> ## Content Index
> Fetch the complete content index at: https://www.azurebrasil.cloud/llms.txt
> Use this file to discover other available public pages before exploring further.

# Foundry IQ: a camada de conhecimento dos agentes no Microsoft Foundry - Parte 1
- URL: https://www.azurebrasil.cloud/blog/foundry-iq-a-camada-de-conhecimento-dos-agentes-no-microsoft-foundry-parte-1/
- Published: 2026-01-08T12:49:51.000Z
- Updated: 2026-01-09T11:41:18.000Z
- Author: Talles Valiatti
- Tags: Foundry IQ

À medida que as organizações aceleram o uso de agentes de IA para automatizar processos, atender usuários e responder perguntas complexas, um padrão se repete: cada time monta sua própria solução de [RAG](http://learn.microsoft.com/en-us/azure/ai-foundry/concepts/retrieval-augmented-generation?view=foundry-classic&wt.mc%5Fid=MVP%5F407589&ref=azurebrasil.cloud), com pipelines paralelos, índices isolados e lógica de recuperação duplicada. No começo funciona, mas rapidamente vira um quebra-cabeça de governança, com manutenção repetida, políticas de acesso inconsistentes, qualidade variável nas respostas e pouca rastreabilidade sobre qual conhecimento foi usado e de onde ele veio. É nesse ponto que o [Foundry IQ](https://learn.microsoft.com/en-us/azure/ai-foundry/agents/how-to/tools/knowledge-retrieval?view=foundry&tabs=foundry%2Cpython&wt.mc%5Fid=MVP%5F407589&ref=azurebrasil.cloud) entra como peça central, trazendo uma camada unificada que padroniza o acesso ao conhecimento corporativo e o disponibiliza para agentes e aplicações por meio de um único endpoint.

A proposta é simples e poderosa: em vez de cada projeto implementar do zero extração, chunking, embeddings, indexação, [consultas híbridas](https://tallesvaliatti.com/integrando-o-azure-ai-search-service-com-net-parte-2-e18f60a1384f?ref=azurebrasil.cloud) e [reranking](https://learn.microsoft.com/en-us/azure/search/semantic-search-overview?wt.mc%5Fid=MVP%5F407589&ref=azurebrasil.cloud), você cria [*knowledge bases*](https://learn.microsoft.com/en-us/azure/search/agentic-retrieval-how-to-create-knowledge-base?tabs=rbac&pivots=csharp&wt.mc%5Fid=MVP%5F407589&ref=azurebrasil.cloud) reutilizáveis, com governança e segurança aplicadas de forma consistente. Aqui vale uma distinção importante: a [*knowledge base*](https://learn.microsoft.com/en-us/azure/search/agentic-retrieval-how-to-create-knowledge-base?tabs=rbac&pivots=csharp&wt.mc%5Fid=MVP%5F407589&ref=azurebrasil.cloud)define como a recuperação deve acontecer, com estratégia, regras, formato e critérios, enquanto as [*knowledge sources*](https://learn.microsoft.com/en-us/azure/search/agentic-knowledge-source-overview?wt.mc%5Fid=MVP%5F407589&ref=azurebrasil.cloud) definem o que será consultado e de onde os dados vêm, representando índices e conectores para outros recursos da Azure. Na prática, isso permite escalar agentes sem ficar refém de múltiplas variações de RAG, porque o agente passa a consumir uma base padronizada e o conhecimento passa a ser oferecido como um serviço compartilhado.

Por baixo dos panos, o Foundry IQ se apoia no [Azure AI Search](https://tallesvaliatti.com/integrando-o-azure-ai-search-service-com-net-parte-1-aa22d668a79d?ref=azurebrasil.cloud) como motor de indexação e recuperação, aproveitando ingestão, indexação, busca híbrida, capacidades semânticas e *reranking* para aumentar relevância. O que muda é que o Foundry IQ organiza esse motor no contexto corporativo: facilita a ingestão de múltiplas fontes, centraliza configurações e aplica governança e controle de acesso de maneira uniforme, sem exigir que cada aplicação reconstrua tudo manualmente.

