第 2 章

AI 驱动业务方案需求分析

⏱️ 180 分钟📚 Plan AI-powered business solutions难度: ⭐⭐

备考助手

📋 本章概览

项目	详情
考试领域	Plan AI-powered business solutions (25-30%)
预计学习时间	3 小时
难度级别	⭐⭐ 中等
前置知识	Ch1 Agentic AI 架构概述
章节类型	免费章节

⚠️ 考试重点: 本章是"Plan"领域的核心实战章节。考试会给你一个业务场景，让你判断：是否该用 Agent？数据准备好了吗？Build 还是 Buy？ROI 合不合理？这些都是架构师的"第一步"——做错了，后面全白费。

🎯 学习目标

完成本章后，你将能够：

✅ 评估 Agent 在任务自动化、数据分析和决策制定中的适用场景
✅ 审查 Grounding 数据的五个质量维度
✅ 设计数据组织方案使其可被其他 AI 系统访问
✅ 运用 Cloud Adoption Framework 规划 AI 采用流程
✅ 对 AI 方案进行 ROI 分析（包括 TCO）
✅ 使用 Build vs Buy vs Extend 框架做出组件决策
✅ 理解 Model Router 的智能路由原理和应用场景

本章知识地图

AI 驱动业务方案需求分析
├── Agent 适用性评估 ──── 任务自动化
│                      ├── 数据分析
│                      └── 决策制定
│
├── Grounding 数据审查 ── 准确性 (Accuracy)
│                      ├── 相关性 (Relevance)
│                      ├── 时效性 (Timeliness)
│                      ├── 清洁度 (Cleanliness)
│                      └── 可用性 (Availability)
│
├── 数据组织策略 ──────── 数据可发现性
│                      ├── 跨系统共享
│                      └── 安全访问控制
│
├── Cloud Adoption Framework ── AI 采用流程
│                              ├── 战略定义
│                              └── 能力评估
│
├── ROI 分析 ──────────── TCO 总拥有成本
│                       ├── ROI 标准
│                       └── 成本效益分析
│
├── Build vs Buy vs Extend ── 决策框架
│                           ├── 能力矩阵
│                           └── 场景匹配
│
└── Model Router ──────── 智能路由
                        ├── 成本/性能/延迟平衡
                        └── 多模型策略

🔍 评估 Agent 在业务中的适用性

三大应用领域

AB-100 考试大纲明确要求："Assess the use of agents in task automation, data analytics, and decision-making（评估 Agent 在任务自动化、数据分析和决策制定中的应用）"。

用一个比喻来理解这三个领域：

想象一家大型零售公司：

任务自动化 = 仓库里的智能分拣机器人——重复性工作，按流程干

数据分析 = 总部的商业智能分析师——海量数据中找洞察

决策制定 = CEO 身边的首席战略顾问——基于洞察给出行动建议

一个优秀的 Agentic AI 方案，往往同时覆盖这三层：自动化执行 + 分析洞察 + 辅助决策。

1. 任务自动化 (Task Automation)

术语：Task Automation with Agents（Agent 驱动的任务自动化）

一句话解释：用 AI Agent 自动执行重复性、规则性的业务流程，减少人工干预。
考试怎么考：给你一个有大量重复操作的场景（如"每天手动处理 500 张发票"），让你评估是否适合用 Agent 自动化。
核心判断标准：高频次 + 规则明确 + 低模糊性 = 适合自动化。

评估框架——FAIR 原则：

维度	英文	评估问题	适合自动化的标志
频次	Frequency	任务多久执行一次？	每天/每小时/持续执行
准确性要求	Accuracy	能容忍多少错误？	允许一定错误 + 可自动纠错
独立性	Independence	需要多少人工判断？	80%+ 步骤可自动化
重复性	Repetitiveness	流程是否标准化？	有明确 SOP 和规则

任务自动化适用性评估矩阵
═══════════════════════════════════════════════════════

          高频次
            │
    ┌───────┼────────┐
    │ 优先  │ 首选   │
    │自动化 │自动化   │      频次高 + 重复性高 = 最适合
    │       │        │
低──┼───────┼────────┼──高 重复性
    │       │        │
    │ 考虑  │ 评估   │      频次低 + 重复性低 = 需评估
    │保留人工│ ROI    │
    └───────┼────────┘
            │
          低频次

═══════════════════════════════════════════════════════

典型自动化场景：

场景	Agent 角色	自动化程度
发票处理	提取信息 → 匹配 PO → 审批路由 → 入账	90%+
客户咨询分流	理解意图 → 分类 → 路由到对应团队	85%+
员工入职流程	创建账号 → 分配权限 → 发送欢迎邮件 → 安排培训	80%+
报告生成	收集数据 → 分析趋势 → 生成图表 → 分发	95%+

2. 数据分析 (Data Analytics)

