探索 Agent 框架

本章目标

分清模型客户端、Agent 框架和托管服务；理解工具注册、会话与多角色编排分别解决什么问题。

前置：Agent 入门。框架（Framework）是组织应用代码的约定和组件，不是另一种大模型。

补充讲解：谁负责哪一层

假设旅行社原来有一个查询空位的 Python 函数。你想让用户自然地说“还有温暖的目的地吗”，还希望第二句“换一个”能理解上文。单次模型 API 只解决生成输出；工具说明转换、调用结果回传、会话历史和执行事件还需要应用处理。Agent 框架把这些重复工作组织起来。

可以把 SDK 看作你在厨房使用的器具，把托管服务看作有人维护水电和设备的厨房。这个类比只说明责任分工：使用框架不必然使用云，使用云也不自动保证业务安全。

层次	主要职责	本课对应
模型客户端	地址、身份、请求和响应格式	FoundryChatClient / OpenAIChatClient
Agent 框架	指令、工具调用循环、会话、工作流	Microsoft Agent Framework
托管平台	部署、版本、运行环境与平台治理	Microsoft Foundry Agent Service
业务应用	用户权限、订单规则、预算、结果验收	由你编写并测试

原文会介绍模块化、协作与反馈循环。这里的“学习”通常是保存反馈、调整提示或更新检索信息，不是 SDK 自动训练了模型权重。

原课程代码片段的阅读范围

下方精读保留上游主要知识与片段，可能包含历史 SDK 写法、示意端点及未完整定义的函数；这些片段不等同于经过本站验证的完整程序。运行前优先阅读本章实际 Notebook 导读与版本校订。已验证的无 API 实验在“扩展实践”中另行标明。

原课程视频：探索AI Agent 框架

原课程精读：探索AI Agent 框架

AI Agent 框架是为简化AI Agent 的创建、部署和管理而设计的软件平台。这些框架为开发者提供了预构建的组件、抽象和工具，简化了复杂AI系统的开发过程。

这些框架通过为AI Agent 开发中常见的挑战提供标准化的方法，帮助开发者专注于应用的独特方面。它们提升了构建AI系统的可扩展性、可访问性和效率。

介绍

本课将涵盖：

什么是AI Agent 框架，它们能让开发者实现什么？
团队如何利用它们快速原型设计、迭代并提升 Agent 能力？
微软创建的框架和工具（Microsoft Foundry Agent Service和Microsoft Agent Framework）有什么区别？
我能否直接集成现有Azure生态工具，还是必须使用独立解决方案？
什么是Microsoft Foundry Agent Service？它如何帮助我？

学习目标

本课的目标是帮助你理解：

AI Agent 框架在AI开发中的作用。
如何利用AI Agent 框架构建智能 Agent。
AI Agent 框架支持的关键能力。
Microsoft Agent Framework与Microsoft Foundry Agent Service的区别。

什么是AI Agent 框架，它们能实现什么？

传统AI框架可以帮助你将AI集成到应用中，并提升应用的性能，具体体现在以下方面：

个性化 ：AI可以分析用户行为和偏好，提供个性化推荐、内容和体验。例如：Netflix等流媒体服务使用AI根据观看历史推荐电影和节目，提升用户参与度和满意度。
自动化和效率 ：AI可以自动执行重复任务、简化工作流程，提高运营效率。例如：客户服务应用利用AI驱动的聊天机器人处理常见咨询，缩短响应时间并让人工客服专注于更复杂问题。
增强用户体验 ：AI通过语音识别、自然语言处理和预测文本等智能功能改善整体用户体验。例如：Siri和Google Assistant等虚拟助手使用AI理解并响应语音命令，方便用户与设备交互。

听起来很不错，为什么我们还需要AI Agent 框架？

AI Agent 框架不仅仅是AI框架。它们旨在支持智能 Agent 的创建，这些 Agent 可以与用户、其他 Agent 及环境互动以实现特定目标。这些 Agent 能表现出自主行为，做出决策，并适应变化的条件。下面介绍AI Agent 框架支持的一些关键能力：

Agent 协作与协调 ：支持创建多个AI Agent，它们能够协同工作、交流和协调解决复杂任务。
任务自动化和管理 ：提供自动化多步骤工作流、任务委派和动态任务管理的机制。
上下文理解和适应 ：赋予 Agent 理解上下文、适应变化环境且基于实时信息做决策的能力。

