Дослідження та оцінка архітектури AI Agent Design Patterns у Microsoft Azure

Abstract

Об’єктом дослідження є агентні архітектури в екосистемі Microsoft Azure. Предметом дослідження виступають оркестраційні патерни AI-агентів та їх експлуатаційні метрики в задачах з використанням Retrieval-Augmented Generation та інструментальних дій. Мета роботи полягає у дослідженні та емпіричній оцінці п’яти архітектурних патернів агентних систем у Microsoft Azure на задачах доступу до внутрішнього корпусу знань та виконання простих дій у прикладному бізнес-сценарії. За результатами дослідження сформовано методику порівняння оркестраційних патернів AI-агентів в Azure AI Foundry, побудовано єдиний RAG-шар для всіх конфігурацій та проведено експерименти, що показали відмінності між single-agent, послідовним, паралельним і handoff-підходами за якістю відповідей, часом виконання та вартістю. Практичне значення роботи полягає у підготовці рекомендацій щодо вибору архітектурного патерна для сервісів підтримки клієнтів, у розробці еталонних налаштувань Azure AI Foundry, Azure AI Search та Azure OpenAI, а також у наданні прикладів реалізації, які можуть бути безпосередньо використані або адаптовані для побудови корпоративних мультиагентних систем.

The object of the research is agent architectures in the Microsoft Azure ecosystem. The subject of the research is orchestration patterns of AI agents and their operational metrics in tasks involving Retrieval-Augmented Generation and toolbased actions. The aim of the thesis is to investigate and empirically evaluate five architectural patterns of agent systems in Microsoft Azure on tasks of accessing an internal knowledge corpus and performing simple actions in an applied business scenario. The relevance of the topic of the master’s thesis is due to the emergence of the managed Azure AI Foundry Agent Service and the widespread adoption of LLMbased agents for working with corporate knowledge. Organisations require methodological guidance on selecting architectural patterns that ensure a balance between answer quality, latency, cost, and security requirements. As a result of the research, a methodology for comparing orchestration patterns of AI agents in Azure AI Foundry was developed, a unified RAG layer for all configurations was built, and experiments were conducted that demonstrated the differences between single-agent, sequential, parallel, and handoff approaches in terms of answer quality, execution time, and cost.