术语：Agent-powered Data Analytics（Agent 驱动的数据分析）

一句话解释：用 AI Agent 自主地从海量数据中提取洞察，发现人类难以察觉的模式和趋势。
考试怎么考：给你一个数据密集的场景（如"分析 10 万条客户反馈"），让你判断 Agent 如何增强分析能力。

Agent 在数据分析中的四层价值：

Agent 数据分析价值层级
═══════════════════════════════════════════════════════

Level 4: 自主行动 ──── Agent 直接执行优化策略
         ↑
Level 3: 建议行动 ──── Agent 推荐"应该怎么做"
         ↑
Level 2: 预测洞察 ──── Agent 预测"会发生什么"
         ↑
Level 1: 描述分析 ──── Agent 回答"发生了什么"

═══════════════════════════════════════════════════════

层级	示例	对应 Dynamics 365 功能
描述	"上月客户流失率上升 15%"	Customer Insights 仪表盘
预测	"下月 Top 20 高风险流失客户名单"	Copilot for Sales 成交预测
建议	"建议对这 20 位客户启动挽留方案"	Copilot for Service 建议
行动	自动发送个性化挽留邮件 + 安排回访	Autonomous Agent

3. 决策制定 (Decision-Making)

术语：Agent-assisted Decision-Making（Agent 辅助决策）

一句话解释：AI Agent 基于数据分析结果和业务规则，帮助或代替人类做出业务决策。
考试怎么考：给你一个需要决策的场景，让你判断 Agent 应该"辅助决策"还是"自主决策"。
最易混淆：高风险决策（财务、法律、人事）通常需要 human-in-the-loop，Agent 只做辅助。

决策自主性判断框架：

风险级别	决策类型示例	Agent 角色	Human-in-the-loop
低风险	客服工单分类	自主决策	否
中风险	采购审批（小额）	建议 + 自动执行	异常时
高风险	信贷审批、合同签署	分析 + 建议	必须
极高风险	法律合规判断	仅提供参考信息	必须

⚠️ 考试重点: 在评估 Agent 适用性时，考试最常考的判断标准：

任务自动化: 看频次和重复性——高频 + 重复 = 适合

数据分析: 看数据量和复杂性——大数据 + 多维度 = Agent 优势明显

决策制定: 看风险等级——风险越高，Agent 自主性越低，人工参与越多

如果题目问"什么场景最适合 Autonomous Agent"，答案通常是低风险 + 高频次 + 高重复性的任务。

Microsoft AI Agent Adoption Process showing four phases: Plan, Govern and Secure, Build, and Manage agents

这张图展示了微软 AI Agent 采用的四阶段流程：(1) Plan for Agents — 业务计划、技术计划、组织准备、数据架构；(2) Govern and Secure Agents — 负责任 AI、治理安全、环境准备；(3) Build Agents — 单 Agent 和多 Agent 系统构建；(4) Manage Agents — 集成和运维。AB-100 考试的三大领域（Plan / Design / Deploy）与此框架高度对应。

📊 Grounding 数据审查

什么是 Grounding？

术语：Grounding（数据锚定/接地）

一句话解释：将 AI 模型的输出"锚定"在可信的、特定的数据源上，使其回答基于事实而非幻觉。
形象比喻：像法庭上的证人——不能凭空捏造，每句话都要有证据（数据）支撑。没有 Grounding 的 AI 就像一个"没有参考资料的实习生"——可能说得头头是道，但不一定对。
考试怎么考：题干出现"如何减少 AI 幻觉"、"如何确保 Agent 回答准确"时，答案通常指向 Grounding 数据质量。
最易混淆：Grounding ≠ Fine-tuning。Grounding 是在推理时提供参考数据；Fine-tuning 是在训练时改变模型权重。

RAG architecture showing retrieval and grounding flow for reliable AI answers

这张图对应 Grounding 的工程实现路径：先检索、再拼接上下文、最后生成回答。考试里凡是“降低幻觉”场景，优先落到这条链路。

数据质量五维度 (ARTCA)

AB-100 考试大纲明确列出了审查 Grounding 数据的五个维度。我们用 ARTCA 来记忆：

Grounding 数据质量五维度 (ARTCA)
═══════════════════════════════════════════════════════

    A ─── Accuracy (准确性)
    │     "数据是对的吗？"
    │
    R ─── Relevance (相关性)
    │     "数据和问题相关吗？"
    │
    T ─── Timeliness (时效性)
    │     "数据是最新的吗？"
    │
    C ─── Cleanliness (清洁度)
    │     "数据干净吗？有没有噪音？"
    │
    A ─── Availability (可用性)
          "数据能被 Agent 访问到吗？"

═══════════════════════════════════════════════════════

五维度详解

1. Accuracy（准确性）

术语：Data Accuracy（数据准确性）

一句话解释：数据内容与现实世界的事实是否一致。
形象比喻：像导航地图——如果地图上的路和实际的路不一样，你跟着走只会迷路。
考试怎么考：给你一个 Agent 回答不准确的场景，让你分析根因，通常指向 Grounding 数据的准确性问题。