O diferencial que vai além de um RAG tradicional bem implementado é o [*agentic retrieval*](https://tallesvaliatti.com/integrando-o-azure-ai-search-service-com-net-parte-3-da7ad1c97cdb?ref=azurebrasil.cloud). Em vez de uma consulta única que retorna trechos, a recuperação vira um processo orientado a objetivo. A *knowledge base* pode decompor a pergunta em sub consultas, buscar em paralelo em diferentes *sources*, refinar o que encontrou e só então consolidar um contexto mais confiável, idealmente com referências. Isso é especialmente útil quando a resposta depende de informações distribuídas, como combinar uma política, um procedimento e uma tabela de SLA, e quando você quer ajustar o equilíbrio entre velocidade e profundidade.

Por fim, o Foundry IQ se destaca pela flexibilidade das origens de dados. Você pode compor *knowledge sources* a partir de [Microsoft 365 e SharePoint, OneLake e Blob Storage, Fabric e Power BI, APIs internas e até web pública](https://techcommunity.microsoft.com/blog/azure-ai-foundry-blog/foundry-iq-unlocking-ubiquitous-knowledge-for-agents/4470812?wt.mc%5Fid=MVP%5F407589&ref=azurebrasil.cloud) quando fizer sentido. O benefício é reduzir acoplamento: o agente faz a pergunta, a knowledge base decide como buscar, as *knowledge sources* determinam onde buscar e o Foundry IQ entrega um contexto consistente e governável, sem o desenvolvedor criar lógica específica para cada combinação de fontes.

A partir daqui, nesta Parte 1, vamos implementar um cenário prático para a empresa fictícia **Contoso Software**: criar uma base de conhecimento que consome documentos de um [Blob Storage](https://learn.microsoft.com/en-us/azure/storage/blobs/storage-blobs-introduction?wt.mc%5Fid=MVP%5F407589&ref=azurebrasil.cloud) via Azure AI Search, para que um *knowledge agent* responda perguntas sobre classificação de severidade e tempos de resposta (SLA) usando [*agentic retrieval*](https://learn.microsoft.com/en-us/azure/search/agentic-retrieval-overview?tabs=quickstarts&wt.mc%5Fid=MVP%5F407589&ref=azurebrasil.cloud).

Para montar esse laboratório, vamos criar alguns recursos na nuvem, todos na região **Central US**, mantendo tudo organizado no mesmo resource group. Precisaremos de:

- **Resource Group**: `rg-foundry-ai-iq`
- [**Microsoft Foundry**](https://learn.microsoft.com/en-us/azure/ai-foundry/quickstarts/get-started-code?view=foundry-classic&tabs=python&wt.mc%5Fid=MVP%5F407589&ref=azurebrasil.cloud)
- [**Storage Account**](https://learn.microsoft.com/en-us/azure/storage/blobs/storage-blobs-introduction?wt.mc%5Fid=MVP%5F407589&ref=azurebrasil.cloud)
- [**Azure AI Search**](https://tallesvaliatti.com/integrando-o-azure-ai-search-service-com-net-parte-1-aa22d668a79d?ref=azurebrasil.cloud)

Aqui podemos ver os recursos de nuvem criados dentro do resource group chamado **rg-foundry-ai-iq**.

![](https://storage.ghost.io/c/00/52/0052dced-0017-4d07-b190-1f5c48e0ab59/content/images/2026/01/Screenshot-2026-01-07-at-22.45.24.png)

Com o Microsoft Foundry criado, o próximo passo é fazer o *deploy* de um modelo **gpt-4.1-mini**, que será usado no fluxo do nosso [*knowledge agent*](https://tallesvaliatti.com/integrando-o-azure-ai-search-service-com-net-parte-3-da7ad1c97cdb?ref=azurebrasil.cloud). Para isso, vamos acessar [**https://ai.azure.com**](https://ai.azure.com/?ref=azurebrasil.cloud), selecionar o projeto, clicar em **Build** e depois em **Models**. 

