Como criar um Data Agent no Microsoft Fabric: passo a passo

Um Data Agent no Microsoft Fabric é um assistente de IA que responde a perguntas sobre os teus dados em linguagem natural, sem obrigar ninguém a escrever SQL. É uma das capacidades do Copilot no Fabric: em vez de abrir vários relatórios, alguém pergunta "Qual foi a faturação por região no último trimestre?" e recebe logo a resposta. É uma forma simples de dar autonomia a quem trabalha com dados mas não escreve consultas.

Pré-requisitos

• Uma área de trabalho (workspace) do Fabric numa capacidade com o Copilot ativado — F2 ou superior, ou uma avaliação do Fabric.
• Pelo menos uma fonte de dados com tabelas, por exemplo um Lakehouse ou um Warehouse já com dados carregados.
• Permissões para criar itens na área de trabalho e para ler as tabelas que vais usar.

Passo 1: Criar o Data Agent

Abre a tua área de trabalho no Fabric e escolhe + Novo item. Na lista de itens, procura por Data agent e seleciona-o. Dá-lhe um nome claro — por exemplo Agente-Vendas — porque é esse nome que vai identificar quem responde às perguntas. Ao confirmar, o Fabric abre a página do agente e mostra automaticamente o catálogo do OneLake, pronto para ligares dados.

Passo 2: Ligar as fontes de dados

No catálogo do OneLake, seleciona a fonte que queres usar — um Lakehouse, um Warehouse, um modelo semântico do Power BI ou uma base de dados KQL — e carrega em Adicionar. Cada fonte é adicionada individualmente e podes ligar até cinco fontes no total, em qualquer combinação. Se mais tarde precisares de acrescentar outra, usa o painel Explorer, à esquerda, e o botão + Fonte de dados.

Passo 3: Escolher as tabelas visíveis

Depois de ligada a fonte, o Explorer passa a listar as tabelas disponíveis. Usa as caixas de seleção para deixar visíveis apenas as tabelas relevantes para as perguntas que esperas receber. Menos tabelas, mas as certas, ajudam o agente a escolher os dados corretos e a responder com mais rigor. Deixa de fora tabelas técnicas ou auxiliares que não interessam ao negócio — reduzes o ruído e evitas respostas confusas.

Passo 4: Dar instruções e exemplos ao agente

Esta é a parte que faz a diferença. No painel de instruções, escreve em linguagem simples o contexto do negócio: o significado das colunas, os filtros que se aplicam sempre e o vocabulário que a equipa usa. Podes ainda juntar alguns exemplos de perguntas típicas. Uma boa instrução poderia dizer:

A faturação corresponde à coluna total_liquido da tabela Vendas. A região vem da coluna regiao da tabela Lojas. Considera apenas encomendas com estado igual a Concluída.

O agente combina o esquema das tabelas (nomes de tabelas e colunas) com estas notas para construir a consulta certa. Quanto mais claras as instruções, menos ambíguas ficam as respostas.

Passo 5: Testar as perguntas

No painel de conversa, à direita, escreve uma pergunta em linguagem natural e envia. O agente identifica a fonte mais relevante, converte a pergunta numa consulta (por exemplo, gera SQL para um Lakehouse ou Warehouse), executa-a e devolve uma resposta legível. Experimenta variações da mesma pergunta — com outras palavras — para confirmar que o resultado se mantém coerente.

Verificar o resultado

Para ter confiança no agente, faz uma pergunta cuja resposta já conheces e compara os números. Muitos agentes deixam-te ver a consulta gerada: abre-a e confirma que usa as tabelas e os filtros que definiste. No nosso exemplo, a consulta deveria parecer-se com isto:

SELECT r.regiao, SUM(v.total_liquido) AS faturacao
FROM Vendas AS v
JOIN Lojas AS r ON v.loja_id = r.id
WHERE v.estado = 'Concluída'
GROUP BY r.regiao;

Se a resposta estiver errada, volta ao Passo 4 e melhora as instruções ou os exemplos. Se faltar contexto, confirma no Passo 3 se a tabela certa está visível.

Conclusão

Em poucos passos, transformaste os teus dados num assistente que responde a perguntas em linguagem natural. O passo seguinte é publicar o agente e disponibilizá-lo à equipa — por exemplo, consumindo-o a partir do Copilot no Power BI — para que qualquer pessoa possa perguntar sem escrever uma linha de código. Que pergunta gostarias que a tua equipa pudesse fazer aos dados hoje mesmo?