Dela via

Microsoft Agent Framework

Agent Framework erbjuder två primära kategorier av funktioner:

Description
Agenter Enskilda agenter som använder LLM:er för att bearbeta indata, anropa verktyg och MCP-servrar och generera svar. Stöder Microsoft Foundry, Anthropic, Azure OpenAI, OpenAI, Ollama och more.
Arbetsflöden Grafbaserade arbetsflöden som ansluter agenter och funktioner för uppgifter i flera steg med typsäker routning, kontrollpunkter och stöd för människor i loopen.

Ramverket innehåller också grundläggande byggstenar, inklusive modellklienter (chattavslutningar och svar), en agentsession för tillståndshantering, kontextprovidrar för agentminne, mellanprogram för avlyssning av agentåtgärder och MCP-klienter för verktygsintegrering. Tillsammans ger dessa komponenter dig flexibilitet och kraft att skapa interaktiva, robusta och säkra AI-program.

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}")

Det är allt – en agent som anropar en LLM och returnerar ett svar. Härifrån kan du lägga till verktyg, konversationer med flera turer, mellanprogram och arbetsflöden för att skapa produktionsprogram.

Anmärkning

Agent Framework läser inte in .env filer automatiskt. Om du vill använda en .env fil anropar load_dotenv() du i början av ditt program eller anger miljövariabler direkt i gränssnittet eller IDE.

Kom igång – fullständig självstudie

När du ska använda agenter jämfört med arbetsflöden

Använd en agent när... Använd ett arbetsflöde när...
Uppgiften är öppen eller konversationsbaserad Processen har väldefinierade steg
Du behöver autonom verktygsanvändning och planering Du behöver ha explicit kontroll över körningsordningen
Ett enda LLM-anrop (eventuellt med verktyg) räcker Flera agenter eller funktioner måste samordnas

Om du kan skriva en funktion för att hantera uppgiften gör du det i stället för att använda en AI-agent.

Varför Agent Framework?

Agent Framework kombinerar AutoGens enkla agentabstraktioner med Semantic Kernel företagsfunktioner – sessionsbaserad tillståndshantering, typsäkerhet, mellanprogram, telemetri – och lägger till grafbaserade arbetsflöden för explicit dirigering med flera agenter.

Semantic Kernel och AutoGen banade väg för begreppen AI-agenter och dirigering med flera agenter. AgentRamverket är den direkta efterföljare som skapats av samma team. Den kombinerar AutoGens enkla abstraktioner för enkel- och multiagentmönster med Semantic Kernel funktioner i företagsklass som sessionsbaserad tillståndshantering, typsäkerhet, filter, telemetri och omfattande modell- och inbäddningsstöd. Bortom att endast sammanföra de två delarna introducerar Agent Framework arbetsflöden som ger utvecklare explicit kontroll över exekveringsvägar för flera agenter, samt ett robust system för tillståndshantering i långvariga och human-in-the-loop-scenarier. Kort och kort är Agent Framework nästa generation av både Semantic Kernel och AutoGen.

Mer information om hur du migrerar från antingen Semantic Kernel eller AutoGen finns i guiden Migration från Semantic Kernel och Migration Guide från AutoGen.

Både Semantic Kernel och AutoGen har dragit stor nytta av communityn med öppen källkod, och detsamma förväntas för Agent Framework. Microsoft Agent Framework välkomnar bidrag och kommer att fortsätta att förbättras med nya funktioner.

Viktigt!

Om du använder Microsoft Agent Framework för att skapa program som fungerar med servrar, agenter, kod eller icke-Azure Direct-modeller ("Tredjepartssystem" gör du det på egen risk. Tredjepartssystem är icke-Microsoft produkter enligt Microsoft produktvillkor och styrs av sina egna licensvillkor från tredje part. Du ansvarar för all användning och tillhörande kostnader.

Vi rekommenderar att du granskar alla data som delas med och tas emot från tredjepartssystem och är medvetna om metoder från tredje part för hantering, delning, kvarhållning och plats för data. Det är ditt ansvar att hantera om dina data kommer att flöda utanför organisationens Azure efterlevnad och geografiska gränser och eventuella relaterade konsekvenser, och att lämpliga behörigheter, gränser och godkännanden etableras.

Du ansvarar för att noggrant granska och testa program som du skapar med hjälp av Microsoft Agent Framework i samband med dina specifika användningsfall och fatta alla lämpliga beslut och anpassningar. Detta inkluderar implementering av dina egna ansvarsfulla AI-åtgärder, till exempel metaprompt, innehållsfilter eller andra säkerhetssystem, och att se till att dina program uppfyller lämpliga kvalitets-, tillförlitlighets-, säkerhets- och tillförlitlighetsstandarder. Se även: Vanliga frågor och svar om transparens

Nästa steg

Steg 1: Din första agent

Gå djupare:

  • Last updated on