准确性检查清单：

检查项	具体内容
数据来源验证	数据来自权威、可信的来源？
交叉验证	关键数据是否有多个来源交叉验证？
事实核查	数字、日期、名称等是否经过核实？
版本控制	是否有数据版本管理，能追溯变更？

2. Relevance（相关性）

术语：Data Relevance（数据相关性）

一句话解释：数据与 Agent 要完成的任务或回答的问题是否高度相关。
形象比喻：像给厨师备料——你让他做川菜，但给了一堆法餐原料，再好的食材也没用。

相关性优化策略：

策略	描述	示例
领域范围限定	只提供与业务场景相关的数据	客服 Agent 只访问产品知识库，不访问财务数据
Semantic Chunking	将长文档按语义切分为有意义的片段	把 100 页手册切成按主题组织的片段
Metadata 标注	为数据添加元数据，方便 Agent 筛选	按部门、产品线、日期标注文档
Relevance Scoring	对检索结果按相关性评分排序	Azure AI Search 的相关性评分机制

3. Timeliness（时效性）

术语：Data Timeliness（数据时效性）

一句话解释：数据是否及时更新，能反映最新的业务状态。
形象比喻：像天气预报——用上周的天气预报来决定今天穿什么，必然会出问题。

数据类型	更新频率要求	过时的风险
产品价格	实时/每日	Agent 报错误价格 → 客户投诉
政策法规	即时更新	Agent 给出违规建议 → 合规风险
客户信息	每日/每周	Agent 推荐不相关内容 → 体验差
培训材料	每季度/每年	Agent 回答过时内容 → 信任丧失

4. Cleanliness（清洁度）

术语：Data Cleanliness（数据清洁度）

一句话解释：数据中是否存在重复、矛盾、格式不一致、缺失值等噪音。
形象比喻：像做手术前的消毒——再高明的医生，如果器械没消毒，手术也会出问题。脏数据就是 AI 的"细菌"。

常见数据质量问题：

数据清洁度问题分类
═══════════════════════════════════════════════════════

问题类型          示例                        影响

重复数据    ── 同一客户出现 3 条记录      ── Agent 给出矛盾信息
矛盾数据    ── A 文档说"支持退款"         ── Agent 回答自相矛盾
              B 文档说"不支持退款"
格式不一致  ── 日期混用 "2026-01-01"      ── Agent 无法正确解析
              和 "01/01/2026"
缺失数据    ── 产品价格字段为空           ── Agent 无法回答关键问题
过时数据    ── 包含已下架产品的说明        ── Agent 推荐不存在的产品

═══════════════════════════════════════════════════════

5. Availability（可用性）

术语：Data Availability（数据可用性）

一句话解释：数据是否能被 AI Agent 在需要时及时、安全地访问到。
形象比喻：图书馆里有一本绝版好书，但锁在馆长办公室里不让借——再好的数据，Agent 访问不到也没用。

数据可用性设计要素：

要素	描述	微软解决方案
存储位置	数据是否在 Agent 可访问的系统中	Dataverse, SharePoint, Azure SQL
API 接口	数据是否有标准化的 API 可供调用	MCP Server, Connectors
访问权限	Agent 是否有适当的权限读取数据	Entra ID, RBAC
性能延迟	数据查询的响应时间是否满足要求	Azure AI Search, 缓存
可靠性	数据源的 SLA 是否满足业务需求	高可用部署, 冗余

⚠️ 考试重点: Grounding 数据质量五维度是高频考点。考试常见题型：

给你一个 Agent 回答不正确的场景 → 分析是五个维度中的哪个出了问题

给你一个数据源 → 评估是否适合作为 Grounding 数据

记忆口诀：ARTCA（"Art + CA"）= Accuracy, Relevance, Timeliness, Cleanliness, Availability

📦 组织业务数据供 AI 系统使用

为什么数据组织很重要？

AB-100 考试大纲要求："Organize business solution data to be available for other AI systems（组织业务方案数据使其可被其他 AI 系统使用）"。