总结来说，Agent 让你能够做更多事情，将自动化提升到新高度，构建能够适应和学习其环境的更智能系统。

如何快速原型设计、迭代和提升 Agent 能力？

这是一个快速发展的领域，但大多数AI Agent 框架都有一些共通点，可帮助你快速原型设计和迭代，主要包括模块化组件、协作工具和实时学习。让我们深入了解：

使用模块化组件 ：AI SDK提供预构建组件，如AI和记忆连接器、自然语言或代码插件调用功能、提示模板等。
利用协作工具 ：设计具备特定角色和任务的 Agent，使它们能够测试和优化协作工作流。
实时学习 ：实现反馈循环，Agent 从交互中学习并动态调整行为。

使用模块化组件

微软 Agent Framework等SDK提供预构建组件，如AI连接器、工具定义和 Agent 管理。

团队如何使用 ：团队可以快速组装这些组件创建功能性原型，无需从零开始构建，支持快速实验与迭代。

实际应用 ：你可以使用预构建的解析器提取用户输入中的信息，利用内存模块存储和检索数据，并使用提示生成器与用户交互，均不需从头搭建这些组件。

示例代码 。来看一个示例，说明如何使用FoundryChatClient的Microsoft Agent Framework，使模型通过工具调用响应用户输入：

python

# Microsoft Agent Framework Python Example

import asyncio
import os

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


# Define a sample tool function to book travel
@tool(approval_mode="never_require")
def book_flight(date: str, location: str) -> str:
    """Book travel given location and date."""
    return f"Travel was booked to {location} on {date}"


async def main():
    provider = FoundryChatClient(
        project_endpoint=os.environ["AZURE_AI_PROJECT_ENDPOINT"],
        model=os.environ["AZURE_AI_MODEL_DEPLOYMENT_NAME"],
        credential=AzureCliCredential(),
    )
    agent = provider.as_agent(
        name="travel_agent",
        instructions="Help the user book travel. Use the book_flight tool when ready.",
        tools=[book_flight],
    )

    response = await agent.run("I'd like to go to New York on January 1, 2025")
    print(response)
    # Example output: Your flight to New York on January 1, 2025, has been successfully booked. Safe travels! ✈️🗽


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

从该示例中你可以看到，如何利用预构建解析器提取用户输入中的关键信息，如航班预订请求的起点、终点和日期。这种模块化方法让你专注于高层逻辑。

利用协作工具

微软 Agent Framework等框架便于创建多个可协同工作的 Agent。

团队如何使用 ：团队可以设计具备特定角色和任务的 Agent，测试和优化协同工作流，提高整体系统效率。

实际应用 ：你可以创建一个 Agent 团队，每个 Agent 专注于数据检索、分析或决策等特定功能。Agent 间可以通讯共享信息，实现共同目标，如回答用户查询或完成任务。

示例代码（微软 Agent Framework） ：

python

# Creating multiple agents that work together using the Microsoft Agent Framework

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

provider = FoundryChatClient(
    project_endpoint=os.environ["AZURE_AI_PROJECT_ENDPOINT"],
    model=os.environ["AZURE_AI_MODEL_DEPLOYMENT_NAME"],
    credential=AzureCliCredential(),
)

# Data Retrieval Agent
agent_retrieve = provider.as_agent(
    name="dataretrieval",
    instructions="Retrieve relevant data using available tools.",
    tools=[retrieve_tool],
)

# Data Analysis Agent
agent_analyze = provider.as_agent(
    name="dataanalysis",
    instructions="Analyze the retrieved data and provide insights.",
    tools=[analyze_tool],
)

# Run agents in sequence on a task
retrieval_result = await agent_retrieve.run("Retrieve sales data for Q4")
analysis_result = await agent_analyze.run(f"Analyze this data: {retrieval_result}")
print(analysis_result)

该代码示例展示了如何创建涉及多个 Agent 协作分析数据的任务。每个 Agent 执行特定功能，任务通过协调 Agent 完成预期结果。通过创建具备专职角色的 Agent，提升任务效率和性能。

实时学习

先进框架支持实时上下文理解与适应能力。

团队如何使用 ：团队可以实现反馈循环，让 Agent 从交互中学习，动态调整行为，从而持续改进和完善能力。

实际应用 ：Agent 可分析用户反馈、环境数据及任务结果，不断更新知识库，调整决策算法，提高性能。该迭代学习流程使 Agent 适应环境变化和用户偏好，增强整体系统效能。

Microsoft Agent Framework与Microsoft Foundry Agent Service有什么区别？

这里有许多对比方式，下面重点介绍它们在设计、能力和目标用例上的关键差异：

Microsoft Agent Framework (MAF)

