Delen via

Microsoft Agent Framework

Agent Framework biedt twee primaire categorieën mogelijkheden:

Description
Agenten Afzonderlijke agents die LLM's gebruiken om invoer te verwerken, tools en MCP-servers aan te roepen en antwoorden te genereren. Ondersteunt Microsoft Foundry, Antropic, Azure OpenAI, OpenAI, Ollama en more.
Werkstromen Op grafieken gebaseerde werkstromen die agents en functies verbinden voor taken met meerdere stappen met typeveilige routering, controlepunten en ondersteuning voor human-in-the-loop.

Het framework biedt ook fundamentele bouwstenen, waaronder modelclients (chatvoltooiingen en -antwoorden), een agentsessie voor statusbeheer, contextproviders voor agentgeheugen, middleware voor het onderscheppen van agentacties en MCP-clients voor hulpprogramma-integratie. Samen bieden deze onderdelen u de flexibiliteit en kracht om interactieve, robuuste en veilige AI-toepassingen te bouwen.

Get started

dotnet add package Microsoft.Agents.AI.Foundry --prerelease

using System;
using Azure.AI.Projects;
using Azure.Identity;
using Microsoft.Agents.AI;

AIAgent agent = new AIProjectClient(
        new Uri("https://your-foundry-service.services.ai.azure.com/api/projects/your-foundry-project"),
        new AzureCliCredential())
    .AsAIAgent(
        model: "gpt-5.4-mini",
        instructions: "You are a friendly assistant. Keep your answers brief.");

Console.WriteLine(await agent.RunAsync("What is the largest city in France?"));

pip install agent-framework

    from agent_framework.foundry import FoundryChatClient
    from azure.identity import AzureCliCredential

    credential = AzureCliCredential()
    client = FoundryChatClient(
        project_endpoint="https://your-foundry-service.services.ai.azure.com/api/projects/your-foundry-project",
        model="gpt-5.4-mini",
        credential=credential,
    )

    agent = client.as_agent(
        name="HelloAgent",
        instructions="You are a friendly assistant. Keep your answers brief.",
    )

    # Non-streaming: get the complete response at once
    result = await agent.run("What is the largest city in France?")
    print(f"Agent: {result}")

Dat is het: een agent die een LLM aanroept en een antwoord retourneert. Hier kunt u hulpprogramma's, gesprekken met meerdere paden, middleware en werkstromen toevoegen om productietoepassingen te bouwen.

Opmerking

Agent Framework laadt .env automatisch. Als u een .env bestand wilt gebruiken, roept load_dotenv() u aan bij het begin van uw toepassing of stelt u omgevingsvariabelen rechtstreeks in uw shell of IDE in.

Aan de slag - volledige zelfstudie

Wanneer agents versus werkstromen gebruiken

Een agent gebruiken wanneer... Een werkstroom gebruiken wanneer...
De taak is van open einde of gesprekstype. Het proces heeft goed gedefinieerde stappen
U moet autonoom gebruik van hulpprogramma's en planning hebben. U hebt expliciete controle over de uitvoeringsvolgorde nodig
Eén LLM-aanroep (mogelijk met hulpprogramma's) volstaat Meerdere agents of functies moeten coördineren

Als u een functie kunt schrijven om de taak af te handelen, doet u dat in plaats van een AI-agent te gebruiken.

Waarom Agent Framework?

Agent Framework combineert de eenvoudige agentabstracties van AutoGen met de bedrijfsfuncties van Semantic Kernel, sessiegebaseerd statusbeheer, typeveiligheid, middleware, telemetrie, en voegt grafiekgebaseerde werkstromen toe voor expliciete indeling van meerdere agents.

Semantic Kernel en AutoGen hebben de concepten van AI-agenten en multi-agent orkestratie geëxploiteerd. Agent Framework is de directe opvolger die door dezelfde teams wordt gemaakt. Het combineert de eenvoudige abstracties van AutoGen voor patronen met één en meerdere agents met Semantic Kernel functies zoals sessiegebaseerd statusbeheer, typeveiligheid, filters, telemetrie en uitgebreide model- en insluitingsondersteuning. Naast het samenvoegen van de twee, introduceert Agent Framework werkstromen die ontwikkelaars expliciet controle geven over uitvoeringspaden met meerdere agents, plus een robuust statusbeheersysteem voor langdurige en human-in-the-loop-scenario's. Kortom, Agent Framework is de volgende generatie van zowel Semantic Kernel als AutoGen.

Zie de migratiehandleiding van Semantic Kernel en migratiehandleiding van AutoGen voor meer informatie over de migratie van Semantic Kernel of AutoGen.

Zowel Semantic Kernel als AutoGen hebben aanzienlijk geprofiteerd van de opensource-community en hetzelfde wordt verwacht voor Agent Framework. Microsoft Agent Framework verwelkomt bijdragen en blijft verbeteren met nieuwe functies en mogelijkheden.

Belangrijk

Als u Microsoft Agent Framework gebruikt om toepassingen te bouwen die werken met servers van derden, agents, code of niet-Azure Directe modellen ('Systemen van derden'), doet u dit op eigen risico. Systemen van derden zijn niet-Microsoft Producten onder de Microsoft Productvoorwaarden en vallen onder hun eigen licentievoorwaarden van derden. U bent verantwoordelijk voor alle gebruiks- en bijbehorende kosten.

We raden u aan alle gegevens te bekijken die worden gedeeld met en ontvangen van systemen van derden en om kennis te nemen van procedures van derden voor het verwerken, delen, bewaren en locatie van gegevens. Het is uw verantwoordelijkheid om te beheren of uw gegevens buiten de Azure nalevings- en geografische grenzen van uw organisatie en eventuele gerelateerde gevolgen stromen, en of de juiste machtigingen, grenzen en goedkeuringen worden ingericht.

U bent verantwoordelijk voor het zorgvuldig controleren en testen van toepassingen die u bouwt met behulp van Microsoft Agent Framework in de context van uw specifieke use cases en het nemen van alle juiste beslissingen en aanpassingen. Dit omvat het implementeren van uw eigen verantwoorde AI-oplossingen, zoals metaprompt, inhoudsfilters of andere veiligheidssystemen, en ervoor zorgen dat uw toepassingen voldoen aan de juiste kwaliteits-, betrouwbaarheids-, beveiligings- en betrouwbaarheidsstandaarden. Zie ook: Veelgestelde vragen over transparantie

Volgende stappen

Stap 1: Uw eerste agent

Ga dieper in:

  • Last updated on