用一个比喻来理解：

想象你有一个巨大的仓库，堆满了货物。如果没有分类、没有标签、没有通道，即使货物再值钱，也找不到。数据组织就是给你的"数据仓库"做分类、贴标签、修通道的过程。

数据组织三层架构

数据组织三层架构
═══════════════════════════════════════════════════════════════

┌─────────────────────────────────────────────────────────────┐
│                     数据消费层 (Consumption)                  │
│                                                             │
│  Copilot Studio   Microsoft Foundry   Dynamics 365   M365   │
│  Agent            Agent              Copilot        Copilot │
│     ▲                 ▲                  ▲             ▲     │
├─────┼─────────────────┼──────────────────┼─────────────┼────┤
│     │          数据服务层 (Services)       │             │    │
│     │                                    │             │    │
│  ┌──┴──────────┐  ┌────────────────┐  ┌─┴──────────┐  │    │
│  │ Azure AI    │  │  Microsoft     │  │ Dataverse  │  │    │
│  │ Search      │  │  Graph API     │  │ API        │  │    │
│  │ (语义搜索)   │  │ (Office 数据)  │  │ (业务数据)  │  │    │
│  └──┬──────────┘  └────────┬───────┘  └─┬──────────┘  │    │
│     │                      │            │             │    │
├─────┼──────────────────────┼────────────┼─────────────┼────┤
│     │          数据存储层 (Storage)       │             │    │
│     │                                    │             │    │
│  ┌──┴──────────┐  ┌────────┴───────┐  ┌─┴──────────┐  │    │
│  │ Azure Blob  │  │  SharePoint    │  │ Dataverse  │  │    │
│  │ Storage     │  │  Online        │  │ Tables     │  │    │
│  │ Azure SQL   │  │  OneDrive      │  │            │  │    │
│  └─────────────┘  └────────────────┘  └────────────┘  │    │
│                                                       │    │
└───────────────────────────────────────────────────────┘────┘

数据组织最佳实践

实践	描述	为什么重要
统一数据模型	使用 Dataverse 或 Common Data Model 统一数据格式	Agent 不需要学多种数据格式
Metadata 标注	为每份数据添加创建者、日期、部门、权限等元数据	Agent 可以按条件筛选数据
语义索引	使用 Azure AI Search 创建语义索引	Agent 通过自然语言就能找到数据
权限继承	数据访问权限与组织权限体系一致	Agent 只能看到用户有权限的数据
版本管理	数据变更有版本记录和回滚能力	出问题时能追溯和恢复
数据目录	建立企业级数据目录（如 Microsoft Purview）	让所有 AI 系统都能"发现"数据

⚠️ 考试重点: 考试经常问"如何让多个 AI 系统共享数据"。核心答案是：

使用 Dataverse 作为统一数据平台（Dynamics 365 + Power Platform 原生支持）

使用 Azure AI Search 提供语义检索能力

使用 Microsoft Graph API 访问 Microsoft 365 数据

通过 MCP 标准化工具和数据访问接口

☁️ Cloud Adoption Framework - AI 采用流程

CAF 概述

术语：Cloud Adoption Framework (CAF)

一句话解释：微软提供的结构化框架，指导组织如何系统地采用云服务和 AI 技术。
形象比喻：像"搬家指南"——从"要不要搬"（战略）到"搬去哪"（规划）到"怎么搬"（实施）到"搬完怎么住"（治理），每一步都有清单。
考试怎么考：题干出现"组织如何系统地采用 AI"、"AI 转型路线图"时，选 Cloud Adoption Framework。

AI 采用流程七步法

Cloud Adoption Framework AI adoption process showing Strategy, Plan, Ready, Govern, Manage and Secure steps

这张图来自微软官方 Cloud Adoption Framework 文档，展示了 AI 采用的结构化流程：从 AI Strategy（战略）到 AI Plan（规划）到 AI Ready（准备），再到 Govern AI（治理）、Manage AI（管理）和 Secure AI（安全）。考试中出现 "组织如何系统地采用 AI" 相关题目时，直接联想这个框架。

Cloud Adoption Framework - AI 采用流程
═══════════════════════════════════════════════════════════════

Step 1        Step 2        Step 3        Step 4
Strategy      Plan          Ready         Adopt
(战略)        (规划)        (准备)        (采用)
                                          ├── Innovate
                                          └── Migrate
    │             │             │             │
    ▼             ▼             ▼             ▼

Step 5        Step 6        Step 7
Secure        Manage        Govern
(安全)        (管理)        (治理)

═══════════════════════════════════════════════════════════════

      ←──────── 持续迭代和优化 ────────→

AI Strategy（AI 战略定义）

AI 战略是 CAF 的第一步，也是 AB-100 最常考的 CAF 内容。

AI 战略三要素：

要素	英文	描述	示例
目标	Goal	你想通过 AI 实现什么大方向？	"用 AI 提升客户服务体验"
目的	Objective	具体想达到什么可衡量的结果？	"将首次响应时间从 24h 降到 2h"
成功指标	Success Metric	怎么知道做到了？	"客户满意度 CSAT 从 3.5 提升到 4.5"

⚠️ 考试重点: 考试经常考 Goal vs Objective vs Success Metric 的区别：

Goal = 方向（定性的）

Objective = 目标（具体的、可衡量的）

Success Metric = 指标（数字化的衡量标准）

秒判法：看描述是否有数字。有数字 = Metric；有具体行动 = Objective；纯方向性 = Goal。

AI 就绪度评估

在制定战略之后，组织需要评估自身的 AI 就绪度：

评估维度	评估内容	关键问题
数据就绪	数据质量、可用性、治理	数据是否满足 ARTCA 五维度？
技术就绪	基础设施、计算资源、网络	是否有足够的 Azure 资源？
组织就绪	团队技能、变革管理、领导支持	是否有 AI 架构师和工程师？
治理就绪	安全策略、合规框架、审计机制	是否有 Responsible AI 框架？
财务就绪	预算、ROI 模型、成本控制	是否有 AI 投资的预算审批？

