Microsoft Teams Blog articles ... 笔记

Microsoft Teams Blog articles 中文

Microsoft Teams Blog on TechNet是一个专门为Microsoft Teams创建的平台,涵盖了包括即将推出的功能、产品改进和提高用户体验的最佳实践在内的多个主题。该博客包含了Microsoft产品团队成员、MVP和领域专家的文章。博客文章涵盖了Microsoft Teams的不同方面,如配置、部署、故障排除、用户反馈和共享知识。

笔记线程

Microsoft Marketplace 已推出 229 项针对云、AI 及业务需求的新解决方案。Accenture NewsPage 为分销商数字化“通往市场”价值链。Assurance Map 可视化组织漏洞并集成至 Microsoft Teams。Ataytis Motion 为 Power BI 报告添加动画图表以进行趋势可视化。Blekline Mark 和 Redact 为 Kubernetes 上的 AI 编码代理提供治理。Charm Security 的 AI 劳动力对抗以人为中心的欺诈。CSCloudSolutions FinOps 提供来自 Azure 账单的可操作见解。Digital Gov DMS 是面向公共部门的文档管理解决方案。Dimension Management Transact 简化 Dynamics 365 Business Central 中的维度管理。Dropbox Sign 将文档签名集成至 Dynamics 365 Business Central。Elsagility 简化客户账户的工作流管理。Humanly 自动化候选人互动以加快招聘。Kepion EPM 是原生于 Microsoft 的财务规划平台。Keytos Shield 提供基于云的无密码身份验证。Kyvoi 为 Microsoft 365 提供持续监控和安全评估。LFM2-24B-A2B-InsilicoMMAI-Chem 是一款药物发现大语言模型。QNSI 是用于加密资产管理的首量子安全平台。Routebase 是用于简化开发的 API 生命周期平台。Shift Handover Log 通过任务跟踪改进团队交接。Simmie 是一款用于真实模拟的 AI 销售就绪平台。SqlCertForge 安全地管理 SQL Server 证书。Symitri Prism 利用第一方数据为电子商务营销活动决策提供支持。Tenant Strike 是 Microsoft 365 和 Azure 的安全扫描器。LG CNS 在 Azure 上提供用于 AI 基础设施的私有 GPU 服务。ThePoint 提供 SharePoint Web 部件以快速创建内网。Titan SFTP Server on AKS 提供安全的文件传输。V-Track 集中管理银行的抵押品生命周期。VeriForm Health 生成合成医疗保健数据集用于 AI。VR Payment 将二维码支付集成至 Dynamics 365 Business Central。Your DMARC Exposed 简化 DMARC 报告分析。Zentrix Advanced Gantt 在 Power BI 中提供高级项目调度。
端点与 AI 战略正在融合,随着 AI 工作负载在具备能力的设备上日益分布式化。IT 领导者必须现在考虑设备决策如何影响未来的 AI 平台。企业 AI 一直聚焦于平台、模型和云服务,但 AI PC 将端点引入为关键的执行环境。不同的 AI 工作负载需要多样化的执行环境,敏感或低延迟关键任务从本地处理中受益。云模型仍适用于大规模或复杂推理任务。混合智能整合本地与云资源,使设备成为 AI 平台的活跃组成部分。代理(Agents)跨越时间运行并访问数据,进一步复杂化了架构决策。这一交叉点影响应用设计、安全性和成本,需要端点、安全和应用团队之间的协作。组织可以在标准化设备的同时,为高需求的 AI 工作负载提供专用配置。现有的基于云的 AI 解决方案可通过本地推理进行扩展,在设备与云之间分布处理。故障与降级策略对于端点和基于云的工作负载都至关重要,影响安全性、隐私和可靠性。