Microsoft Agent Framework 详解 - 微软官方多语言 AI Agent 框架

前言

Microsoft Agent Framework 是微软官方推出的多语言 AI Agent 框架，支持 Python 和 .NET（C#）双语言实现。作为 Semantic Kernel 和 AutoGen 的继任者，它提供了从简单聊天 Agent 到复杂多 Agent 工作流的完整解决方案，特别擅长基于图的工作流编排。本文详细介绍 Microsoft Agent Framework 的核心特性、安装配置、使用方法和实际应用场景。

项目地址：https://github.com/microsoft/agent-framework

官方文档：https://learn.microsoft.com/agent-framework/

Stars：7,735+（快速增长）

发布时间：2025 年 4 月

一、项目简介

1.1 核心定位

Microsoft Agent Framework 是微软推出的统一 AI Agent 开发框架，旨在整合 Semantic Kernel 和 AutoGen 的优势，提供更强大、更易用的 Agent 开发体验。主要特点：

1.2 与 Semantic Kernel、AutoGen 的关系

Microsoft Agent Framework 不是完全从零开始，而是整合了微软之前两个重要项目：

• Semantic Kernel：专注于 AI 编排和插件系统 → 继承其插件架构和中间件系统
• AutoGen：专注于多 Agent 协作 → 继承其多 Agent 模式和对话能力
• Microsoft Agent Framework：统一两者，提供更完整的解决方案

1.3 核心亮点

图工作流（Graph-based Workflows）

支持基于数据流的图编排，可以连接 Agent 和确定性函数，提供：

• Streaming：流式处理能力
• Checkpointing：状态检查点，支持断点续传
• Human-in-the-loop：人工介入确认
• Time-travel：时间旅行调试能力

DevUI 开发工具

交互式开发者界面，用于 Agent 开发、测试和调试：

• 可视化 Agent 行为
• 实时调试和测试
• 工作流可视化

AF Labs 实验包

实验性功能包，包含前沿特性：

• Benchmarking（基准测试）
• Reinforcement Learning（强化学习）
• Research initiatives（研究计划）

二、快速开始

2.1 安装

Python 安装

# 安装完整包（包含所有子包）
pip install agent-framework --pre

# 注意：首次安装在 Windows 上可能需要几分钟
# 安装所有子包，详见 python/packages 目录

# 或者安装单个子包
pip install agent-framework-core
pip install agent-framework-azure
pip install agent-framework-devui

.NET 安装

# 创建 .NET 项目
dotnet new console -n MyAgent
cd MyAgent

# 添加 Microsoft.Agents.AI 包
dotnet add package Microsoft.Agents.AI

# 或者添加特定提供程序包
dotnet add package Microsoft.Agents.AI.OpenAI --prerelease
dotnet add package Microsoft.Agents.AI.Azure --prerelease

2.2 配置认证

使用 Azure OpenAI

# 方式 1：使用 Azure CLI 认证（推荐）
az login

# 设置环境变量（可选）
export AZURE_OPENAI_ENDPOINT="https://your-resource.openai.azure.com/"
export AZURE_OPENAI_DEPLOYMENT_NAME="gpt-4o-mini"
export AZURE_OPENAI_API_VERSION="2024-02-15-preview"

使用 OpenAI

# 设置 OpenAI API Key
export OPENAI_API_KEY="sk-your-api-key-here"

# 可选：自定义 Base URL
export OPENAI_BASE_URL="https://api.openai.com/v1"

2.3 第一个 Agent（Python）

# 安装：pip install agent-framework --pre
# 认证：使用 az login 登录 Azure CLI

import asyncio
from agent_framework.azure import AzureOpenAIResponsesClient
from azure.identity import AzureCliCredential

async def main():
    # 初始化 Azure OpenAI Responses Agent
    # endpoint、deployment_name、api_version 可通过环境变量设置
    agent = AzureOpenAIResponsesClient(
        # 或者显式指定：
        # endpoint=os.environ["AZURE_OPENAI_ENDPOINT"],
        # deployment_name=os.environ["AZURE_OPENAI_RESPONSES_DEPLOYMENT_NAME"],
        # api_version=os.environ["AZURE_OPENAI_API_VERSION"],
        # api_key=os.environ["AZURE_OPENAI_API_KEY"],
        credential=AzureCliCredential(),  # 使用 Azure CLI 认证
    ).as_agent(
        name="HaikuBot",
        instructions="你是一个乐观的助手，善于写诗。",
    )

