所有这些要素都可以在 Teams 的会议摘要选项卡中查看，从而避免协议淹没在无休止的聊天记录或零散的个人笔记中。

还有像 Noota 这样的辅助工具可以扩展这些功能。提供更规范的会议记录、高级可搜索文件以及针对每种会议类型的特定设置。与 Teams 集成，支持录制、转录和生成自定义摘要，从而改进后续跟进和协作。

浏览器中的副驾驶：迈向日常生活中应用人工智能的第一步

对于许多组织而言，通过 Copilot 引入 Copilot 是一种可行的方式。 微软边缘 这是一种温和的采纳策略。它允许人们在他们日常使用的环境（浏览器）中熟悉人工智能，然后再将 Copilot 的高级功能扩展到整个 Microsoft 365。

以 Edge 中的 Copilot 为重点的培训课程展示了该工具如何简化任务。 例如创建电子表格、撰写电子邮件、摘要长网页或更快地查找相关信息。此外，它还集成了 OneDrive，可自动保存文件，确保文件不会丢失。

这种类型的培训具有很强的实践性。参与者可以实时体验人工智能如何消除重复性工作，如何自动化小型流程，以及 Copilot 如何提出具体步骤来解决日常项目管理问题。

影响不仅体现在个人层面，也体现在组织层面。通过从重复性任务中解放出来，团队可以将更多时间投入到创造力、战略规划和高层决策中。这反过来又增强了中小企业和公司在日益数字化的市场中的竞争力。

随着成熟度的提高，组织更高级、更个性化的课程就变得很常见。 对于特定部门而言，这意味着将 Edge 浏览器中的 Copilot 与 Microsoft 365 中的 Copilot 以及本地工作流程中的优化模型连接起来。这样，人工智能不再是新鲜事物，而是成为日常运营的结构性组成部分。

Copilot 优化中的安全性、合规性和管理

安全性和治理是利用本地数据优化 Copilot 时必不可少的支柱。这不仅仅是“让它运行良好”的问题，而是要确保它尊重数据保护法规、知识产权和公司的内部政策。

Copilot 优化在 Microsoft 365 租户内的隔离环境中运行。训练后的模型会继承底层文档的权限。在训练过程中，不会将任何客户数据发送到租户安全云环境之外的外部服务，这有助于遵守 GDPR 或 CCPA 等标准。

管理员可以控制对模型和代理的访问权限。 这是通过安全组实现的，仅对特定团队（例如研发或法务团队）启用该服务，并精确控制谁可以创建、使用和查看每个代理。管理中心允许您监控项目、查看正在使用的自定义模板，并删除不再适用的模板。

合规性策略同样适用于 Copilot 基于 Microsoft Graph 生成的响应。系统不会向没有权限的用户显示文档或片段，就像在 Microsoft 365 中进行标准搜索一样。此外，Copilot Optimization 还会将相关组无权访问的文件从训练计划中排除。

需要注意的是，组织仍然对数据和模型的使用负有责任。人工智能管理员必须确保训练集尊重版权，确保个人充分了解其数据处理情况，并妥善处理有效的删除请求。如果模型是使用行使删除权的个人的数据进行训练的，则可能需要重新训练或删除已优化的模型，并审查其处理方式。 激活或停用副驾驶内存.

最后，建议建立人工审核输出结果的程序。尤其是在敏感领域（法律、监管、金融）。人工智能可以加快工作速度，但专家验证仍然必不可少，以确保准确性、适用性和合规性。

在本地工作流程中设置和使用 Copilot 的最佳实践

为了使 Copilot 真正为本地环境增添价值，建议遵循一系列最佳实践。 这使得预期、数据、流程和安全保持一致。这不仅仅是一个技术问题；它还涉及到文化和工作方式。

首先要明确业务目标 它有助于确定使用场景的优先级：我们是想缩短合同起草时间？加快报​​告生成速度？改进对供应事件的响应？规范执行摘要？明确的重点使衡量投资回报率和调整配置变得更加容易。

选择高质量、维护良好的训练数据 这是根本所在。模型会从观察到的内容中学习：如果文档过时、格式混乱或前后矛盾，输出结果也会反映出这些问题。相比庞大而杂乱的数据集，规模较小但极具代表性的数据集更为可取。

定义具体的模型说明和启动提示。 它能显著改善代理人的行为。诸如“使用友好而专业的语气”、“不要捏造不存在的保单”或“务必注明原始文件的出处和日期”之类的指示，在实践中会产生显著的影响。

鼓励用户制定清晰的说明并提出后续问题 即使这种准备工作是无形的，它也是设置的一部分。Copilot 支持多轮对话，因此，完善问题、要求提供更多示例或请求使用其他文档作为参考，这些策略都能提高结果的质量。

最后，要采取迭代和基于反馈的思维模式。 这使得 Copilot 能够随着时间的推移不断改进。它会分析哪些响应有效，哪些错误反复出现，需要纳入哪些新数据，以及何时应该重新训练模型。Copilot 不是一次性项目，而是一项与组织流程同步发展的动态功能。

将 Copilot 及其优化功能与本地数据相结合，代表着我们工作方式的质的转变。工作流程变得更加敏捷，关键信息更容易获取，决策记录更加完善，协作也更加深入。凭借稳固的治理基础、精心整理的数据和精心挑选的应用案例，人工智能不再是抽象的承诺，而是成为提升组织生产力、质量和适应能力的日常助手。