代理型应用需要针对文件访问、工具使用及跨环境活动的控制。诸如 Microsoft Execution Containers 和 Microsoft Agent 365 等技术旨在作为企业的一部分管理代理活动。工作负载放置取决于响应时间、隐私、连接性和可用资源等因素。混合运行时可根据实时条件动态将任务路由到适当的本地或云资源。软件开发通过利用云模型解决复杂问题、利用本地模型处理针对性任务来体现这一点。本地执行需要兼容的模型、运行时、应用路径以及足够的系统容量。Windows ML 为在各种硬件资源上运行支持的模型提供了基础。纳入本地推理意味着硬件成为架构的组成部分,影响性能和成本。设备规划应考虑员工角色及潜在的专用本地基础设施。现场检查工作流和 Copilot 通过结合本地与云能力体现了混合智能。本地 AI 工作负载必须在整体设备活动的背景下进行评估。设备制造商正在设计硬件以支持不断演进的 AI 格局,考虑计算能力、内存和功耗。在代表性硬件上测试应用程序对于了解实际性能并做出明智的放置决策至关重要。本地推理的经济性涉及本地计算成本与云推理费用之间的权衡。
最近一次会话展示了如何通过结合 Query Store 和 SSMS Copilot 来调查 SQL 性能问题。演示中使用了 PHP 程序逐步向表中插入数据,导致性能变化及查询执行计划的改变。关键观察点是:在相同的 Plan ID 下,某查询的执行时间显著增加,表明该计划内部出现了性能退化。该会话展示了 Copilot 如何引导调查过程,从 Ask 模式演进至 Agent 模式,并说明这些流程可被封装为可复用的技能。Query Store 提供了历史性能数据,而 Copilot 则协助分析这些数据并决定后续步骤。实际演示使用 PHP 程序分阶段向表中添加记录,以模拟各种性能问题。随着数据量增长,dbo.GiveNotes 查询的执行计划与性能随之演变。详细对比显示,在尚未引入新计划之前,某一 Plan ID 的 CPU 使用率、持续时间和逻辑读取量已显著上升。调查重点在于构建变更时间线,并理解工作负载贡献者的聚合影响。加权平均值对于准确评估不同区间及执行次数下的性能至关重要。逻辑读取量的增加指向数据处理及访问路径问题。该会话探讨了三种与 Copilot 交互的方式:Ask 模式用于引导式提问,Agent 模式用于自主诊断,以及可复用的 Agent Skills 用于标准化调查。SQL Performance Investigator 包被开发出来,指导代理程序识别贡献者、分析计划历史、检测计划内的性能退化,并调查选择性、统计信息及索引。所提议的索引经过评估,但其实际改进效果仍需在与可比工作负载的对比中进一步验证。核心要点是:理解性能变化需要同时考察不同计划之间的差异,以及单个计划历史中的变化。
当 Azure SQL Database 出现性能问题时,仅检查 CPU 利用率是不够的。查询可能将大部分时间花费在等待上,而非执行,即使资源指标表现健康。关键问题在于耗时(elapsed time)具体花费在哪里,而不仅仅是 CPU 的使用量。资源利用率应是初步检查点,通过查询 sys.dm_db_resource_stats 可识别 CPU、数据 I/O、日志 I/O、内存或工作线程限制是否接近饱和。若资源未饱和,则需进一步分析等待统计信息。等待模式(如内存争用相关的 PAGELATCH_* 或阻塞相关的 LCK_M_)指明了需要深入调查的方向。PAGEIOLATCH_ 等待与物理 I/O 相关,而 PAGELATCH_* 等待涉及对已驻留内存页面的同步,可能由单个热点页的高并发引起。查询执行的频率同样显著影响性能,而不仅仅是单个查询的成本。Query Store 对于追踪查询执行历史至关重要,可随时间比较持续时间、CPU 使用量及等待行为。若查询耗时较长但 CPU 使用量较低,应调查 ASYNC_NETWORK_IO 等等待类型,这通常表明客户端应用程序未能及时消费结果。测量获取第一行时间与获取最后一行时间之间的差异,有助于区分数据库响应时间与结果消费时间。持续性阻塞(即会话等待其他事务)即使 CPU 较低,也可能导致感知上的缓慢。对数据库进行扩展可能通过改善整体资源可用性来掩盖根本原因,而非解决底层的性能瓶颈。实用的工作流程包括:定义事件窗口、检查资源、对比 CPU 与耗时、识别主导等待类型、检查阻塞、使用 Query Store、检查执行计划以及调查应用程序。归根结底,有效排查 Azure SQL 性能问题的关键在于理解时间具体花费在哪里,而不仅仅是数据库看似有多繁忙。
