新版 Copilot Studio 的改动，对做企业 AI 平台的工程师来说比普通用户感知更直接。三个点值得写：模型可以在 agent 级别自由选择、workflow 把编排和人工审核拉到同一个编辑器、以及计费从"按 session"转成"按用量"之后，部署方式需要跟着改。
一、三种构建形态，一个环境
新版 Copilot Studio 首页提供三个入口：
Agent ------ 负责理解问题、分析信息并完成任务。配置项由 Instructions、Knowledge、Tools、以及技能 / 连接的 agent / 记忆构成，全部可以通过界面配置，不需要写代码。
Workflow ------ 可视化流程编排。左侧可用节点包括 agent、分类、提取、Copilot、人工审核、连接器、函数、变量、If/Else 分支、循环。触发类型支持手动、计划任务，以及符合条件的事件触发。
Apps（预览版）------ 通过自然语言描述需求生成初始版本，在预览界面验证与修改。
一个真实的组合场景：客户端咨询邮件到达 → workflow 触发 → agent 识别咨询产品与具体问题 → 提取节点抽取客户名称、联系方式、需求 → 知识检索生成回复草稿 → 人工审核节点挂起等待确认 → 通过后由连接器节点发出回复或通知。
这里的关键变化是把 agent 能力、流程控制、外部连接器和 human-in-the-loop 审核放进了同一个构建环境，不再需要分别配置多个自动化组件。
二、模型选择：从"平台默认"到"按任务分派"
agent 的 model 选择器中，GPT 与 Claude 两个系列同时可见：GPT 6 Astra、GPT 6.1 Sol、GPT 6 Sol、GPT 6 Luna、GPT 5.6 Terra、Claude Opus 5.5、Claude Sonnet 5.5、Claude Haiku 5.5，界面按复杂任务、通用智能、高效率日常任务分类。
据微软官方说明，Anthropic 的 Claude 已进入 Word、Excel、PowerPoint、Copilot Chat 与 Copilot Studio 的模型选择器，部分租户需要管理员开启 external models 访问开关。不同租户、环境与发布阶段可用的模型存在差异，以实际界面为准。
实操建议：
复杂分析、多步骤推理的 agent，优先用能力更强的模型做评估；知识问答、常规信息处理类 agent，优先用效率更高的模型控制消耗。
主 agent 的模型与 prompt builder 里选的模型是两件事。prompt 只是抽取字段或做分类时，不必和编排层用同一个模型。
跨模型会引入多套数据保留策略、安全认证和地区合规要求，启用前建议先把规则对齐。
三、计费：GitHub Copilot harness 下的用量计费
据微软官方计费文档（Overview of usage-based billing），由 GitHub Copilot harness 驱动的 agent、workflow、app 采用按用量计费，以 Copilot Credits 计量。
几个容易踩的点：
计费从构建期开始。这一点和标准 harness 不同------GitHub Copilot harness 从你开始搭建的那一刻就计费。用自然语言创建方案、预览测试 agent、生成 agent evaluation，都会消耗 credits。
credits 覆盖的是整条链路：LLM tokens、tools（含 knowledge 与 MCP），以及 harness 本身的开销。
计费档位与消耗速率相关。据微软官方许可文档，按需计费下 1 Copilot Credit 约合 0.01 美元；AI Builder 许可页列出的计费率中，basic 模型的 text/generative AI 工具为 0.1 credit/1K tokens，standard 为 1.5，premium 为 10。具体费率以你的租户设置与当前微软政策为准。
preview 状态的 Copilot Studio 功能同样计入消耗，并占用已购额度。
额度管理在 Power Platform 管理中心（PPAC）：Licensing > Copilot Studio 下可以按环境分配额度、选择超额来源（Draw from tenant pool 或 pay-as-you-go 计划）、查看本月已计费 credits，并对单个 agent 设置月度上限与硬停。
关于上限的一个工程细节：agent 的月度上限不会连带拦住它调用的 agent flows。agent flow 是单独计费、单独校验容量的，只有当环境内完全没有可用 credits 时，新的 flow run 才会被阻止。设置阈值时留出余量，因为达到上限后 agent 还可能继续响应一段时间。
标准 harness 与 Copilot Chat harness 下的 agent 不受上述 GitHub Copilot harness 计费调整影响。
四、调用层：走标准接口，参数以官方文档为准
如果需要在外部系统里触发智能体，建议直接用标准接口，以微软官方文档的当前定义为准。下面是调用结构示意，参数一律使用占位符，不建议直接复制到生产环境：
plaintext
curl -X POST "https://<resource>" \
-H "api-version: <api-version>" \
-H "Authorization: Bearer <token>" \
-H "Content-Type: application/json" \
-d '<request-body>'请注意：<resource>、<api-version>、<token> 与 <request-body> 均为占位符，实际值、请求体结构与接口版本需以 Microsoft Learn 上 Copilot Studio 当前文档为准，不同 API 版本行为可能不同，示例不代表可直接运行的代码。
五、落地建议
先在测试环境（dev/test environment）验证功能与消耗曲线，确认输出质量后再决定生产环境的开放范围。
在 PPAC 里给每个 agent 配月度上限并配置接近阈值的通知，必要时启用硬停。
把"创建即计费"这一点写进团队的日常使用规范------调试和反复重建 agent 都会产生真实成本。
六、小结
新版 Copilot Studio 的方向已经明确：让 AI 按预先设计的业务要求持续参与任务处理，而不是只做一次性问答。对工程侧来说随之而来的成本模型也变了------从"看 session 配额"变成"看 credits 消耗曲线"，这两件事的运维思路并不一样。
（本文不涉及具体商品报价与采购流程，仅讨论产品能力与计费机制的技术侧。文中模型列表、计费规则与 preview 状态均据微软官方文档整理，不同租户、环境与发布阶段可能存在差异，以实际界面与租户设置为准。