三种 AI 消费模式

CAF 定义了三种 AI 消费模式，与考试中的 "Build vs Buy vs Extend" 决策密切相关：

模式	英文	描述	微软对应方案	技术门槛
即用型软件	Ready-to-use (SaaS)	直接使用预构建的 AI 功能	Dynamics 365 Copilot, M365 Copilot	⭐ 最低
可扩展平台	Extensible (PaaS)	在平台上扩展和定制 AI	Copilot Studio, Power Platform	⭐⭐ 中等
完全管理基础设施	Fully managed (IaaS)	从底层构建自定义 AI	Microsoft Foundry, Azure OpenAI	⭐⭐⭐ 最高

AI 消费模式选择
═══════════════════════════════════════════════════════════

控制程度低                                    控制程度高
简单快速                                      灵活复杂
┌─────────────┐    ┌─────────────┐    ┌─────────────┐
│  SaaS 即用   │ ←→ │ PaaS 扩展   │ ←→ │ IaaS 构建   │
│             │    │             │    │             │
│ D365 Copilot│    │Copilot Studio│    │ Foundry     │
│ M365 Copilot│    │Power Platform│    │ Azure OpenAI│
└─────────────┘    └─────────────┘    └─────────────┘
   Buy (购买)       Extend (扩展)      Build (构建)

═══════════════════════════════════════════════════════════

⚠️ 考试重点: CAF 中的三种 AI 消费模式直接对应 Build vs Buy vs Extend 决策。考试会给你一个组织场景（技术能力、预算、时间约束），让你选择最合适的模式。

💰 ROI 分析

为什么要做 ROI 分析？

术语：ROI Analysis for AI Solutions（AI 方案 ROI 分析）

一句话解释：系统化地评估 AI 投资的成本和收益，确保投资回报合理。
形象比喻：像买房前的财务规划——不只看房价（投入），还要看租金回报、增值潜力（收益），以及物业费、维修费（持续成本）。
考试怎么考：给你一个 AI 方案，让你识别 TCO 组成部分，或判断 ROI 计算中应包含哪些因素。

Total Cost of Ownership (TCO)

术语：TCO（总拥有成本）

一句话解释：AI 方案在整个生命周期中的所有成本总和，不只是初始投入。

AI 方案 TCO 构成
═══════════════════════════════════════════════════════════

初始成本 (One-time)           持续成本 (Ongoing)
┌─────────────────────┐      ┌─────────────────────────┐
│ ● 平台许可证购买     │      │ ● Azure 计算/存储月费    │
│ ● 开发和集成费用     │      │ ● AI 模型 API 调用费用   │
│ ● 数据迁移和清洗     │      │ ● 运维团队人力成本      │
│ ● 培训和变革管理     │      │ ● 模型监控和调优        │
│ ● 安全合规审计       │      │ ● 数据更新和维护        │
│ ● 概念验证 (PoC)    │      │ ● 许可证续费            │
└─────────────────────┘      └─────────────────────────┘

隐性成本 (Hidden)
┌─────────────────────────────────────────────────────────┐
│ ● 组织变革中的生产力损失    ● 技术债务和迁移成本         │
│ ● Agent 错误导致的业务损失  ● 安全事件的潜在成本         │
│ ● 人才招聘和留存成本       ● 合规违规的罚款风险          │
└─────────────────────────────────────────────────────────┘
═══════════════════════════════════════════════════════════

ROI 标准和计算

AI 方案的 ROI 评估维度：

维度	收益类型	衡量指标示例
效率提升	定量	处理时间减少 X%、人工干预减少 Y%
成本节约	定量	年省 $X 人力成本、减少 $Y 错误成本
收入增长	定量	客户转化率提升 X%、追加销售增长 Y%
客户体验	定性→定量	NPS 提升 X 分、CSAT 提升 Y%
员工满意度	定性	重复性工作减少、专注高价值任务
风险降低	定性→定量	合规违规减少 X%、安全事件减少 Y 次
创新加速	定性	新功能上线速度、决策速度

ROI 计算公式：

         (收益总额 - 投资总额)
ROI =  ─────────────────────── × 100%
              投资总额

示例：
  年度收益：$500,000（效率提升 + 成本节约 + 收入增长）
  年度成本：$200,000（平台费用 + 运维 + 人力）
  初始投资：$300,000（开发 + 集成 + 培训）

  第一年 ROI = (500,000 - 200,000 - 300,000) / 500,000 × 100% = 0%
  第二年 ROI = (500,000 - 200,000) / 500,000 × 100% = 60%
  第三年 累计 ROI = (1,500,000 - 600,000 - 300,000) / 900,000 × 100% = 67%