Microsoft Agent Framework提供了一个简化的SDK，通过FoundryChatClient构建AI Agent。它支持利用Azure OpenAI模型的内置工具调用、对话管理和通过Azure身份实现企业级安全。

用例：构建具备工具使用、多步骤工作流及企业集成场景的生产级AI Agent。

Microsoft Agent Framework的几个重要核心概念：

Agent（Agents） 。Agent 通过FoundryChatClient创建，配置名称、指令和工具。Agent 可以：

处理用户消息 ，并使用Azure OpenAI模型生成响应。
根据对话上下文自动调用工具 。
维护跨多次交互的会话状态 。

下面是创建 Agent 的代码片段：

python

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

provider = FoundryChatClient(
    project_endpoint=os.environ["AZURE_AI_PROJECT_ENDPOINT"],
    model=os.environ["AZURE_AI_MODEL_DEPLOYMENT_NAME"],
    credential=AzureCliCredential(),
)
agent = provider.as_agent(
    name="my_agent",
    instructions="You are a helpful assistant.",
)

response = await agent.run("Hello, World!")
print(response)

工具（Tools） 。框架支持以Python函数定义工具，Agent 可自动调用。工具在创建 Agent 时注册：

python

def get_weather(location: str) -> str:
    """Get the current weather for a location."""
    return f"The weather in {location} is sunny, 72\u00b0F."

agent = provider.as_agent(
    name="weather_agent",
    instructions="Help users check the weather.",
    tools=[get_weather],
)

多 Agent 协调 。可以创建多名专精不同领域的 Agent，并协调它们的工作：

python

planner = provider.as_agent(
    name="planner",
    instructions="Break down complex tasks into steps.",
)

executor = provider.as_agent(
    name="executor",
    instructions="Execute the planned steps using available tools.",
    tools=[execute_tool],
)

plan = await planner.run("Plan a trip to Paris")
result = await executor.run(f"Execute this plan: {plan}")

Azure身份集成 。框架使用AzureCliCredential（或DefaultAzureCredential）实现安全的无密钥认证，免除直接管理API密钥的需求。

Microsoft Foundry Agent Service

Microsoft Foundry Agent Service是微软在Ignite 2024上推出的较新服务。它支持更灵活的模型，如直接调用开源大语言模型（LLM）Llama 3、Mistral和Cohere，实现AI Agent 的开发和部署。

Microsoft Foundry Agent Service提供更强的企业安全机制和数据存储方案，适合企业级应用。

它可以无缝与Microsoft Agent Framework协作，共同构建和部署 Agent。

该服务目前处于公开预览阶段，支持Python和C#构建 Agent。

使用Microsoft Foundry Agent Service Python SDK，可以创建带有用户定义工具的 Agent：

python

import asyncio
from azure.identity import DefaultAzureCredential
from azure.ai.projects import AIProjectClient

# Define tool functions
def get_specials() -> str:
    """Provides a list of specials from the menu."""
    return """
    Special Soup: Clam Chowder
    Special Salad: Cobb Salad
    Special Drink: Chai Tea
    """

def get_item_price(menu_item: str) -> str:
    """Provides the price of the requested menu item."""
    return "$9.99"


async def main() -> None:
    credential = DefaultAzureCredential()
    project_client = AIProjectClient.from_connection_string(
        credential=credential,
        conn_str="your-connection-string",
    )

    agent = project_client.agents.create_agent(
        model="gpt-5-mini",
        name="Host",
        instructions="Answer questions about the menu.",
        tools=[get_specials, get_item_price],
    )

    thread = project_client.agents.create_thread()

    user_inputs = [
        "Hello",
        "What is the special soup?",
        "How much does that cost?",
        "Thank you",
    ]

    for user_input in user_inputs:
        print(f"# User: '{user_input}'")
        message = project_client.agents.create_message(
            thread_id=thread.id,
            role="user",
            content=user_input,
        )
        run = project_client.agents.create_and_process_run(
            thread_id=thread.id, agent_id=agent.id
        )
        messages = project_client.agents.list_messages(thread_id=thread.id)
        print(f"# Agent: {messages.data[0].content[0].text.value}")


