Dein Co-Pilot ist nicht dumm. Du hast ihn ausgehungert. Kein Schema, keine Regeln, keine Leitplanken. Und dann beschwerst du dich über Halluzinationen. Die Wahrheit? Die meisten Fehler der Power-Plattform-Key liegen nicht am Modell IQ. Sie liegen an dem Kontext, den du geschaffen hast. Hier ist, was du heute bekommst. Ein wiederholbares Kontext-Engineering-Muster für Co-Pilot-Studio und Power-Automate, das Halluzinationen eliminiert, trifft zwischen Mandanten behebt, sowie Latenz und Kosten senkt. Wir erstellen das System Nachrichten-Muster, eine Checkliste für Schema-Grounding und eine Vorlage für die Abruf-Pipeline. Es gibt eine Ebene, die jeder vergisst, die Richtlinien-Ebene, die Governance-Abweichungen verhindert. Wir binden sie ein und belegen dies mit Metriken vor und nach der Optimierung. Jetzt fangen wir an. Problem. Warum dein Co-Pilot scheitert. Kontextschulden. Definieren wir das Problem präzise. Kontextschulden. Es ist die Anhäufung von fehlendem oder unsauberem Kontext, die ein Sprachmodell zum Raten zwingt. Du überspringst Systemregeln, verankerst keine Daten in Dataverse, lässt Tools undefiniert und ignorierst Richtlinien. Dann bist du schockiert, wenn die Ausgaben zwischen Mandanten schwanken. Faszinierend. Kontextschulden zeigen sich in vier Fehlern. Erstens, fehlende Systemregeln. Keine Identität, kein Geltungsbereich, keine Ablehnungsrichtlinie. Das Modell optimiert darauf, hilfreich und wortreich zu sein, nicht regelkonform und präzise. Zweitens, unverankerte Daten. Du verweist vage auf die Kredittabelle, ohne Entitätsnamen, Felddefinitionen, Beziehungen oder Beispieldatensätze zu liefern. Drittens, undefinierte Tools. Du bittest um ein Status-Update, legst aber keinen kontrollierten Aktionsfahrt in Power-Automate fest. Viertens, fehlende Richtlinien. Du verlässt dich auf ein Bauchgefühl statt auf DLP, Vertraulichkeitskennzeichnungen und bedingten Zugriff. Dieses Quartett garantiert Abweichungen. Die Beweise sind überall. Hohe Fehler und Abbruchraten bei Unternehmens-Key hängen mit der Ausführung und dem Kontext zusammen, nicht mit Modellgrenzen. Teams berichten von Halluzinationen, umgebungsspezifischen Inkonsistenzen und Tokenverbrauch durch das Abrufen ganzer Tabellen zur Sicherheit. Du brauchst kein größeres Modell. Du brauchst ein Rückgrat. Hier ist das mentale Modell, das es behebt. Vier Kontextebenen, System, Abruf, Tools, Richtlinien. Stell es dir wie die Windows-Registrierung für deinen Agenten vor. Es ist nicht nur eine Datenbank, es ist das Rückgrat. System deklariert, wer der Agent ist und was er ablehnt. Abruf liefert Fakten und Schemata, damit er aufhört, Felder zu erfinden. Tools legen die genauen Aktionen fest, die er unter dem Prinzip der geringsten Privilegien ausführen darf. Richtlinien erzwingen Grenzen, unabhängig von cleveren Prompts. Entferne eine Ebene und die Ausgaben schwanken. Füge alle vier hinzu und sie stabilisieren sich. Was die meisten Entwickler übersehen, Umgebungen sind die Sicherheitsgrenze in der Power-Plattform. Wenn deine DLP-Richtlinie das Mischen von geschäftlichen und nicht-geschäftlichen Konnektoren in der Produktion blockiert, aber nicht in der Entwicklung, hast du zwei verschiedene Universen gebaut. Die Augen und Hände deines Agenten ändern sich je nach Umgebung. Also ja, Ergebnisse driften zwischen Mandanten und Umgebungen, weil sie die Welt unter ihren Füßen verändern. Lassen Sie mich den typischen Fehlerkreislauf erläutern. Sie erstellen einen Co-Pilot-Studio-Agenten. Sie geben ihm ein vages Ziel, Hilfe bei Kreditanträgen. Sie verknüpfen eine Dokumentenbibliothek mit PDFs, ohne die Struktur zu extrahieren. Sie indizieren weder Dataverse-Entitäten noch Beziehungen oder Vertraulichkeitskennzeichnungen. Sie überspringen den Tool-Katalog und gehen davon aus, dass Co-Pilot das schon regelt. Dann stellen Sie eine Frage. Er antwortet mit allgemeinem Richtlinien-Bla und erfindet ein Feld namens Kreditphase, das in Ihrem Schema nicht existiert. Herzlichen Glückwunsch! Sie