    # 运行 Agent
    result = await agent.run("写一首关于 Microsoft Agent Framework 的俳句")
    print(result)

if __name__ == "__main__":
    asyncio.run(main())

预期输出

智能代理新框架，
Python C# 双剑合璧，
微软创新无限。

2.4 第一个 Agent（.NET/C#）

// 安装：dotnet add package Microsoft.Agents.AI.OpenAI --prerelease
// 使用 OpenAI Responses API

using Microsoft.Agents.AI;
using OpenAI;
using OpenAI.Responses;

// 替换为你的 OpenAI API Key
var agent = new OpenAIClient("<apikey>")
    .GetResponsesClient("gpt-4o-mini")
    .AsAIAgent(
        name: "HaikuBot", 
        instructions: "你是一个乐观的助手，善于写诗。"
    );

Console.WriteLine(
    await agent.RunAsync("写一首关于 Microsoft Agent Framework 的俳句")
);

使用 Azure OpenAI（Token 认证）

// 安装：
// dotnet add package Microsoft.Agents.AI.OpenAI --prerelease
// dotnet add package Azure.Identity
// 认证：az login

using System.ClientModel.Primitives;
using Azure.Identity;
using Microsoft.Agents.AI;
using OpenAI;
using OpenAI.Responses;

// 替换为你的 Azure OpenAI 资源名和部署名
var agent = new OpenAIClient(
    new BearerTokenPolicy(
        new AzureCliCredential(), 
        "https://ai.azure.com/.default"
    ),
    new OpenAIClientOptions() 
    { 
        Endpoint = new Uri("https://<resource>.openai.azure.com/openai/v1") 
    })
    .GetResponsesClient("gpt-4o-mini")
    .AsAIAgent(
        name: "HaikuBot", 
        instructions: "你是一个乐观的助手，善于写诗。"
    );

Console.WriteLine(
    await agent.RunAsync("写一首关于 Microsoft Agent Framework 的俳句")
);

三、核心功能详解

3.1 多 Agent 协作

Python 示例

from agent_framework import Agent, GroupChat
from agent_framework.azure import AzureOpenAIResponsesClient
from azure.identity import AzureCliCredential

# 创建多个 Agent
researcher = AzureOpenAIResponsesClient(
    credential=AzureCliCredential()
).as_agent(
    name="研究员",
    instructions="你是一名专业研究员，负责搜集和分析信息。"
)

writer = AzureOpenAIResponsesClient(
    credential=AzureCliCredential()
).as_agent(
    name="作家",
    instructions="你是一名技术作家，负责撰写清晰的文章。"
)

reviewer = AzureOpenAIResponsesClient(
    credential=AzureCliCredential()
).as_agent(
    name="审稿人",
    instructions="你是一名严格的审稿人，负责审查内容质量。"
)

# 创建群聊（多 Agent 协作）
group = GroupChat(
    agents=[researcher, writer, reviewer],
    max_turns=10  # 最大对话轮数
)

# 运行
result = await group.run(
    "请调研最新的 AI Agent 技术趋势，撰写一篇技术文章，并进行质量审查"
)

print(result)

.NET 示例

using Microsoft.Agents.AI;
using Microsoft.Agents.AI.GroupChat;
using OpenAI;

// 创建多个 Agent
var researcher = new OpenAIClient(apiKey)
    .GetResponsesClient("gpt-4o-mini")
    .AsAIAgent(
        name: "研究员",
        instructions: "你是一名专业研究员，负责搜集和分析信息。"
    );

var writer = new OpenAIClient(apiKey)
    .GetResponsesClient("gpt-4o-mini")
    .AsAIAgent(
        name: "作家",
        instructions: "你是一名技术作家，负责撰写清晰的文章。"
    );

var reviewer = new OpenAIClient(apiKey)
    .GetResponsesClient("gpt-4o-mini")
    .AsAIAgent(
        name: "审稿人",
        instructions: "你是一名严格的审稿人，负责审查内容质量。"
    );