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

核心概念

Microsoft Foundry Agent Service包括以下核心概念：

Agent（Agent） 。Microsoft Foundry Agent Service集成于Microsoft Foundry。在Foundry中，AI Agent 作为“智能”微服务，用于回答问题（RAG）、执行操作或完全自动化工作流程。它通过结合生成式AI模型能力与访问和交互真实数据源的工具实现功能。下面是一个 Agent 示例：
python
```
agent = project_client.agents.create_agent(
    model="gpt-5-mini",
    name="my-agent",
    instructions="You are helpful agent",
    tools=code_interpreter.definitions,
    tool_resources=code_interpreter.resources,
)
```
1
2
3
4
5
6
7
在该示例中，Agent 创建时使用模型gpt-5-mini，名称为my-agent，指令为You are helpful agent。该 Agent 配备工具和资源以执行代码解读任务。
线程和消息（Thread and messages） 。线程是另一个重要概念。它代表 Agent 与用户之间的对话或交互。线程用于跟踪对话进展，存储上下文信息及管理交互状态。示例代码如下：
python
```
thread = project_client.agents.create_thread()
message = project_client.agents.create_message(
    thread_id=thread.id,
    role="user",
    content="Could you please create a bar chart for the operating profit using the following data and provide the file to me? Company A: $1.2 million, Company B: $2.5 million, Company C: $3.0 million, Company D: $1.8 million",
)

# Ask the agent to perform work on the thread
run = project_client.agents.create_and_process_run(thread_id=thread.id, agent_id=agent.id)

# Fetch and log all messages to see the agent's response
messages = project_client.agents.list_messages(thread_id=thread.id)
print(f"Messages: {messages}")
```
1
2
3
4
5
6
7
8
9
10
11
12
13
在上述代码中，创建了一个线程。随后向线程发送消息。调用create_and_process_run后，请求 Agent 在该线程上执行工作。最后获取消息并记录日志，查看 Agent 的响应。消息显示了用户和 Agent 之间对话的进展。还需了解消息类型可能包括文本、图片或文件，即 Agent 的工作成果可能是图片或文本响应。作为开发者，你可以利用这些信息进一步处理响应或呈现给用户。
与Microsoft Agent Framework集成 。Microsoft Foundry Agent Service与Microsoft Agent Framework无缝协作，意味着你可以使用FoundryChatClient构建 Agent，并通过 Agent Service进行生产环境部署。

用例：Microsoft Foundry Agent Service设计用于需要安全、可扩展和灵活AI Agent 部署的企业应用。

这些方法有何区别？

看起来确实有重叠，但在设计、能力和目标用例上存在关键区别：

Microsoft Agent Framework (MAF) ：是构建AI Agent 的生产级SDK，提供简洁API，支持工具调用、会话管理和Azure身份集成。
Microsoft Foundry Agent Service ：是微软Foundry中的 Agent 平台和部署服务，内建对Azure OpenAI、Azure AI搜索、Bing搜索和代码执行的连接。

仍然不确定选择哪个？

用例

让我们通过一些常见用例帮你理清：

问：我想快速开始构建生产级AI Agent 应用

答：Microsoft Agent Framework是不错的选择。它通过FoundryChatClient提供了简单的Python风格API，仅需几行代码即可定义带工具和指令的 Agent。

问：我需要具备Azure搜索和代码执行等集成的企业级部署
答：Microsoft Foundry Agent Service最合适。该服务平台支持多种模型，集成Azure AI搜索、Bing搜索和Azure功能，实现支持Foundry Portal中构建 Agent 并大规模部署。

问：我还是有点糊涂，给我一个推荐
答：先用Microsoft Agent Framework构建 Agent，当需要生产环境部署和扩展时，再使用Microsoft Foundry Agent Service。此方法既能快速迭代 Agent 逻辑，也提供清晰的企业部署路径。

让我们用表格总结主要差异：

框架	重点	核心概念	用例
Microsoft Agent Framework	简化的 AgentSDK，支持工具调用	Agent、工具、Azure身份	构建AI Agent、工具使用、多步骤工作流
Microsoft Foundry Agent Service	灵活模型，企业安全，代码生成，工具调用	模块化、协作、流程编排	安全、可扩展且灵活的AI Agent 部署

我能否直接集成现有Azure生态工具，还是必须使用独立解决方案？

答案是肯定的，你可以将现有的 Azure 生态系统工具直接集成到 Microsoft Foundry Agent Service，特别是因为它已被设计为与其他 Azure 服务无缝协作。例如，你可以集成 Bing、Azure AI Search 和 Azure Functions。Microsoft Foundry 也有深度集成。

Microsoft Agent Framework 还通过 FoundryChatClient 和 Azure 身份集成了 Azure 服务，允许你直接从 Agent 工具调用 Azure 服务。

示例代码

Python: Agent Framework (Microsoft Foundry)
Python: Agent Framework (Azure OpenAI Responses API)
.NET: Agent Framework