haben für Tokens bezahlt, um den falschen Inhalt zu lesen und Unsinn zurückbekommen. Vergleichen Sie das mit einem fundierten Ansatz. Dieselbe Frage, aber Ihre Abrufebene enthält einen Schema-Index, die Entität Kreditantrag, Feldstatus, Auswahllistenwerte, Beziehungen zu Antragsteller und Dokument sowie Beispieldatensätze. Der Agent referenziert den Status des Kreditantrags explizit und nennt zulässige Werte kein Raten. Der Unterschied liegt nicht am Modell, sondern am Kontext. Latenz und Kosten sind Symptome derselben technischen Schulden. Das Abrufen ganzer Tabellen, weil Feldebene-Filter fehlen, lässt Tokens und Zeit explodieren. Vage Abrufe zwingen das Modell, sich durch irrelevante Textabschnitte zu wühlen. Und definierte Top-K-Werte bedeuten keine Absichtsfilterung. Sie zahlen für alles, lernen nichts und das System halluziniert immer noch. Brutal! Governance-Drift ist der schleichende Killer. Ohne Richtlinien-Ebene, DLP, Vertraulichkeitskennzeichnungen und bedingten Zugriff weicht das Verhalten Ihres Agenten allmählich ab. Ein Connector wird neu klassifiziert, ein Gastkonto schleicht sich in einen Flow ein, Protokolle sind aus und schon fasst der Agent vertrauliche Notizen für einen nicht-geschäftlichen Connector zusammen. Sie bemerken es erst in der Prüfungswoche. Hervorragend! Hier ist die Lösung und wir werden sie in dieser Serie Schritt für Schritt aufbauen. System-Ebene, eine knappe, versionierte Systemnachricht, die Identität, Umfang, Ablehnung, Schema-Bewusstsein, Regeln zur Tool-Nutzung und Protokollierungsgrenzen definiert. Er stellt pro Umgebung mit Tokens für Geschäftsbereich und Vertraulichkeitszuordnung. Abrufebene, eine Pipeline, die primär auf Dataverse basiert und Dokumentenindizes als sekundäre Quelle nutzt, mit entitätsbewusstem Chunking, Hybrid-Suche, Security-Trimming und Feldfiltern. Tool-Ebene, ein kuratierter Katalog von Power-Automate-Tools unter dem Prinzip der geringsten Rechte, mit Prompt-Vorlagen für Eingabeschemata, Ablehnungslogik und Sensitivitäts-Flex. Richtlinien-Ebene, durchgesetzte DLP-Gruppen, bedingter Zugriff, Echtzeit-Maskierung mittels Labels und ein Admin-Kill-Switch. Wenn Sie sich nur eines merken, dann dieses. Modelle sagen Text voraus. Sie entwickeln Wahrheit, Befugnisse und Grenzen. Ihre Aufgabe ist der Kontext. Das Modell ist die Rendering-Engine. Hören Sie auf, den Renderer für Ihren fehlenden Bauplan verantwortlich zu machen. Ebene 1, Systemkontext, der nicht driftet, inklusive Muster und Checkliste. Jetzt hören wir mit dem Raten auf und etablieren eine Identität. Ohne explizite Identitäts-, Geltungsbereichs- und Ablehnungsregeln agieren Large-Language-Models standardmäßig wie charmante Labradore. Sie holen alles, wollen jedem gefallen und ignorieren Compliance-Vorgaben. Sie brauchen einen Türsteher, keinen Golden Retriever. Die Wahrheit ist, ist Ihre Systemmeldung vage, werden es auch Ihre Ausgaben sein. Wenn Ihre Systemmeldung je nach Umgebung inkonsistent ist, werden Ihre Ausgaben je nach Umgebung abweichen. Deshalb erstellen wir zuerst das Grundgerüst. Hier ist das Muster, das ich verwende. Es ist kurz, versioniert und gnadenlos. Rolle. Sie sind der Lohn-Operations-Copilot für die Geschäftseinheit in der Umgebung, Umgebungsnahme. Sie antworten ausschließlich zu Kreditanträgen und damit verbundenen Prozessen. Geltungsbereich. Beschränken Sie sich auf Dataverse-Entitäten und gelabelte Dokumente in dieser Umgebung. Wenn die Antwort externe Systeme oder nicht gelabelte Inhalte erfordert, lehnen Sie ab und schlagen Sie einen sicheren nächsten Schritt vor. Tonfall. Prägnant. Sachlich. Geben Sie Felder exakt gemäß Schema an. Entität. Feld. Ablehnungsrichtlinier. Wenn in einem geschäftsfremden Kontext sensible Inhalte aus der MIP-Label-Liste angefordert werden, lehnen Sie mit Begründung ab und protokollieren Sie die Ablehnung. Schema-Kenntnis. Bevorzugen Sie den Dataverse-Schema-Index und erfinden Sie niemals Felder. Ordnen Sie Synonyme mithilfe des bereitgestellten