#DevDays 2025 Day1

## Upgrade Your AI Opertating System

## 什麼是 Researcher
Microsoft 365 Copilot 中的 **Researcher（研究員 Agent）** 是一個智慧助理功能，
能協助使用者蒐集、分析並整理資訊，來源包含：
- 公開網路
- 組織內文件（Word、Excel、PowerPoint、Email、Teams、OneDrive 等）

它的目標是幫助你快速完成研究工作，並產生結構化報告，同時附上資訊來源。

---

## 核心功能與優點

| 功能 | 說明 |
|------|------|
| **多來源蒐集資訊** | 從公開網路與組織內部文件中擷取資訊 |
| **資訊分析與整理** | 自動分類、總結重點，產出可讀報告 |
| **顯示來源與透明度** | 每份報告附上引用來源，便於追蹤可信度 |
| **節省時間** | 減少手動搜尋、逐份文件閱讀與整理的時間 |
| **整合 M365 應用程式** | 直接在 Word、PowerPoint 等文件中嵌入整理結果 |

---

## 使用方式（流程）

1. 在 Microsoft 365 Copilot 中啟用 **Researcher**。
2. 輸入研究主題或問題，例如：
- 「AI 在教育的應用有哪些？」
- 「競品分析」
3. Researcher 可能會進一步詢問以釐清範圍。
4. 系統會從內部檔案 + 網路蒐集並分析資料。
5. 產生 **報告**，內容包含：
- 重點見解
- 引用來源
- 建議的後續行動
你可以直接將報告插入 Word 或簡報，繼續編輯使用。

---

## 注意事項與限制

- **需要授權**：部分功能須由公司/組織管理員啟用。
- **資訊品質差異**：網路資料可能不完全準確，需自行驗證。
- **數據精準性**：遇到非常量化或技術性問題時，專業資料庫仍較可靠。
- **語言與地區限制**：部分功能尚未在所有地區或語言全面開放。

介紹三種平台用的Agent(模式不同)
Researcher
Power App
Copilot Studio

用在安全與合規報告的應用

## The Everywhere Desktop

# Azure Virtual Desktop (AVD) 介紹

## 什麼是 Azure Virtual Desktop？
Azure Virtual Desktop（AVD，以前稱為 Windows Virtual Desktop, WVD）是 **微軟 Azure 提供的雲端桌面與應用程式虛擬化服務**。
它允許使用者透過任何裝置、任何地點安全地存取 Windows 桌面與應用程式。

---

## 核心功能

| 功能 | 說明 |
|------|------|
| **多使用者 Windows 10/11 體驗** | 支援多使用者同時登入同一個 Windows 10/11 session，降低成本。 |
| **完整的桌面虛擬化** | 可提供完整桌面環境，或只發佈單一應用程式。 |
| **整合 Microsoft 365 / Teams** | 針對 Teams 視訊會議、M365 應用程式進行最佳化。 |
| **彈性擴展** | 根據需求彈性調整 VM 數量與規格。 |
| **安全性與合規性** | 整合 Azure AD、多重驗證 (MFA)、條件式存取與 Intune 管理。 |
| **降低成本** | 採用雲端計費，並支援現有 Windows/M365 授權降低額外支出。 |

---

## 架構概覽

1. **Azure 資源層**
- VM（虛擬機器，運行 Windows 桌面或應用程式）
- 儲存體（用於使用者設定檔 / FSLogix）

2. **控制平面 (由 Microsoft 管理)**
- Broker：處理連線分派
- Gateway：安全通訊通道
- 診斷服務：監控與分析

3. **客戶端**
- 使用者透過 **Remote Desktop Client (Windows, Mac, iOS, Android, Web)** 存取

---

## 常見應用情境

- **遠端辦公 / 混合工作**
讓員工能隨時隨地安全存取公司桌面與系統。

- **應用程式虛擬化**
發佈單一企業應用（如 ERP、CAD 軟體）給外包或短期使用者，而不用配發完整電腦。

- **高安全性產業**
金融、醫療等需要數據留在雲端，不允許資料落地的場景。

- **教育 / 訓練**
學校或培訓機構提供臨時電腦桌面與應用給學生使用。

---

## 優勢

- **整合性**：原生支援 Windows、Microsoft 365、Teams。
- **彈性**：可隨需求快速建立 / 刪除 VM，適應使用者數量變化。
- **安全性**：零信任架構、集中管理。
- **成本效益**：只需為實際使用資源付費。

---

## 注意事項

- 需要 Azure 訂閱與相對應的 **Windows/Microsoft 365 授權**。
- **FSLogix** 是使用者設定檔的建議方案，確保登入快速、體驗一致。
- 性能依賴於 Azure VM 規格與網路延遲。

