Microsoft Foundry Agent Service では、すべてのエージェントは、推論を提供するモデル、目標と動作を設定する命令、データやアクションへのアクセスを提供するツールという 3 つのコア コンポーネントの組み合わせとして定義されています。このシナリオは、カタログ モデル、システム命令、およびファイル検索ツールに正確に対応しています。

Azure AI Search のエージェント型検索は、大規模な言語モデルを使用して複雑なクエリを焦点を絞ったサブクエリに分解し、それらを並列実行し、各結果セットを意味的に再ランク付けし、会話履歴を考慮しながらそれらを統合して単一の応答にまとめます。これはまさに、シナリオで説明されている動作です。

正解は B です。応答を返す前にリフレクション パスを追加します。リフレクション パスは、アプリケーション オーケストレーションのステップで、生成されたサマリーを最終配信前にレビューします。通常は、モデルまたは評価ステップに、回答が取得されたポリシー証拠を網羅しているかどうかを確認し、重要な詳細が欠落している場合は応答を修正するように依頼します。これにより、応答を返す前にアプリケーション ロジックで応答の完全性に直接対処できます。Microsoft Learn の学習ガイドには、生成型 AI ソリューションの最適化と運用化において、モデル リフレクションを実装し、プロンプト エンジニアリング テクニックを適用して応答を改善することが明示的に含まれています。
これは、Microsoft Foundry のエージェントループに関するガイダンスとも一致しています。このガイダンスでは、本番環境のエージェントシステムにおける複数ステップの推論のパターンとして、リフレクションとプランニングのサイクルが挙げられています。完全性は応答品質の特性です。Azure AI の評価では、完全性とは、応答が正解データに関して必要なすべての関連情報を含んでいるかどうかを指します。
選択肢Cは正しくありません。シナリオでは既に、エージェントが取得したポリシー文書から要約を生成すると述べられており、これは既に確立された取得パターンです。選択肢Aは主にランダム性を低減するものであり、コンテンツの欠落を低減するものではありません。選択肢Dは配信体験を向上させるものであり、回答の完全性を向上させるものではありません。参考トピック：モデルリフレクション、プロンプトエンジニアリング、エージェントループ、応答評価、および確立された生成型AIソリューション。

正しい：
* ドキュメント用のプロンプトシールドを設定します。
文書保護のための迅速なシールド：非常に効果的（クリティカル防御）
効果：このシールドは、信頼できない第三者からのデータ入力（外部ドキュメントやアップロードされた画像から抽出されたテキストなど）を特にスキャンします。
メカニズム：抽出された画像テキストをLLMに送信する前に評価し、隠された牢獄を特定します。
* ユーザープロンプト用のプロンプトシールドを設定します。
ユーザープロンプトに対するプロンプトシールド：部分的に有効（多層防御）
効果：このシールドは、アップロード時にユーザーがテキストプロンプトフィールドに手動で入力した直接的な脱獄試行を標的にします。
仕組み：ユーザーが、画像内に含まれる隠された命令を実行するための準備となる補助命令を入力することを阻止します。
* 画像を処理する前に、安全でないコンテンツをブロックするように画像モデレーションを設定します。
厳格な画像モデレーションを実施することは、マルチモーダルAIシステムをこれらの脅威から保護する最も効果的な方法の一つです。モデレーションは、悪意のある入力が生成モデルに到達するのを防ぐ、必要不可欠なゲートキーパーとして機能します。
正しくない：
* 保護対象素材の検出を設定します。
保護対象物検出：この脅威に対しては効果なし
なぜ役に立たないのか：この機能は、モデルの出力をスキャンして、著作権で保護されたテキスト、独自のソースコード、またはライセンスされた画像が生成されないように設計されているからです。
制限事項：入力データから敵対的な指示をスキャンする機能はなく、ユーザーがモデルのロジックを操作することを防ぐ機能もありません。
参照：
https://www.upgrad.com/blog/what-is-multimodal-ai/
https://learn.microsoft.com/en-us/azure/ai-services/content-safety/concepts/jailbreak-detection