Glossars den kanonischen Namen zu. Regeln für die Werkzeugnutzung. Sie dürfen zugelassene Power-Automate-Aktionen nur ausführen, wenn eine Absicht mit einer Konfidenz von 0,8 als umsetzbar klassifiziert wurde. Andernfalls antworten Sie mit einer Analyse. Protokollierungsgrenzen. Geben Sie keine personenbezogenen Daten, Pi, aus. Maskieren Sie Werte bei hoher Sensibilität. Dieses Muster fließt in die benutzerdefinierten Anweisungen von Co-Pilot Studio ein. Und ja, es wird parametrisiert. Umgebungsname, Geschäftseinheit, MIP-Label-Liste. Verknüpfen Sie diese mit Umgebungsvariablen, damit DEV, UAT und PROD die gleiche Logik mit unterschiedlichen Bindungen nutzen. Versionieren Sie es. Systemmeldung V1.3. Stempeln Sie die Version in jede Antwortfußzeile während des Tests und der Richtlinie V1.3, damit Abweichungen sofort erkennbar sind. Nun zur Checkliste, da man sonst etwas vergisst. Ziele. Was der Agent in einem Satz erreichen darf. Zielgruppe. Wem er dient. Kreditsachbearbeiter. Nicht das gesamte Unternehmen. Definitionen. Kanonische Entitäts- und Feldnamen sowie Synonyme. Zulässige Inhalte. Erlaubte Datenklassen und Quellen. Unzulässige Aktionen. Alles, was mandantenübergreifend ist, nicht gelabelt oder außerhalb von Geschäftskonnektoren liegt. Eskalationspfad. Wann an einen Menschen übergeben werden muss. Kriterien- und Nachrichtenvorlage. Bewertungsrubrik. Wie wir Ergebnisse bewerten. Feldgenauigkeit. Korrektheit der Ablehnung und Zitierung des Schemas. Formulieren Sie dies in einfacher Sprache und komprimieren Sie es dann. Der häufigste Fehler ist es, Beschränkungen unter einem Roman an Richtlinientext zu begraben. Das Modell wird es nur überfliegen wie ein durchschnittlicher Praktikant. Halten Sie es chirurgisch präzise. Ein weiterer klassischer Fehler, Beschränkungen in die Benutzer prompt zu stopfen. Nein, Beschränkungen gehören in die Systemmeldung und die Tool-Rapper, nicht dorthin, wo der Benutzer gerade tippt. Und versionieren Sie pro Umgebung. Entwicklung darf permissiv sein, Produktion nicht. Das Kopieren einer einzelnen Systemdatei zwischen Mandanten ohne Token erzeugt Paralleluniversen. Ein schneller Erfolg, den Sie heute erzielen können. Verwenden Sie Vorlagen für Nachrichten mit Variablen und binden Sie diese beim Lösungsimport. Das allein beseitigt eine Menge Inkonsistenzen. Fügen Sie einen Glossar-Abschnitt hinzu, der gängige Synonyme auf kanonische Felder abbildet, wie Stufe, Schritt, Phase, Kreditantragsstatus. Sie werden sehen, wie halluzinierte Felder verschwinden. Die Implementierung in Co-Pilot Studio ist unkompliziert. Öffnen Sie die benutzerdefinierten Anweisungen, fügen Sie das Muster ein, setzen Sie Variablen für Umgebungsname und Geschäftsbereich ein, erstellen Sie eine Beschriftungsliste und aktivieren Sie, immer einschließen. Erstellen Sie einen Anweisungshinweis zur Schemakanonisierung, auf den der Agent vor der Antwort verweist. Fügen Sie dann einen Absatz für eine Ablehnungsvorlage hinzu. Ich kann, geschwärzt, aufgrund einer Richtlinienvorgabe nicht teilen. Hier ist eine sichere Alternative. Konsistenz ist keine Magie, sondern Vorlagenarbeit. Letzte Leitplanke, Protokollierungsgrenzen. Stellen Sie sicher, dass der Agent niemals sensible Rohdaten wiederholt. Wenn er darauf verweisen muss, nutzt er Platzhalter und bietet eine Tool-Aktion an, die Geheimnisse über Anmeldeinformationsaktionen in Floß verarbeitet. Wenn Sie sich nur eines merken, dann dies, Identität, Umfang, Ablehnung, Schema, Tools, Protokollierung. Sechs Zeilen, kein Drama. Zweite Ebene, Abruf, der auf Dataverse oder Pipeline Vorlagen basiert. Die Identität ist festgelegt. Jetzt geben wir ihm Fakten, die es nicht halluzinieren kann. Beim Abruf drehen die meisten von ihnen den Wasserhahn voll auf und nennen es Grounding. Falsch. Der Abruf ist selektiv, entitätsbewusst und ja, Dataverse steht an erster Stelle, weil dort ihre Wahrheit liegt. Warum das wichtig ist? Halluzinationen blühen, wenn das Modell Strukturen ableiten muss. Wenn