参考资料

代码实操：两个客户端，同一个业务工具

本章保留 Foundry 与 Azure OpenAI 两个 Python Notebook，均见下方完整代码阅读页。先按准备篇建环境，Foundry 版填写项目变量，Azure OpenAI 版填写资源端点和部署变量，再从 upstream/ 启动 Jupyter；不要把两类端点混用。需要模型权限并可能计费，本站未执行云端调用。

Foundry 例子的 check_destination_availability(destination) 读取本地字典。Annotated[str, "..."] 同时表达 Python 类型与给模型看的参数说明。provider.as_agent(tools=[...]) 注册函数后，模型才知道它可用。第一次和第二次 agent.run(..., session=session) 复用会话，因此第二次能接上偏好。

Azure OpenAI 例子增加 get_random_destination()，用 _last_destination 避免连续重复。这个模块级变量只是单进程演示；若做多用户服务，要把它移到用户会话中，否则不同用户会相互影响。

预期验收： 工具返回已定义的目的地状态；后续消息沿用同一会话。看到自然语言回答不代表工具必然调用，应检查工具事件。--stage 2 的本地综合练习可先验证执行器的分工。

常见错误与选择边界

现象	原因	修复
换一个目的地后仍重复询问全部偏好	每轮新建了 session	在同一对话复用 session，跨用户隔离
构造客户端成功，却无云端 Agent 资源	把客户端初始化等同于部署	明确直接模型推理和服务端托管资源的不同生命周期
最新文档复制代码后导入失败	SDK 主次版本不匹配	核对 1.10 依赖和导入路径，按整套 API 迁移

框架适合反复组合工具、状态和编排的应用；简单的单次生成未必需要完整框架。即使采用框架，也应能说明循环何时停止、工具在哪里执行、谁验证输出。

自测与扩展实践

为“用户拒绝刚才的目的地”增加状态：既保存拒绝列表，又保留预算。把状态放在哪一层？

参考答案与实现思路

放在当前用户的会话或业务状态中。用 rejected: set[str] 保存拒绝项，每次候选为 [d for d in destinations if d not in rejected]；空列表时询问是否扩大范围。不能用全局变量把甲的拒绝应用到乙。预算是另一字段，拒绝目的地不应自动清空预算。

本章的判断方法是先列责任，再选工具。下一章进一步讨论人的控制权、透明度与一致性如何落实到 Agent 体验中。

原课程代码与补充材料

以下是本章实际源文件对应的阅读页。Notebook 已分解为说明、代码及原文件输出；云端示例未进行联网端到端验证。正文中的片段用于解释，运行时使用完整 Notebook 和准备篇的固定依赖。

本章来源

基于英文原文与简体中文翻译整理，原作者为 Microsoft 与开源贡献者，采用 MIT 许可证。本页标明“补充讲解”与“扩展实践”的内容为本项目新增。

来源提交：25b7985f3b2d · 获取日期：2026-09-14。参见版本校订记录。

探索 Agent 框架 ​

补充讲解：谁负责哪一层 ​

原课程精读：探索AI Agent 框架 ​

介绍 ​

学习目标 ​

什么是AI Agent 框架，它们能实现什么？ ​

听起来很不错，为什么我们还需要AI Agent 框架？ ​

如何快速原型设计、迭代和提升 Agent 能力？ ​

使用模块化组件 ​

利用协作工具 ​

实时学习 ​

Microsoft Agent Framework与Microsoft Foundry Agent Service有什么区别？ ​

Microsoft Agent Framework (MAF) ​

Microsoft Foundry Agent Service ​

核心概念 ​

这些方法有何区别？ ​

用例 ​

我能否直接集成现有Azure生态工具，还是必须使用独立解决方案？ ​

示例代码 ​

参考资料 ​

代码实操：两个客户端，同一个业务工具 ​

常见错误与选择边界 ​

自测与扩展实践 ​

原课程代码与补充材料 ​

本章来源 ​

探索 Agent 框架

补充讲解：谁负责哪一层

原课程精读：探索AI Agent 框架

介绍

学习目标

什么是AI Agent 框架，它们能实现什么？

听起来很不错，为什么我们还需要AI Agent 框架？

如何快速原型设计、迭代和提升 Agent 能力？

使用模块化组件

利用协作工具

实时学习

Microsoft Agent Framework与Microsoft Foundry Agent Service有什么区别？

Microsoft Agent Framework (MAF)

Microsoft Foundry Agent Service

核心概念

这些方法有何区别？

用例

我能否直接集成现有Azure生态工具，还是必须使用独立解决方案？

示例代码

参考资料

代码实操：两个客户端，同一个业务工具

常见错误与选择边界

自测与扩展实践

原课程代码与补充材料

本章来源