![](https://storage.ghost.io/c/00/52/0052dced-0017-4d07-b190-1f5c48e0ab59/content/images/2026/01/Screenshot-2026-01-07-at-23.07.23.png)

Em seguida, na listagem de modelos, vamos pesquisar por **4.1-mini** e seguir o fluxo para realizar o *deploy* do modelo.

![](https://storage.ghost.io/c/00/52/0052dced-0017-4d07-b190-1f5c48e0ab59/content/images/2026/01/Screenshot-2026-01-07-at-23.08.32.png)

Agora vamos preparar os dados. Indo para o **Storage Account**, vamos criar um *container* chamado **sla-files** e fazer o upload dos arquivos disponíveis no repositório oficial desta série de artigos:   
[https://github.com/TallesValiatti/FoundryIqOverview/tree/main/files](https://github.com/TallesValiatti/FoundryIqOverview/tree/main/files?ref=azurebrasil.cloud)

A ideia é que esses documentos sirvam como nossa base inicial de conhecimento, permitindo perguntas de suporte/operacional (como classificação de severidade e prazos de resposta). 

![](https://storage.ghost.io/c/00/52/0052dced-0017-4d07-b190-1f5c48e0ab59/content/images/2026/01/Screenshot-2026-01-07-at-22.48.00.png)

![](https://storage.ghost.io/c/00/52/0052dced-0017-4d07-b190-1f5c48e0ab59/content/images/2026/01/Screenshot-2026-01-07-at-22.48.36.png)

![](https://storage.ghost.io/c/00/52/0052dced-0017-4d07-b190-1f5c48e0ab59/content/images/2026/01/Screenshot-2026-01-07-at-23.10.15.png)

Com o modelo **gpt-4.1-mini** criado e os arquivos já no Blob Storage, podemos partir para o **Azure AI Search**. Dentro do recurso de AI Search criado, vamos configurar uma **fonte de dados (*Knowledge source*)** apontando para o Blob Storage.

![](https://storage.ghost.io/c/00/52/0052dced-0017-4d07-b190-1f5c48e0ab59/content/images/2026/01/Screenshot-2026-01-07-at-22.50.38.png)

![](https://storage.ghost.io/c/00/52/0052dced-0017-4d07-b190-1f5c48e0ab59/content/images/2026/01/Screenshot-2026-01-07-at-22.50.45.png)

Vamos selecionar o Blob Storage como origem e, no passo de configuração, informar o container **sla-files** recém-criado.

![](https://storage.ghost.io/c/00/52/0052dced-0017-4d07-b190-1f5c48e0ab59/content/images/2026/01/Screenshot-2026-01-07-at-22.52.02.png)

A partir desse ponto, o conteúdo passa a ser [**indexado**](https://learn.microsoft.com/pt-br/azure/search/search-what-is-an-index?wt.mc%5Fid=MVP%5F407589&ref=azurebrasil.cloud): o serviço realiza o processamento dos documentos e cria um **índice** no Azure AI Search, que é o que permitirá consultas rápidas e relevantes depois. Um detalhe importante aqui é que a indexação pode ser configurada com uma frequência de atualização, definindo de quanto em quanto tempo o conteúdo do Blob Storage será [indexado](https://learn.microsoft.com/pt-br/azure/search/search-what-is-an-index?wt.mc%5Fid=MVP%5F407589&ref=azurebrasil.cloud) novamente. Isso é essencial em cenários reais, onde arquivos mudam e o agente precisa responder com informação atual.

![](https://storage.ghost.io/c/00/52/0052dced-0017-4d07-b190-1f5c48e0ab59/content/images/2026/01/Screenshot-2026-01-07-at-22.58.44.png)

Com a fonte de dados pronta, o próximo passo é criar a **Knowledge Base** dentro do AI Search. Pense nela como a “embalagem” do conhecimento que será consumido por agentes: ela conecta fontes, índice e estratégia de recuperação para oferecer uma experiência de perguntas e respostas com contexto, além de suportar capacidades como *reranking* e agentic *retrieval*.