---

## Trustworthy Transformation on the

Human asistent
Human-led,agent operated

## Unlocking the AI Opportunity in Asia

## AI Foundry local

- 應用場景
終端機
API
SDK

Ollama vs Foundry Local
gguf ONNX

不同的model可以分別掛載CPU GPU

當 CLI使用,跑 turminal

客製化 Model
用Microsoft olive來做
可以轉換成cpu 的model之類的

當 API 來跑 application
用foundry service

也可以做Function calling

Semantic Kernal
做RAG

MCP Server

Foundry local in github colpilot
安裝 AI toolkit 可以掛到vscode上面用 foundry loacal的model

SLM 跟 LLM 混合使用


## 一、應用場景
- **終端機**（Edge / Local）：可在本地端或邊緣設備執行模型
- **API**：透過 REST / gRPC 提供服務
- **SDK**：開發者可在程式中直接呼叫模型

---

## 二、與其他框架的比較
- **Ollama vs Foundry Local**
- Ollama：偏向輕量本地模型管理與推理
- Foundry Local：整合 Azure 生態，可同時做本地測試、客製化與雲端部署，偏企業級

- **模型格式支援**
- `gguf`（多用於 LLaMA / 小模型社群分發格式）
- `ONNX`（微軟主推，跨框架、跨平台的標準格式，搭配 ONNX Runtime）

---

## 三、模型運行與部署
- **硬體支援**：不同模型可分別掛載在 **CPU / GPU**
- **操作方式**：可用 **CLI** 在 terminal 直接啟動 / 測試模型
- **API 化**：模型可以包裝成 **API service**，提供應用程式呼叫
- **Function Calling**：支援類似 OpenAI Function calling 的機制，模型能觸發外部函式/服務

---

## 四、模型客製化
- **客製化流程**：
- 使用 **Microsoft Olive** 工具進行最佳化 / 轉換
- 可將模型轉成 ONNX，並針對 CPU/GPU/Edge 最佳化
- 支援量化 (Quantization)、裁剪 (Pruning) 等效能調整

- **優點**：
- 降低推理延遲
- 減少模型大小，方便在本地或 Edge 運行
- 保持與 Azure AI Foundry 雲端生態一致，隨時可上雲

---

## 五、整體架構定位
- **Local / Edge**：適合隱私敏感、低延遲場景
- **Cloud (Azure AI Foundry)**：用於大模型訓練、微調與大規模推理
- **混合模式**：
- Local：即時推理
- Cloud：集中管理、微調與監控
- **整合性**：Foundry Local 與 Azure Arc、AKS、ONNX Runtime 結合，形成端到端的 AI 研發與部署方案

---

## 六、延伸應用
- **企業內部**：金融、醫療，要求資料不出境
- **製造業 / IoT**：工廠現場監控、即時品質檢測
- **開發者環境**：在筆電 / 開發機上先測試模型，再推送到 Azure

---

## 七、關鍵字速記
- **Foundry Local**：本地 AI 執行 / 測試 / 部署
- **Ollama**：社群本地推理工具
- **ONNX / ONNX Runtime**：跨平台通用推理格式與引擎
- **Microsoft Olive**：模型最佳化與轉換工具
- **Function Calling**：讓模型能執行外部函式 / API

## ERP AI轉型

Agentic ERP

## AI 商務流程優化

Agent簡單到進階
檢索 問答

重複性任務

完全自動化
觸發器
指令說明
計畫行動
結果生成

自主工作流程 由人工監督
收集
分類
擷取
驗證（人工）
整合

資料辨識透過生成式AI，不用透過大量圖片&指定位置訓練

## AI 驅動研發流程

Agentic DevOps
- Plan
透過Azure MCP(custon instruction)建立feature & backlogs

評估專案異動量 評估時間跟建立Task

- Code
coding agent可以在雲端上直接異動及建立PR

- Verify

掛上playwright MCP
在agent 直接跑UI測試

github copliot security
檢查關聯性
code sycnning
機敏資料掃描 卡控

- Operate
Metrics
SRE agent

---

#DevDays 2025 Day2

## Building AI Agents with Microsofct Tools
- Pro Code (Microsoft 365 Agents Toolkit & SDEK) can fully control and customize plugin in applications with MCP.

>MCP (模型上下文協議) 是一種開放協議，它規範了應用程式向大型語言模型 (LLM) 提供上下文的方式。它允許 AI 應用程式以一致的方式連接各種資料來源和工具，從而增強其功能和靈活性。 MCP 採用客戶端-伺服器架構：

- MCP 主機：發起連線的應用程序，例如 AI 助理或 IDE。
- MCP 用戶端：主機應用程式內部的連接器，與伺服器保持一對一連線。
- MCP 伺服器：透過標準化 MCP 提供上下文和功能的服務。
- Microsoft 365 Agents Toolkit (VS Code Extension)
- Copilot Studio