Microsoft Fabric 推出 AI 函数，仅需三行代码即可在 Notebook 中调用大语言模型（默认 GPT-4o-mini），实现情感分析、文本分类等任务。该功能将 LLM 转化为原生 DataFrame 操作，无需外部 API 或复杂部署，支持最长 128k token 上下文。分析师可直接在 Lakehouse 内完成数据增强与转换，显著降低开发复杂度，加速从原型到生产的落地进程
返回
首页
在
新闻中心
显示
Microsoft Fabric
2026 年 4 月 10 日
上午 7:08
分享
Fabric AI 函数：三行代码实现大语言模型应用
作者：HubSite 365（基于 Guy in a Cube 内容）
数据 analytics | Microsoft Fabric | 学习资源
Microsoft Fabric 中的 AI 函数简化了 Fabric Notebook 中的大语言模型（LLM）工作流，为分析任务和 Power BI 提供智能支持。
核心要点
- Fabric AI 函数将大语言模型任务转化为简单的 DataFrame 操作，可直接在 Fabric Notebook 内的 pandas 或 Spark 环境中运行。 - 无需调用外部 API、部署复杂流程或维护杂乱的 Notebook 代码。 - 只需在 Notebook 或 SQL 分析端点中调用单个函数，即可对数据进行增强与转换。 - 该方法取代了自定义提示脚本、额外的错误处理逻辑以及 token 追踪代码。
核心功能包括：情感分析、文本分类、实体抽取、语法修正、摘要生成、响应生成、翻译、相似度检测以及嵌入向量生成。这些函数使分析师无需构建或管理机器学习基础设施，即可完成常见的文本处理任务。
Fabric 支持多种模型，团队可选择内置模型或引入自有模型；默认采用 GPT-4o-mini，以兼顾成本效益与性能表现。新增的输入限制支持超长上下文，最大可达 128,000 个 token，可一次性处理大型文档。
该工作流适用于多种实际分析场景，例如： - 使用 ai.embed 生成向量并丰富数据； - 自动汇总客服工单； - 检测用户情感倾向； - 对工单优先级进行分类； - 提取结构化字段； - 生成回复草稿。
所有步骤均在 Fabric Lakehouse 的 Notebook 内端到端完成，极大提升了落地实施的便捷性。
主要优势包括： - 更快获得结果； - 降低开发复杂度； - 为分析师和数据团队节省可观时间。
团队可在数分钟内扩展文本增强能力，而无需脱离现有数据管道，大幅缩短从原型到生产的时间周期。
概述：深入解析 Fabric AI 函数的实用价值
在最近一期 YouTube 视频中，Guy in a Cube 演示了 Microsoft Fabric 的 AI 函数如何简化通常需大量工程投入的常见文本与分析任务。他展示了这些内置能力如何让分析师仅需少量代码，即可在 Notebook 和 DataFrame 中直接运行大语言模型任务。视频旨在弥合实验性演示与实际运营分析之间的差距，聚焦于真实世界中的生产力提升。整体而言，该演示将这些函数定位为减少重复劳动、加速常规数据处理任务的实用工具。
Fabric AI 函数的功能与集成方式
Guy in a Cube 指出，AI 函数将 LLM 能力转化为原生的 DataFrame 操作，团队可直接从 pandas 或 Spark 中调用，而无需管理外部 API。因此，用户无需编写自定义提示管道、token 追踪辅助函数或脆弱的 Notebook 胶水代码。此外，这些函数既可在 Python 环境中运行，也可在 SQL 分析端点中使用，为不同技能背景的团队提供了高度灵活性。
来源：hubsite365.com