Fabric Data Agents: Mit deinen OneLake-Daten chatten
Ich erkläre, was Fabric Data Agents sind und wie du einen erstellst. Damit können Kollegen Fragen in natürlicher Sprache zu OneLake-Daten stellen und…
Jedes Unternehmen hat die gleiche Lücke: Die Daten liegen in Lakehouses und semantischen Modellen, und die Leute mit Fragen können weder SQL noch DAX schreiben. In diesem Blogbeitrag erkläre ich, was ein Fabric Data Agent ist und wie man einen baut. Ein Fabric Data Agent ist das Konversationsanalyseelement von Microsoft Fabric – Ihre Kollegen stellen Fragen in einfachem Englisch, und der Agent generiert und führt die Abfragen für Ihre verwalteten Daten in OneLake aus.
Was ist ein Fabric Data Agent?
Ein Fabric Data Agent ist ein allgemein verfügbares Fabric-Element, der Ihre Daten in ein Konversations-Frage-und-Antwort-System verwandelt. Sie konfigurieren es einmal – Datenquellen, relevante Tabellen, Anweisungen, Beispielabfragen – und veröffentlichen und teilen es dann, ähnlich wie Sie einen Power BI-Bericht teilen würden. Unter der Haube nutzt es große Sprachmodelle, um eine Frage in eine echte Abfrage zu übersetzen, sie schreibgeschützt auszuführen und eine für Menschen lesbare Antwort zurückzugeben.
Das Wichtigste für mich: Es handelt sich nicht um einen Chatbot neben Ihren Daten, sondern er arbeitet mit Ihren verwalteten Daten. Der Agent wird mit den Berechtigungen des anfragenden Benutzers ausgeführt, respektiert Microsoft Purview-Richtlinien wie DLP und Vertraulichkeitsbezeichnungen und erzwingt strikt den schreibgeschützten Zugriff. Es kann Abfragen im SELECT-Stil generieren, jedoch niemals etwas, das Daten erstellt, aktualisiert oder löscht.
Was brauche ich, bevor ich anfange?
Die Voraussetzungen sind kurz, aber wichtig:
- Eine kostenpflichtige Fabric-Kapazität von F2 oder höher (oder eine P1+ Premium-Kapazität mit aktiviertem Fabric).
- Die Mandanteneinstellungen für Copilot und die geografisch übergreifende KI-Verarbeitung, die vom Ihr Fabric-Administrator aktiviert wurden.
- Mindestens eine Datenquelle mit Daten, auf die Sie Lesezugriff haben: ein Lakehouse, ein Warehouse, ein Power BI-Semantikmodell, eine KQL-Datenbank, eine gespiegelte Datenbank oder eine Ontologie.
Wie funktioniert der Fabric Data Agent?
Der Ablauf hinter jeder Frage besteht aus fünf Schritten. Der Agent analysiert und validiert die Frage, wählt die relevanteste Datenquelle aus und ruft dann eine Abfrage Tool für genau diesen Quelltyp auf:
- NL2SQL für Seehäuser und Lagerhäuser
- NL2DAX für semantische Modelle Power BI
- NL2KQL für KQL-Datenbanken (einschließlich Eventhouse, für Live- und historische Zeitreihendaten)
- Microsoft Graph-Abfragen für Organisationsdaten
Die generierte Abfrage wird validiert, mit den Anmeldeinformationen des Benutzers ausgeführt und das Ergebnis wird als lesbare Antwort zurückgegeben – eine Tabelle, eine Zusammenfassung oder Schlüsselzahlen. Niemand muss selbst SQL, DAX oder KQL schreiben.
Hinweis: Da der Agent immer die Berechtigungen des fragenden Benutzers verwendet, können zwei Kollegen dieselbe Frage stellen und unterschiedliche Antworten erhalten. Das ist kein Fehler – die Sicherheit auf Zeilenebene erfüllt ihren Zweck.
Wie kann ich eines erstellen?
Das Erstellen eines Fabric Data Agent ähnelt dem Erstellen eines Berichts: entwerfen, verfeinern, veröffentlichen.
- Erstellen Sie in Ihrem Fabric-Arbeitsbereich ein neues Datenagent-Element.
- Datenquellen hinzufügen. Ein Agent unterstützt bis zu fünf Datenquellen in beliebiger Kombination – zum Beispiel zwei semantische Modelle, ein Lakehouse, eine KQL-Datenbank und Microsoft Graph.