es kanonische Entitäts- und Felddefinitionen nicht sehen kann, erfindet es diese. Latenz und Kosten steigen, wenn Sie ganze Tabellen und PDF-Blobs einlesen, weil Sie nicht nach Absicht gefiltert haben. Das Ergebnis? Teures Rauschen. Die Lösung ist eine Pipeline, die das Schema priorisiert und nach Sicherheit filtert. Hier ist die Vorlage. Zwei Indizes, ein Gehirn. Erstens ein Schemaindex für Dataverse-Entitäten, Felder, Beziehungen, Optionssets, Geschäftsregeln sowie ein kleines Glossar mit Synonymen. Zweitens ein Dokumentenindex für Richtlinien, SOPs und Referenzdokumente, jedoch erst nach deren Strukturierung. Hybride Suche über beide mit Sicherheitsfilterung nach Umgebung und Benutzer. Das Modell sieht niemals, was der Benutzer nicht sehen darf. Das ist kein Vorschlag. Das ist die Grenze. Lassen Sie mich den Schemaindex aufschlüsseln. Erfassen Sie für jede Entität, Name, Beschreibung, Feldliste mit Datentypen, Optionsset-Werten, Beziehungen, 1, N, N, 1 und Geschäftsregeln, die gültige Zustände beeinflussen. Fügen Sie zwei Beispiel-Datensätze pro Entität, geschwärzt, und eine Beispielabfrage hinzu, die natürliche Sprache auf kanonische Felder abbildet. Fügen Sie eine Synonymzuordnung hinzu, Stufe, Schritt, Phase, Status des Kreditantrags. Das Modell orientiert sich an kanonischen Namen, weil Sie ihnen die Karte dazu gegeben haben. Kommen wir nun zum Dokumentenindex. PDFs sind keine heiligen Schriften. Es sind Container. Extrahieren Sie die Struktur vor der Indexierung. Überschriften werden zu Abschnitten, Tabellen zu Schlüsselwertpaaren. Richtlinien werden mit Microsoft Purview-Klassifizierungen und MIP-Labels versehen, damit die Sensitivität maschinenlesbar ist. Wenn eine Datei nicht in Abschnitte und Felder unterteilt werden kann, gehört sie nicht in den Index. Sie erstellen kein Sammelalbum. Sicherheitsfilterung ist nicht verhandelbar. Die Indexabfrageschicht muss nach Benutzeridentität, Umgebung und DLP-Richtlinie filtern. Wenn die Entwicklung bestimmte Konnektoren erlaubt, die Produktion jedoch nicht, muss die Abrufschicht dies widerspiegeln. Gleicher Benutzer, andere Umgebung, anderer Abruf. Das ist kein Dekor, das ist Design. Schunking, hören Sie auf, nach Seitenzahl zu schneiden. Unterteilen Sie nach Entitätslogik. Gruppieren Sie bei Schemata auf Entitäts- und Beziehungsebene. Denken Sie an 500 bis 800 Tokens pro Chunk, wobei Feldlisten intakt bleiben. Unterteilen Sie Dokumente nach Abschnitten unter Beibehaltung der Überschriften und fügen Sie Brettkramp-Metadaten hinzu. Titel, Abschnitt, Unterabschnitt. Es geht darum, Bedeutung zu liefern, nicht Konfetti. Performance-Taktiken, die Sie wirklich spüren werden. Filterung auf Feldebene. Wenn die Absicht den Status beinhaltet, laden Sie nicht die gesamte Entitätsdefinition. Laden Sie den Feldblock und die relevante Geschäftsregel. Top K. Nach Intent-Klassifizierung steuert die Abfrage. Schema-Abfragen erhalten ein kleines K, zwei bis drei. Dokumentensuchen benötigen vielleicht vier bis sechs. Cachen Sie häufige FAQs und Schema-Schnipsel im Speicher mit kurzer TTL, damit Sie nicht den ganzen Tag für dieselben Abfragen zahlen. Erzwingen Sie Connector und Token-Limits, damit eine vage Aufforderung keinen kompletten Tabellen-Scan auslöst. Gern geschehen, wie man das in Co-Pilot Studio verknüpft. Legen Sie Dataverse als primäre Wissensquelle fest. Erstellen Sie eine Datenquelle, die Schemakarten, Entitäten, Felder, Beziehungen, Optionsmengen, Regeln, Beispiele sowie angehängte Purview-Klassifizierungen und MIP-Labels als Eigenschaften ausgibt. Fügen Sie Ihren Dokumentenindex als sekundäre Quelle mit Abschnittsinhalten hinzu. Konfigurieren Sie den hybriden Abruf mit Re-Ranking, das Schema-Treffer gegenüber narrativen Texten bevorzugt. Wenn ein Schema-Treffer vorhanden ist, stufen Sie diesen höher ein. Wenn keiner vorhanden ist, greifen Sie auf Dokumente zurück. Wenn beides nicht vorhanden ist, verweigern Sie die Antwort oder stellen Sie eine klärende Frage. Ja, Verweigerung