⚠️ 考试重点: ROI 分析考试考点：

TCO 不只是平台费用——要包含人力、培训、数据准备、运维等全部成本

AI 方案的收益不只是"省钱"——效率提升、收入增长、风险降低都要计入

ROI 通常需要 6-18 个月才能转正——考试可能问"第一年 ROI 为负是否正常"

隐性成本（组织变革、技术债务）容易被忽略——考试喜欢考这个

🏗️ Build vs Buy vs Extend 决策框架

三种选择

术语：Build vs Buy vs Extend（构建 vs 购买 vs 扩展）

一句话解释：对于 AI 方案中的每个组件，决定是从零构建、直接购买现成方案，还是在现有平台上扩展。
形象比喻：像装修房子——Build 是请施工队从毛坯房开始全部定制装修，Buy 是买精装修的二手房直接入住，Extend 是买半精装然后自己改造不满意的部分。

AI Agent Decision Tree for selecting between SaaS agents, Copilot Studio, Microsoft Foundry and custom infrastructure

这张决策树来自微软 Cloud Adoption Framework，展示了完整的 AI Agent 技术选型流程：首先判断 SaaS Agent 是否满足需求（Buy），不满足则进入 Build 分支，根据技术能力和需求选择 Copilot Studio（低代码）、Microsoft Foundry（全代码）或 GPU/容器（自定义基础设施）。这与考试中 Build vs Buy vs Extend 决策题直接对应。

决策矩阵

维度	Build（构建）	Buy（购买）	Extend（扩展）
适用场景	独特需求，市场无对应产品	通用需求，有成熟产品	大部分需求已覆盖，需小量定制
开发成本	高	低	中
上线时间	长（3-12 个月）	短（天到周）	中（周到月）
定制灵活性	完全灵活	受限	中等
维护负担	完全自己维护	供应商维护	共享维护
技术要求	需要专业 AI 团队	低	中等
微软对应	Microsoft Foundry 自定义开发	D365 Copilot / M365 Copilot	Copilot Studio 扩展
一句话记忆	"毛坯房全定制"	"精装房直接住"	"半精装自己改"

决策流程

Build vs Buy vs Extend 决策树
═══════════════════════════════════════════════════════════

需求是否与现有微软产品高度匹配？
│
├── YES → 现有功能是否 100% 满足需求？
│         │
│         ├── YES → 直接 Buy (购买)
│         │         用 D365 Copilot / M365 Copilot
│         │
│         └── NO → Extend (扩展)
│                  用 Copilot Studio 定制
│                  或 D365 AI + Power Platform
│
└── NO → 组织是否有专业 AI 开发能力？
          │
          ├── YES → 时间是否充裕？预算是否充足？
          │         │
          │         ├── YES → Build (构建)
          │         │         用 Microsoft Foundry
          │         │
          │         └── NO → 先 Buy/Extend，再逐步 Build
          │
          └── NO → 考虑 Buy + 培养团队
                   或找合作伙伴帮助 Build

═══════════════════════════════════════════════════════════

场景速选

业务场景	决策	理由
需要 CRM 中的邮件摘要功能	Buy	D365 Copilot for Sales 原生支持
需要定制客服 Agent 的对话流程	Extend	Copilot Studio 扩展主题和动作
需要垂直行业的专有 AI 模型	Build	市场上没有现成方案
需要在 Teams 中查询内部知识库	Extend	M365 Copilot + 知识源扩展
需要训练行业专属的 SLM	Build	需要 Fine-tune 自定义模型
需要自动化审批流程	Extend	Power Automate + AI Builder

⚠️ 考试重点: Build vs Buy vs Extend 是高频考题。考试的标准答案倾向于：

优先 Buy → 如果微软已有产品满足需求

其次 Extend → 如果需要小量定制

最后 Build → 只有在独特需求且有能力时才构建

考试偏好"最低复杂度"原则——能用简单方案解决的，不选复杂方案。

🔀 Model Router：智能模型路由

什么是 Model Router？

术语：Model Router（模型路由器）

一句话解释：一个智能中间层，根据请求的特征（复杂度、成本敏感度、延迟要求）自动将请求路由到最合适的 AI 模型。
形象比喻：像医院的分诊台——感冒去普通门诊（小模型、低成本），疑难杂症去专家门诊（大模型、高精度），急救去 ICU（专用模型、最快响应）。不需要所有病人都看专家。
考试怎么考：题干出现"优化模型使用成本"、"不同任务使用不同模型"、"平衡成本和质量"时，选 Model Router。
最易混淆：Model Router 不是一个具体的模型，而是一个路由/编排层。

为什么需要 Model Router？

Foundry model request flow showing token and API routing through model inference endpoint

这张图对应 Model Router 的落地视角：请求进入统一入口后再按策略分发到不同模型。考试里看到“统一入口 + 多模型分流 + 成本优化”通常就是在考路由层设计。

没有 Model Router                        有 Model Router
═══════════════════                     ═══════════════════