![](https://storage.ghost.io/c/00/52/0052dced-0017-4d07-b190-1f5c48e0ab59/content/images/2026/01/Screenshot-2026-01-07-at-22.59.38.png)

![](https://storage.ghost.io/c/00/52/0052dced-0017-4d07-b190-1f5c48e0ab59/content/images/2026/01/Screenshot-2026-01-07-at-22.57.06.png)

Durante a criação da Knowledge Base, precisamos selecionar qual modelo de **chat completions** do Microsoft Foundry será utilizado. Aqui, vamos selecionar o **gpt-4.1-mini** que fizemos deploy anteriormente.

![](https://storage.ghost.io/c/00/52/0052dced-0017-4d07-b190-1f5c48e0ab59/content/images/2026/01/Screenshot-2026-01-07-at-22.56.21.png)

Com a Knowledge Base criada, já podemos testar o fluxo diretamente na portal web da Azure, fazendo perguntas ao *knowledge agent* (que vai utilizar **agentic retrieval** para buscar nas fontes e montar a resposta). Vamos perguntar: **“tell me about te incident severity classification and their response time”**

![](https://storage.ghost.io/c/00/52/0052dced-0017-4d07-b190-1f5c48e0ab59/content/images/2026/01/Screenshot-2026-01-07-at-23.04.12.png)

A resposta retornada foi ancorada nos documentos originais enviados ao Blob Storage, e a interface também permite ver as referências/citações do conteúdo utilizado.

![](https://storage.ghost.io/c/00/52/0052dced-0017-4d07-b190-1f5c48e0ab59/content/images/2026/01/Screenshot-2026-01-07-at-23.02.07.png)

![](https://storage.ghost.io/c/00/52/0052dced-0017-4d07-b190-1f5c48e0ab59/content/images/2026/01/Screenshot-2026-01-07-at-23.03.28.png)

Se clicarmos em **Debug**, conseguimos enxergar as [**subqueries**](https://learn.microsoft.com/en-us/azure/search/agentic-retrieval-overview?tabs=quickstarts&ref=azurebrasil.cloud#architecture-and-workflow&wt.mc%5Fid=MVP%5F407589) que foram geradas e executadas em paralelo: em vez de uma busca única, o ***knowledge base*** “quebra” a pergunta em intenções menores (por exemplo, uma parte para classificação de severidade e outra para tempos de resposta), recupera evidências de pontos diferentes do conteúdo e então aplica **reranking** para priorizar o que faz mais sentido no contexto da pergunta. Esse fluxo de recuperação iterativa é o que torna o *agentic retrieval* tão útil em perguntas que dependem de mais de um documento ou de mais de um trecho relevante.

![](https://storage.ghost.io/c/00/52/0052dced-0017-4d07-b190-1f5c48e0ab59/content/images/2026/01/Screenshot-2026-01-07-at-23.28.19.png)

![](https://storage.ghost.io/c/00/52/0052dced-0017-4d07-b190-1f5c48e0ab59/content/images/2026/01/Screenshot-2026-01-07-at-23.27.19.png)

Para consolidar os conceitos, encare o **Foundry IQ** como a “camada de conhecimento” do **Microsoft Foundry**: nele, você define uma **knowledge base**, que descreve **como** a recuperação deve acontecer (estratégia, regras, formato e qualidade do retorno), e conecta uma ou mais **knowledge sources**, que descrevem **o que** será consultado. Quando o agente precisa de contexto, ele chama essa knowledge base, que executa **agentic retrieval** , isto é, em vez de uma busca única, ela pode **quebrar a pergunta em sub consultas**, consultar múltiplas fontes, **combinar e ranquear** os resultados e devolver o melhor contexto (idealmente com **referências/citações**), deixando o agente focar na decisão e na resposta final.

Na próxima parte do artigo, vamos **acoplar essa base de conhecimento a um agente do Microsoft Foundry**, consumindo os dados do Foundry IQ de forma programática e levando esse cenário para uma aplicação real.

Você já pode baixar o projeto por esse [link](https://github.com/TallesValiatti/FoundryIqOverview?ref=azurebrasil.cloud), e não esquece de me seguir no [LinkedIn](https://www.linkedin.com/in/tallesvaliatti/?ref=azurebrasil.cloud)!

Até a próxima, abraços!