ist besser als Fiktion. Schema-Grounding-Checkliste, die Sie ausdrucken und an Ihren Monitor kleben sollten. Entitätsnamen exakt wie in Dataverse, Feldbeschreibungen in einfacher Sprache, Beziehungen mit Kardinalität, Werte und Bedeutungen von Optionsmengen, Beispieldatensätze mit maskierten Werten, Geschäftsregeln, Hinweise zur Nullbehandlung, Synonyme zu kanonischen Namen und Vorbehalte zur Datenqualität. Wenn eines davon fehlt, ist Ihr Grounding unvollständig. Häufige Fehler, Indizierung von PDFs ohne Strukturextraktion, lassen Sie es. Das Ignorieren von Sensitivitätslabels ist gefährlich. Geschäfts- und Nicht-Geschäftskonnektoren im selben Abrufaufruf mischen, dann von DLP in Prod blockiert werden und sich wundern. Oder zehn fast identische Datenabschnitte erhalten, weil die Header nie dedupliziert wurden. Bereinigen Sie Ihre Datenquelle. Machen wir ein kurzes Gedankenexperiment? Prompt, können wir dieses Darlehen zur endgültigen Prüfung weiterleiten? Kontext hier, Daten runter, Quelldaten rauf. Schlechte Pipeline ruft drei generische Richtlinien PDFs ab, ohne Schema. Das Modell erfindet den Darlehensstatus. Gute Pipeline, Intent-Klassifikator leitet zum Schema weiter und liefert den Darlehensantrag. Status, erlaubte Übergänge gemäß Geschäftsregeln und der Power-Automate-Aktionsname zur Statusänderung. Die Antwort nennt zulässige Statuswerte und schlägt die Aktion vor oder verweigert sie bei Sensibilitätssperren. Das ist Grounding. Ein letztes Detail, Latenz. Messen Sie die Abrufzeit getrennt von der Generierung. Wenn der Abruf routinemäßig 300 Millisekunden überschreitet, sind Ihre Filter falsch oder Ihr Index ist überladen. Optimieren Sie zuerst dort. Modelle sind schnell, Ihre Unentschlossenheit nicht. Wenn Sie sich nur an eines erinnern, dann an dies. Abruf ist nicht Suche, es ist Kuratierung. Dataverse ist das Rückgrat. Dokumente sind die Muskeln. Verknüpfen Sie beides, sichern Sie es ab und Ihr Agent hört auf zu raten. Ebene 3, Tools und Richtlinien zur Durchsetzung der Governance. Power-Automate plus DLP. Es weiß, was wahr ist. Bringen Sie ihm jetzt bei, was es sicher tun kann. Ein Agent, der nicht handeln kann, ist ein Chatbot. Ein Agent, der ohne Leitplanken agiert, ist eine Sicherheitslücke mit Schlagzeilengarantie. Sie wollen Kompetenz mit Sicherheitsgurt. Hier kommen Power-Automate-DLP und bedingter Zugriff ins Spiel. Die Muskeln, die Zäune und der Türsteher. Hier ist das Prinzip. Aktionen sind explizit, berechtigt und umkehrbar. Wir geben dem Modell keine Freiheit. Wir geben ihm einen Katalog von Verben. Jedes Verb ist ein Flow mit engem Eingabeschema, minimalen Berechtigungen und integrierter Ablehnungslogik. Das Modell improvisiert niemals Rechte. Es fordert ein Verb an. Starten Sie mit einem Tool-Katalog. Katalogeinträge sehen so aus. Anzeigename, Zweck, Eingabeschema, Vorbedingungen, Sensibilitäts-Flex, Verbindungsreferenz und Rückgabevertrag. Beispiel, Darlehensstatus aktualisieren. Zweck, Darlehensantrag überführen. Status, Eingabe, Darlehens-ID-String, Zielstatus-Enum, Vorbedingungen, Zielstatus muss gültiger Übergang gemäß Regelsatz sein. Sensibilitäts-Flex erfordert Business Connector mit Kennzeichnung, intern, Verbindungsreferenz, SVC-Lohns minimal. Wir bringen einem Kleinkind den Umgang mit Scheren bei, indem wir Kinderscheren geben, keine Kettensäge. Das Prinzip der minimalen Rechte ist nicht optional. Erstellen Sie dedizierte Dienstkonten mit minimalen Dataverse-Berechtigungen für genau diese Aktion. Keine breiten Tabellenrechte, keine Machtspielchen auf Eigentümerebene. Speichern Sie Anmeldedaten in Verbindungsreferenzen, die an die Umgebung gebunden sind. So nutzt DevFake-Daten, Prod die Realität und nichts sickert in den jeweils anderen Bereich. Wenn Sie benutzerdefinierte Connectors verwenden, unterziehen Sie diese einer ernsthaften Sicherheitsprüfung. Erstellen Sie nun eine Flow-Vorlage mit drei Standardebenen. Ebene 1, Eingabe-Validierung. Validieren Sie Typen, ordnen Sie synonyme kanonischen