所有请求 → GPT-4o                       简单查询 → Phi-4 (SLM)
(贵、慢但强大)                                         成本: $

成本: $$$$                              普通对话 → GPT-4o-mini
延迟: 高                                              成本: $$

所有任务用同一个模型                      复杂推理 → GPT-4o
= 简单任务被"杀鸡用牛刀"                              成本: $$$
= 成本浪费
                                        代码生成 → Claude Opus 4.6
                                                      成本: $$$

                                        平均成本: $$ (节省 40-60%)
                                        每个任务匹配最佳模型

Model Router 路由策略

路由维度	描述	路由逻辑
任务复杂度	请求的推理难度	简单查询 → SLM；复杂推理 → LLM
成本敏感度	预算约束	成本敏感 → 小模型；质量优先 → 大模型
延迟要求	响应时间要求	实时交互 → 低延迟模型；批量处理 → 高精度模型
数据安全	数据敏感度	高敏感 → 私有部署模型；一般 → 云端 API
专业领域	任务所属领域	代码 → 代码专用模型；医疗 → 医疗 Fine-tuned 模型

在微软生态中的实现

平台	Model Router 能力
Microsoft Foundry	Model Catalog 支持 1600+ 模型，可通过策略配置路由规则
Copilot Studio	支持在 Topic 级别选择不同的 AI 模型
Azure OpenAI Service	支持多模型部署，可通过 API 管理层实现路由

Model Router 架构示例：

Model Router 架构
═══════════════════════════════════════════════════════════

                    用户请求
                       │
                       ▼
              ┌────────────────┐
              │  Model Router  │
              │  (智能路由层)   │
              │                │
              │ ● 分析请求特征  │
              │ ● 匹配路由规则  │
              │ ● 选择最优模型  │
              └───────┬────────┘
                      │
          ┌───────────┼───────────┐
          │           │           │
          ▼           ▼           ▼
    ┌──────────┐ ┌──────────┐ ┌──────────┐
    │ Phi-4    │ │ GPT-4o   │ │ Claude   │
    │ (SLM)   │ │ mini     │ │ Opus     │
    │          │ │          │ │          │
    │ 简单查询  │ │ 一般对话  │ │ 复杂推理  │
    │ FAQ      │ │ 摘要生成  │ │ 代码生成  │
    │ 分类     │ │ 翻译     │ │ 架构设计  │
    │          │ │          │ │          │
    │ 成本: $  │ │ 成本: $$ │ │ 成本: $$$│
    │ 延迟: 低  │ │ 延迟: 中  │ │ 延迟: 高  │
    └──────────┘ └──────────┘ └──────────┘

═══════════════════════════════════════════════════════════

⚠️ 考试重点: Model Router 考试考点：

核心目的是平衡成本和质量——不是所有任务都需要最强的模型

路由维度包括：复杂度、成本、延迟、安全、领域

与 AB-100 考纲中的 "implement a model router to intelligently route requests" 直接对应

考试可能问"如何降低 AI 方案的运营成本"——答案之一就是 Model Router

📝 综合场景演练

场景 1: 零售公司客户服务 AI 方案评估

背景: 一家澳洲零售公司每天收到 2000+ 客户咨询（邮件 + 在线聊天）。目前全靠 30 人的客服团队手动处理。公司已使用 Dynamics 365 Customer Service。

问题: 如何评估是否应该引入 AI Agent？

分析步骤：

步骤	评估内容	结论
1. 任务自动化适用性	频次高（2000+/天）+ 重复性强（常见问题占 70%）	非常适合
2. 数据就绪度	已有 D365 客户数据 + 产品知识库 → 检查 ARTCA	数据基础好
3. Build vs Buy vs Extend	已有 D365 → Copilot for Service 原生支持	Extend
4. ROI	预计可自动处理 60% 咨询 → 减少 18 人工作量	ROI 显著
5. 风险评估	客服场景低风险 → 可使用 Autonomous Agent	风险可控

推荐方案: Extend Dynamics 365 Copilot for Service + Copilot Studio 定制化 Agent

场景 2: 金融机构贷款审批 AI 方案评估

背景: 一家银行想用 AI Agent 自动化贷款审批流程。涉及客户信用评估、风险定价和合规检查。

问题: Agent 的自主性级别应该怎么设计？

分析步骤：

步骤	评估内容	结论
1. 风险级别	金融决策 → 高风险	必须 human-in-the-loop
2. 合规要求	金融监管严格 → 审计追踪必须	Agent 辅助决策，人工最终审批
3. Agent 类型	需要多步骤（收集资料→评估→定价→合规检查）	Task Agent + 人工审批节点
4. 数据 Grounding	信用数据 → 高准确性要求；法规数据 → 高时效性要求	ARTCA 严格审查
5. Model Router	简单查询用 SLM；信用评估用专业模型	需要 Model Router