// 创建群聊
var group = new GroupChat(
    agents: new[] { researcher, writer, reviewer },
    maxTurns: 10
);

// 运行
var result = await group.RunAsync(
    "请调研最新的 AI Agent 技术趋势，撰写一篇技术文章，并进行质量审查"
);

Console.WriteLine(result);

3.2 图工作流（Graph Workflows）

Python 示例

from agent_framework import Workflow, State
from agent_framework.azure import AzureOpenAIResponsesClient
from azure.identity import AzureCliCredential

# 定义状态
class ArticleState(State):
    topic: str
    research: str
    draft: str
    final: str

# 创建工作流
workflow = Workflow[ArticleState]()

# 添加节点
@workflow.node("research")
async def research(state: ArticleState) -> str:
    agent = AzureOpenAIResponsesClient(
        credential=AzureCliCredential()
    ).as_agent(name="研究员")
    result = await agent.run(f"调研主题：{state.topic}")
    return result

@workflow.node("write")
async def write(state: ArticleState) -> str:
    agent = AzureOpenAIResponsesClient(
        credential=AzureCliCredential()
    ).as_agent(name="作家")
    result = await agent.run(f"根据调研写文章：{state.research}")
    return result

@workflow.node("review")
async def review(state: ArticleState) -> str:
    agent = AzureOpenAIResponsesClient(
        credential=AzureCliCredential()
    ).as_agent(name="审稿人")
    result = await agent.run(f"审查文章：{state.draft}")
    return result

# 添加边（定义流程）
workflow.add_edge("research", "write")
workflow.add_edge("write", "review")

# 设置入口和出口
workflow.set_entry_point("research")
workflow.set_finish_point("review")

# 编译工作流
app = workflow.compile()

# 运行
result = await app.invoke({
    "topic": "AI Agent 技术趋势"
})

print(result)

3.3 工具使用

Python 示例

from agent_framework import tool, Agent
from agent_framework.azure import AzureOpenAIResponsesClient
from azure.identity import AzureCliCredential
import requests

# 定义工具
@tool
def get_weather(city: str) -> str:
    """获取指定城市的天气信息"""
    # 实际应用中调用天气 API
    return f"{city} 当前天气：晴，温度 25°C"

@tool
def search_web(query: str) -> str:
    """搜索网络信息"""
    # 实际应用中调用搜索 API
    return f"关于'{query}'的搜索结果..."

# 创建带工具的 Agent
agent = AzureOpenAIResponsesClient(
    credential=AzureCliCredential()
).as_agent(
    name="助手",
    tools=[get_weather, search_web]
)

# 运行
result = await agent.run("北京天气怎么样？另外搜索最新的 AI 新闻")
print(result)

3.4 中间件系统

Python 示例

from agent_framework import Agent, Middleware
from agent_framework.azure import AzureOpenAIResponsesClient
from azure.identity import AzureCliCredential

# 创建日志中间件
class LoggingMiddleware(Middleware):
    async def on_request(self, request):
        print(f"收到请求：{request}")
        return request
    
    async def on_response(self, response):
        print(f"返回响应：{response}")
        return response

# 创建认证中间件
class AuthMiddleware(Middleware):
    async def on_request(self, request):
        # 验证用户权限
        if not self.check_auth(request.user):
            raise Exception("未授权访问")
        return request
    
    def check_auth(self, user):
        # 实际认证逻辑
        return True

# 创建 Agent 并添加中间件
agent = AzureOpenAIResponsesClient(
    credential=AzureCliCredential()
).as_agent(
    name="助手"
)

agent.middleware.append(LoggingMiddleware())
agent.middleware.append(AuthMiddleware())

# 运行
result = await agent.run("你好")
print(result)

3.5 可观测性（OpenTelemetry）

Python 示例

from agent_framework import Agent, set_tracer_provider
from agent_framework.azure import AzureOpenAIResponsesClient
from azure.identity import AzureCliCredential
from opentelemetry import trace
from opentelemetry.exporter.otlp.proto.grpc.trace_exporter import OTLPSpanExporter
from opentelemetry.sdk.trace import TracerProvider
from opentelemetry.sdk.trace.export import BatchSpanProcessor