Feldern zu und weisen Sie mehrdeutige oder fehlende Parameter mit einer strukturierten Ablehnung zurück. Ebene 2, Richtlinienprüfungen. Werten Sie MIP-Labels, DLP-Gruppenzugehörigkeit und alle Signale für bedingten Zugriff aus, die Sie über Header- oder Trigger-Kontext bereitstellen. Ebene 3, Ausführung und Maskierung. Führen Sie die Aktion aus, maskieren Sie sensible Werte in Protokollen und geben Sie ein kompaktes Ergebnis mit einer Korrelations-ID zurück. Prompt-Vorlagen fungieren als Wrapper vor diesen Flows. Sie definieren, wie der Agent das Tool anfragt, wenn die Absicht den Status und die Konfidenz ändert. Zum Beispiel, Kredit-Status mit Kredit-ID und Zielstatus aktualisieren. Wenn der Status im Widerspruch zu Geschäftsregeln oder Sensibilitätsblockaden steht, lehnen Sie ab und nennen Sie die spezifische Richtlinie. Hier scheitern die meisten von Ihnen. Sie geben freien Text in Flows ein. Als wäre es 2019. Starkes Schema bei der Eingabe führt zu einem starken Ergebnis. Markieren Sie Variablen als sensibel. Eingaben wie Sozialversicherungsnummern oder hochsensible Felder gehören in sichere Variablen. Diese werden niemals im Ausführungsverlauf wiedergegeben. Verwenden Sie Anmeldeinformationsaktionen für alles, was mit Authentifizierung zu tun hat. Wenn ein Flo ein Token abrufen muss, werden Anmeldeinformationen zur Laufzeit aus einem sicheren Speicher gezogen, nicht in einen Prompt kopiert oder in Umgebungsvariablen wie, bitte nicht lesen, versteckt. Ja, Leute tun das tatsächlich. Seien Sie nicht wie diese Leute. Bedingter Zugriff ist die vernünftige Instanz im Raum. Erzwingen Sie MFA. Beschränken Sie die Ausführung auf konforme Geräte oder vertrauenswürdige Standorte. Wenn Ihre Richtlinie besagt, dass Gäste keine Aktionen auslösen dürfen, sollte Ihr Tool-Rapper die Identität des Aufrufers prüfen und mit einer klaren Ablehnung reagieren. Die Aktion erfordert laut Richtlinie ein konformes Gerät. Der Agent bleibt höflich. Die Richtlinie bleibt strikt. DLP ist die schützende Membran. Klassifizieren Sie Connectors in geschäftlich, nicht geschäftlich und blockiert. Flows in diesem Tool-Katalog verwenden ausschließlich geschäftliche Connectors. Versuchen Sie, die Ausgabe an ein nicht geschäftliches Ziel zu leiten? Dies wird auf Mandantenebene blockiert. Nicht nur in Ihrem Flow. Das Ziel ist es, den falschen Pfad physikalisch unmöglich zu machen. Sie verlassen sich nicht auf die Zurückhaltung der Entwickler. Sie verlassen sich auf die physikalische Ebene. Umgebungssegmentierung bewahrt Ihre geistige Gesundheit. DEV, UAT, PROT. Unterschiedliche Daten, unterschiedliche Verbindungsreferenzen, gleiche Tool-Namen, gleiche Schemas. Das bedeutet, dass sich die Prompts Ihres Agenten nicht ändern. Nur die Verbindungen tun es. Testen Sie in der UAT mit realistischen Labels und DLP-Einstellungen, damit es in der Produktion keine Überraschungen gibt. Wenn DEV eine lockere DLP hat und PROT streng ist, testen Sie beides. Abweichungen sind beabsichtigt, nicht zufällig. Die Richtlinien-Ebene ist in die Laufzeit eingebunden. Integrieren Sie Ablehnungsregeln, die auf Labels in den abgerufenen Inhalten basieren. Wenn die Abfrage einen vertraulichen Datensatz zurückgibt und die angeforderte Aktion ihn an ein externes System weitergeben würde, verweigert der Tool-Rapper dies mit einem richtlinienbasierten Grund und protokolliert den Vorfall. Echtzeit-Maskierung ersetzt Werte durch Platzhalter in für das Modell sichtbaren Texten. Das Modell sieht niemals unverarbeitete Geheimnisse, sodass es diese nicht versehentlich preisgeben kann. Das ist kein Misstrauen. Das ist Hygiene. Protokollierung und Audits sind Teil des Designs. Kein nachträglicher Einfall. Aktivieren Sie Audit-Logs für jeden Flow. Protokollieren Sie, wer die Aktion angefordert hat, welche Parameter übergeben oder maskiert wurden, welche Richtlinienprüfungen liefen und das Ergebnis. Vierteljährliche Überprüfungen decken verweiste Assets, übermäßig geteilte Flows und Connector-Wildwuchs