推荐方案: Task Agent（L2 半自主）+ 关键决策节点必须人工审批 + 完整审计追踪

场景 3: 快速选择题

场景	答案	秒判理由
"需要评估 AI 数据是否最新"	Timeliness	ARTCA 中的 T
"Agent 回答包含过时的产品信息"	数据时效性 + 清洁度问题	过时数据未清理
"如何降低 AI API 调用成本"	Model Router	智能路由匹配合适模型
"组织如何系统性地引入 AI"	Cloud Adoption Framework	CAF AI 采用流程
"自定义 Agent 还是用 D365 自带的"	Build vs Buy vs Extend	先看现有产品能否满足
"AI 方案总共要花多少钱"	TCO 分析	包含初始+持续+隐性成本
"Agent 需要访问 SharePoint 文档"	Data Availability + MCP/Graph API	数据可用性 + 接口设计

⚡ 30 秒答题框架

遇到"需求分析"相关场景题时，按这四步走：

第一步：评估 Agent 适用性

关键词	判断
高频 + 重复 + 规则明确	适合自动化，优先考虑 Agent
低频 + 高度创意 + 模糊规则	不适合完全自动化
高风险决策	Agent 辅助 + 人工最终决策

第二步：审查数据质量

问题	对应维度
数据是对的吗？	Accuracy
数据和任务相关吗？	Relevance
数据是最新的吗？	Timeliness
数据干净吗？	Cleanliness
Agent 能访问到数据吗？	Availability

第三步：选择实现路径

条件	选择
微软产品原生支持	Buy
需要小量定制	Extend
独特需求 + 有技术能力	Build

第四步：验证 ROI

检查项	要点
TCO 是否完整？	初始 + 持续 + 隐性成本全算了吗？
收益是否可量化？	效率提升、成本节约、收入增长都算了吗？
回收周期合理吗？	AI 方案通常 6-18 个月回收

⚠️ 常见错误

1. 只关注技术，忽略业务价值

❌ 错误: "这个场景可以用最新的 GPT-4o 模型来解决"
✅ 正确: 先问"这个场景是否真的需要 AI"，再问"用哪个模型最合适"

秒判口诀：先问 Why（为什么需要 AI），再问 How（怎么实现）。

2. Grounding 数据只关注准确性

❌ 错误: "数据是对的就够了"
✅ 正确: 数据需要同时满足 ARTCA 五个维度——准确但过时的数据同样会导致问题

3. 所有任务都用最强的模型

❌ 错误: "全部用 GPT-4o 就不会出错"
✅ 正确: 使用 Model Router，简单任务用 SLM 降低成本，复杂任务才用大模型

4. 低估隐性成本

❌ 错误: TCO = 平台许可费 + Azure 计算费
✅ 正确: TCO 还包括人力培训、数据准备、变革管理、运维、安全合规等隐性成本

5. Build vs Buy 选择过于激进

❌ 错误: "我们团队技术很强，全部自己 Build"
✅ 正确: 优先 Buy/Extend，只在真正需要差异化的地方 Build

AB-100 考试倾向于"最低复杂度"原则——能用现成的就不要自己造。

6. 高风险场景赋予过高自主性

❌ 错误: 让 AI Agent 自主决定贷款审批
✅ 正确: 高风险决策必须有 human-in-the-loop

🧠 高频关键词速配

题干关键词	优先联想	常见干扰项
数据准确/过时/矛盾	Grounding 数据质量 (ARTCA)	模型选择问题
组织如何引入 AI	Cloud Adoption Framework	直接开始 Build
降低 AI 运营成本	Model Router + SLM	减少功能
投资回报 / 成本效益	ROI + TCO 分析	只看技术可行性
现有 D365 增强 AI	Buy 或 Extend	Build 全新方案
自定义行业模型	Build (Microsoft Foundry)	用通用模型
数据无法被 Agent 访问	Availability (可用性)	Accuracy
Agent 回答有幻觉	Grounding 数据不足	模型太小
多个 AI 系统共享数据	数据组织 + Dataverse + MCP	各自维护数据
平衡模型成本和质量	Model Router	只用一个模型
高风险 + 自动化决策	Human-in-the-loop	Autonomous Agent
Goal vs Objective vs Metric	CAF AI Strategy 三要素	混为一谈

✅ 复习检查清单

📚 参考资源

官方文档

资源	链接
AB-100 考试指南	Study Guide for AB-100
Cloud Adoption Framework - AI	AI adoption
CAF - AI 规划	Plan for AI adoption
CAF - AI 战略	Create your AI strategy
CAF - AI Agent 采用指南	AI Agent Adoption Guidance
Microsoft Foundry 文档	Microsoft Foundry
Foundry Agent Service	What is Foundry Agent Service?
Azure AI Search	Azure AI Search
Dataverse 文档	Microsoft Dataverse

学习路径

资源	说明
Microsoft Learn: AB-100	官方自学路径
Power Platform Well-Architected	Power Platform 架构指南
Responsible AI	负责任 AI 原则

📝 开始练习 (20 题)