- Wählen Sie die relevanten Tabellen pro Quelle aus. Hier ist weniger mehr: Der Agent wird genauer, wenn er nur die Tabellen sieht, die für die erwarteten Fragen von Bedeutung sind. Bei Lakehouses funktionieren nur Tabellen – rohe CSV- oder JSON-Dateien müssen zuerst in Tabellen aufgenommen werden.
- Anweisungen für den Datenagenten schreiben. Dies ist Ihre Routing-Logik im Klartext: „Fragen zu Finanzkennzahlen gehen an das semantische Finanzmodell, Rohdatenexploration geht an das Lakehouse, Protokollanalyse geht an die KQL-Datenbank.“ Sie können hier auch die Terminologie Ihrer Organisation definieren.
- Fügen Sie Beispielabfragen hinzu. Bis zu 100 Frage-Abfrage-Paare pro Datenquelle zeigen dem Agenten, wie Ihre typischen Fragen korrekten Abfragen entsprechen. (Dies wird für semantische Modellquellen noch nicht unterstützt.)
- Testen Sie den Agenten im integrierten Chat und veröffentlichen und teilen Sie ihn.
Hinweis: Behandeln Sie die Anweisungen und Beispielabfragen wie Code. Fabric Data Agents unterstützt Git Integrations- und Bereitstellungspipelines, sodass Sie die Konfiguration versionieren und von einem Testarbeitsbereich in die Produktion hochstufen können.
Wo können meine Kollegen es nutzen?
Hier wird es interessant. Der veröffentlichte Fabric Data Agent ist nicht an das Fabric-Portal gebunden – er ist ein Baustein für das gesamte Agenten-Ökosystem:
- Microsoft 365 Copilot: Erkenntnisse aus Ihren OneLake-Daten direkt in den Apps, in denen Menschen arbeiten.
- Copilot Studio und Microsoft Foundry: Verwenden Sie den Datenagenten als Wissensquelle oder als Subagent in einer größeren Multiagentenlösung – zum Beispiel hinter einem Foundry-Agenten, den Sie selbst gebaut haben.
- Microsoft Teams: Stellen Sie es als Chat-Erlebnis für ein Team bereit.
Im Großen und Ganzen ist dies genau die Fabric IQ-Schicht von Microsofts Agentenstapel aus Build 2026: Der Datenagent verankert jeden Agenten in Ihren Geschäftsdaten, einschließlich Governance.
Was sind die Grenzen?
Ein paar Dinge, die ich wissen möchte, bevor ich das einführe:
| Einschränkung | Was es in der Praxis bedeutet |
|---|---|
| Schreibgeschützt | Keine Schreibvorgänge, keine auslösenden Jobs oder Notizbücher – nur Fragen |
| 25 Zeilen / 25 Spalten pro Antwort | Entwickelt für Erkenntnisse, nicht für den Export von Datensätzen |
| Nur Englisch | Fragen, Anweisungen und Beispiele sollten auf Englisch sein |
| Keine unstrukturierten Daten | PDF-, DOCX- und TXT-Dateien liegen außerhalb des Gültigkeitsbereichs |
| Gleiche Region erforderlich | Datenquellenkapazität und Agentenkapazität müssen in derselben Region liegen |
| Festes Modell | Sie können das LLM hinter dem Agenten |
Die Obergrenze von 25 Zeilen überrascht viele Benutzer: Wenn jemand fragt „Zeige mir alle Bestellungen aus diesem Jahr“, erhält er maximal 25 Zeilen, und Folgefragen bauen auf diesem begrenzten Kontext auf. Für echte Exporte bleibt Power BI oder ein Notebook das richtige Tool.
Alle Details finden Sie in der offiziellen Fabric Data Agent-Dokumentation.
Meine Gedanken
Ich mag Fabric Data Agents, weil sie das Demo-Problem der meisten „Chat mit Ihren Daten“ lösen. Tools: Governance. Berechtigungen, Purview-Richtlinien, schreibgeschützte Durchsetzung und ALM sind integriert, sodass ich den Agenten ohne Schlafverlust an eine Abteilung übergeben kann. Meine Empfehlung: Beginnen Sie mit einem semantischen Modell, zehn guten Beispielabfragen und klaren Anweisungen – und erweitern Sie dann auf weitere Quellen, sobald die Antworten zuverlässig richtig sind.
Ich hoffe, das ist eine kleine Hilfe.
Bleibt gesund, Grüße Jannik