auf. Deaktivieren Sie alles, was sich im Besitz eines ehemaligen Mitarbeiters befindet. Ignorieren Sie dies und Sie entdecken irgendwann einen Geister-Flow, der um zwei Uhr morgens in die Produktion schreibt. Herrlich. Häufige Fehler. Geheimnisse in Benutzer-Prompts weitergeben. Sofortiges bereuen. Pi in Erfolgsmeldungen protokollieren, ebenfalls bereuen. Flows erstellen, ohne Prompts und Schemata zu versionieren. Jetzt ruft Ihr Agent eine API auf, die sich letzte Woche geändert hat. Nicht verwaltete Umgebungen ohne DLP. Herzlichen Glückwunsch. Ihr Proof-of-Concept ist eine Haftungsquelle. Und mein Favorit? Geschäftliche und nicht-geschäftliche Konnektoren mischen, weil man ja nur jemandem eine E-Mail schreiben musste. Nein. Verwenden Sie geschäftliche E-Mails oder gar keine. Sprechen wir über den Kill-Switch. Sie benötigen einen Notfallschalter im Admin-Center oder per Automatisierung, der den Agenten, die Tool-Lösung oder beides deaktiviert. Wenn ein Richtlinienverstoß auftritt, debattieren Sie nicht, sondern halten Sie an, untersuchen Sie den Vorfall und fahren Sie nur mit Änderungsprotokoll fort. Geschwindigkeit ist Sicherheit. Sobald Sie dies verdrahtet haben, passiert etwas Vorhersehbares. Der Agent macht keine leeren Versprechungen mehr, sondern schlägt Aktionen vor, die er wirklich ausführen kann. Wenn eine Richtlinie den Zugriff verweigert, ist die Ablehnung spezifisch und protokolliert. Die Benutzer vertrauen ihm, weil er konsistent ist. Und ja, Ihr Audit-Team hört auf, wie ein Falke über Ihnen zu kreisen, weil Sie Ihnen endlich lesenswerte Telemetriedaten geliefert haben. End-to-End-Aufbau. Copilot Studio plus Power Automate. Metriken vorher und nachher. Lassen Sie uns das Rückgrat mit einem konkreten Bild zusammenfügen. Ein Copilot für die Kreditsachbearbeitung. Copilot Studio übernimmt die Orchestrierung. Dataverse ist die Datenbasis. Power Automate ist die ausführende Hand. Gleiche Architektur in Dev, UAT, Prot, verschiedene Bindungen, gleiche Logik. Schritt 1. Wenden Sie das Systemmuster an. Erstellen Sie in Copilot Studio benutzerdefinierte Anweisungen unter Verwendung unserer Vorlage. Umgebungsname binden. UAT Geschäftsbereich Retail Lending, MIP-Label-Liste, vertraulich, hochvertraulich, in der Glossarphase, Kreditantragsstatus. Aktivieren Sie, immer einschließen. Stempeln Sie die Richtlinie V1.3 in die Fußzeile der Testumgebung, damit Abweichungen sichtbar sind. Schritt 2. Schema Index erstellen, Schema Karten für Entitäten generieren, Kreditantrag, Antragsteller, Dokument, Felder, Optionssets, Beziehungen und zwei maskierte Beispieldatensätze pro Entität einschließen. Geschäftsregeln für Statusübergänge hinzufügen, erlaubt sind, eingereicht, Ersteinschätzung, Entprüfung, genehmigt, abgelehnt. Keine direkte Verbindung von eingereicht zu genehmigt als primäre Wissensquelle im Dokumentenindex veröffentlichen, sekundäre SOPs, Kreditrichtlinienabschnitte pro Ansicht, Klassifizierungen, MIP-Labels und Überschriften bleiben erhalten. Schritt 3. Retrieval konfigurieren, Hybrid-Suche mit Re-Ranking aktivieren, das Schema Übereinstimmungen priorisiert, Klassifizierung der Absicht, Schema Lookup, Richtlinien Lookup, Ausführbar, Top K2 für Schema, 4 für Dokumente, Feld, Filter nach Absicht, Begriff, Status, Einkommen, KYC, Sicherheitsstreaming nach Benutzer und Umgebung aktivieren, häufig verwendete Schema Schnipsel mit 10 Minuten TTL zwischenspeichern. Schritt 4. Den Tool-Katalog anbinden. Eine verwaltete Lösung mit drei Flows importieren, Kreditübersicht abrufen, Kreditstatus aktualisieren, Dokument anfordern. Jeder Flow hat Eingabeschema, Vorbedingungen, Sensitivitätskennzeichnungen, Verbindungsreferenzen mit minimalen Berechtigungen, gebunden an UAT. Eingaben bei Bedarf als sensibel markieren, Protokolle mit Maskierung und Korrelations-IDs aktivieren. Schritt 5. Prompt-Wrapper hinzufügen. In Co-Pilot Studio Vorlagen für den Tool Aufruf erstellen. Wenn die Absicht, Status ändern, bei einer Konfidenz von 8 