# 配置 OpenTelemetry
tracer_provider = TracerProvider()
otlp_exporter = OTLPSpanExporter(endpoint="http://localhost:4317")
tracer_provider.add_span_processor(BatchSpanProcessor(otlp_exporter))
set_tracer_provider(tracer_provider)

# 创建 Agent
agent = AzureOpenAIResponsesClient(
    credential=AzureCliCredential()
).as_agent(
    name="助手"
)

# 运行（自动追踪）
result = await agent.run(
    "你好",
    metadata={
        "user_id": "user-123",
        "session_id": "session-456"
    }
)

print(result)

# 在 Jaeger/Zipkin 等工具中查看追踪

3.6 DevUI 使用

# 安装 DevUI
pip install agent-framework-devui

# 启动 DevUI
python -m agent_framework.devui

# 访问 http://localhost:3000
# 可以可视化：
# - Agent 行为
# - 工作流执行
# - 消息历史
# - 工具调用

四、实际应用场景

场景 1：客户服务系统

from agent_framework import Workflow, GroupChat
from agent_framework.azure import AzureOpenAIResponsesClient

# 创建专业 Agent
intent_classifier = AzureOpenAIResponsesClient().as_agent(
    name="意图分类器",
    instructions="分类客户意图：技术支持、账单查询、产品咨询、投诉"
)

tech_support = AzureOpenAIResponsesClient().as_agent(
    name="技术支持",
    instructions="解决技术问题"
)

billing_support = AzureOpenAIResponsesClient().as_agent(
    name="账单支持",
    instructions="处理账单和支付问题"
)

# 创建工作流
workflow = Workflow()

@workflow.node("classify")
async def classify(state):
    result = await intent_classifier.run(state.query)
    return {"intent": result, "query": state.query}

@workflow.node("tech")
async def tech_support_node(state):
    return await tech_support.run(state.query)

@workflow.node("billing")
async def billing_support_node(state):
    return await billing_support.run(state.query)

# 条件路由
workflow.add_conditional_edges(
    "classify",
    lambda x: "tech" if "技术" in x["intent"] else "billing"
)

workflow.set_entry_point("classify")
workflow.set_finish_point("tech")
workflow.set_finish_point("billing")

app = workflow.compile()

# 运行
result = await app.invoke({"query": "我的账户无法登录"})
print(result)

场景 2：数据分析助手

from agent_framework import tool, Agent
import pandas as pd

# 定义数据工具
@tool
def query_database(sql: str) -> str:
    """查询数据库"""
    # 实际应用中执行 SQL
    return "查询结果..."

@tool
def analyze_data(data: str) -> str:
    """分析数据"""
    # 数据分析逻辑
    return "分析结果..."

@tool
def generate_chart(data: str, chart_type: str) -> str:
    """生成图表"""
    # 生成图表
    return "图表已生成"

# 创建数据分析 Agent
data_agent = AzureOpenAIResponsesClient().as_agent(
    name="数据分析师",
    tools=[query_database, analyze_data, generate_chart]
)

# 运行
result = await data_agent.run(
    "查询上季度销售数据，分析趋势，并生成柱状图"
)
print(result)

五、从 Semantic Kernel/AutoGen 迁移

迁移指南

微软提供了详细的迁移指南：

• 从 Semantic Kernel 迁移
• 从 AutoGen 迁移

主要变化

六、性能对比

总结

Microsoft Agent Framework 是微软推出的统一 AI Agent 框架，核心优势包括：

1. 双语言支持：Python + .NET，统一 API
2. 图工作流：强大的编排能力，支持流式、检查点、人工介入
3. DevUI：可视化开发工具
4. 可观测性：OpenTelemetry 集成
5. 迁移支持：从 Semantic Kernel/AutoGen 平滑迁移
6. 微软背书：官方维护，企业级可靠性

适合场景：

• 企业级 AI 应用开发
• 需要 .NET 和 Python 混合技术栈
• 复杂多 Agent 协作流程
• 需要可视化工具辅助开发
• 已有 Semantic Kernel/AutoGen 项目需要升级

项目地址：https://github.com/microsoft/agent-framework 🚀

注：本文基于 Microsoft Agent Framework 早期版本编写，具体 API 可能随版本更新而变化，请以官方文档为准。

cnbugsai

打赏 海报 链接