本文探讨了在 Microsoft Azure 上针对关键任务型 Oracle 数据库的高可用性(HA)架构,特别是利用 FlashGrid Cluster 实现跨可用区的 Oracle RAC。组织面临的选择包括:Oracle AI Database@Azure、自行管理的单实例部署,或 Oracle RAC。Oracle Data Guard 通过维护备用数据库来防范可用区故障。Oracle RAC 提供主动 - 主动(active-active)高可用性,在滚动维护期间实现零停机,并在意外故障期间将恢复时间目标(RTO)降至接近零,在关键任务型高可用性方面优于 Data Guard。Azure 建议跨可用区部署多虚拟机以实现 99.99% 的可用性服务等级协议(SLA)。本文提出两种 Oracle RAC 跨可用区(Multi-AZ)方案:两个带有 Data Guard 复制的 RAC 集群,或一个跨越两个或三个可用区的单一 RAC 集群。方案 A(两个带有 Data Guard 的 RAC 集群)会重复资源,增加成本并提升运营复杂性,同时引入 Data Guard 故障切换时间,从而影响可用性 SLA。方案 B(单一多可用区 RAC 集群)提供与本地 RAC 集群相同的高可用性能力,并额外具备防范可用区故障的保护。FlashGrid Cluster 通过自动化的 Azure Resource Manager 模板和经过预测试的组件,简化了这一复杂部署。部署仅需 30 至 90 分钟,比典型的本地 Oracle RAC 部署更快、更简单。Azure 可用区之间的网络延迟通常低于 1ms,对大多数工作负载影响不显著。对于对延迟敏感的 Cache Fusion 操作,可通过优选数据库实例来最小化跨节点流量。任一方案均无法提供完整的灾难恢复解决方案;针对区域中断,需要多区域灾难恢复策略,通常使用异步 Data Guard 或 Oracle GoldenGate。FlashGrid Cluster 自动化了 Azure 上多可用区 Oracle RAC 的基础设施,提供快速恢复、滚动维护支持以及防范可用区故障的能力,无需重复集群或依赖 Data Guard FSFO。FlashGrid Cluster 可在 Microsoft Marketplace 获取,自 2017 年起已投入生产部署。
本文探讨了 Jev 风格的类型化决策接口,旨在加速应用工作流,重点在于通过语义理解导向结构化行动。文章突出模型如何在订单处理等应用中实现快速且受约束的决策,并将其与传统规则(用于显式约束)及大模型(用于开放性问题)进行对比。核心概念是利用小语言模型(SLMs)处理频繁且局部的决策,使决策尽可能贴近执行动作。这种方法对垂直领域应用和具身系统尤为有益,因为在这些场景中,低延迟的任务级意图决策至关重要。该架构强调分工协作:大模型处理开放性问题,小模型处理受约束的语义决策,确定性代码处理约束条件。本文详细描述了使用 Qwen3.5-0.8B 微调通用决策组件的过程,采用 LoRA 微调并导出为 ONNX 格式。该工作流程为从数据到可部署决策能力的实现提供了具体路径,聚焦于学习受约束的选择而非生成长答案。预处理阶段将每个问题扩展为训练示例,确保决策类型(choice、noul 和 score)与特定输出格式对齐。Olive 工作流利用 Microsoft Olive 标准化微调设置,确保过程可复现。关键区别在于采用标准的全序列语言模型 SFT,而非 Hmm 项目中的候选字母混合方法。导出过程使用 ModelBuilder 将基础模型、适配器、分词器和配置打包为可部署的 ONNX 单元。在导出过程中应对版本边界和兼容性问题被强调为关键学习点,凸显了稳健版本管理的必要性。测试分为两个阶段:确保模型运行正常,并验证其决策可被应用使用。这包括从选项字母的 logits 中提取概率,将模型输出解释为 choice、noul 和 score 类型的分布,从而衡量其集中程度而非校准后的正确性。