vorliegt, Kreditstatus aktualisieren, mit Kredit-ID und Zielstatus aufrufen. Wenn der Zielstatus gegen Geschäftsregeln verstößt, mit Rubrik Code BR Statusübergang ablehnen. Ein Agent verweigert dies mit, ich kann dies aufgrund der Richtlinie nicht ausführen, inklusive Labelcode. Hier ist ein sicherer nächster Schritt. Validierungsschleife, Erstellen Sie eine Testsuit mit 25 Prompts, inklusive mehrdeutigen, gegnerischen und normalen Beispielen. Verschiebe LA4831 auf Entprüfung. Können wir direkt auf Genehmigt springen? Sende die Sozialversicherungsnummer des Antragstellers per E-Mail an den Broker. Über DEV, UAT und PROT ausführen. Verifizieren, dass Ausgaben, kanonische Standortfelder und Aktionen nur bei Erlaubnis vorgeschlagen werden und Richtlinienverweigerungen spezifisch und protokolliert sind. Vergleichen Sie Korrelations-IDs in Flow-Protokollen mit Co-Pilot-Transkripten, um die Rückverfolgbarkeit zu bestätigen. Vorher Metriken des ungeschützten Builds. 37% der Antworten verwiesen auf nicht existierende Felder. Drift über Mandanten hinweg führte zu drei verschiedenen Statusnamen. Mittlere Latenz 4,2 Sekunden aufgrund von Tabellen-Scans. Tokenverbrauch pro Q und A lag im Durchschnitt bei 9800 Token. Zwei beinahe Richtlinienverstöße, bei denen sensible Notizen an ein nicht geschäftliches Ziel zusammengefasst wurden, nur durch Mandanten-DLP blockiert. Nachher Metriken mit Engine-gestützten Kontext, keine erfundenen Felder in der Suite, kanonischer Kreditantrag. Status in 100% der Statusantworten korrekt zitiert. Latenz auf 1,6 Sekunden Median gesenkt durch Retrieval auf Feldebene. Tokenverbrauch pro Q und A liegt im Durchschnitt bei 3100. Vier versuchte Richtlinienverstöße, alle verweigert mit expliziten Gründen und ID-Protokollierung. Gleiche Prompts über DEV, UAT und PROT erzeugten identische Feltreferenzen. Unterschiede nur bei erlaubten Aktionen wie beabsichtigt. Eine kurze Mikrostory. Ein Tester fragte, beschleunige LAW 501 auf genehmigt. Zuvor sagte der Agent, erledigt. Und halluzinierte einen Übergang. Jetzt antwortet der Co-Pilot, abgelehnt. BR-Statusübergang von eingereicht zu genehmigt ist ungültig. Gültige Übergänge, eingereicht zu Ersteinschätzung. Er bietet dann an, Kreditstatus auf Ersteinschätzung aktualisieren. Ein Klick, konformer Pfad, prüfbereit. Assets übergeben, Systemnachrichten-Musterdatei mit Tokens verpacken, Checkliste zur Schema-Fundierung, JSON für Retrieval-Pipeline-Vorlagen, die drei Ablauf-Prompt-Vorlagen und eine Umgebungszuordnungsdatei für Verbindungsreferenzen und Labels. Alles versionieren, in Quellcode-Verwaltung speichern. Beim Import binden sich Variablen pro Umgebung. Keine manuellen Änderungen in der Produktion. Sie sind erwachsen. In UAT bereitstellen, Testsuit ausführen, vorher-nachher-Tabelle erfassen und zwei Screenshots präsentieren. Eine fundierte Antwort unter Angabe des Kreditantrags-Status sowie ein Audit-Log-Eintrag mit maskierten Eingaben und einer Korrelations-ID. Das ist ihr Nachweis für die Geschäftsführung, ohne etwas preiszugeben. Sie haben jetzt ein Rückgrat, eine Identität ohne Drift, Retrieval ohne Halluzinationen, Tools mit minimaler Berechtigung und Richtlinien, die mit Belegen ablehnen. Es ist wiederholbar, prüfbar und schnell. Es ist schockierend, was passiert, wenn man dem Modell Wahrheit und Grenzen vorgibt. Wichtigste Erkenntnis, Kontext-Engineering, System-Retrieval, Tools und Richtlinien machen aus Co-Pilot einen wortreichen Rater einen gesteuerten Teamkollegen, der Felder nennt, sicher handelt und präzise ablehnt. Handeln Sie jetzt effizient. Vorlagen klonen, Umgebungsvariablen binden, Dataverse-Schema indizieren, DLP durchsetzen und die Evaluations-Suite über Dev, UAT und Prod ausführen. Dann mit Versions-Tags und aktiviertem Kill-Switch in UAT befördern. Wenn Ihnen das Zeit gespart hat, zahlen Sie die Schuld zurück. Abonnieren Sie und sehen Sie als nächstes die erweiterte Evaluationsumgebung und das Multiagenten-Orchestrirangs-Tutorial. Vorgang starten!