Was ist Microsoft Agent Framework? (5 Minuten Übersicht)

Künstliche Intelligenz verändert sich schnell von einfachen Chatbots zu fähigeren autonomen Agenten, die Argumentation, Koordination und Ausführung komplexer Aufgaben aufweisen. Microsoft hat kürzlich Agent Framework in der öffentlichen Vorschau als Open-Supply-SDK und Laufzeit öffentlich zur Verfügung gestellt, um die Orchestrierung zu erleichtern Multi-Agent-Systemeein wichtiger Schritt nach vorne für Unternehmen, die die Agent-KI einsetzen, um die Fragmentierung bei der Werkzeugbildung zu lindern und gleichzeitig eine Brücke zwischen Experimentieren und Produktion zu liefern.

Was ist Microsoft Agent Framework?

Das Microsoft Agent Framework löst ein wichtiges Entwickler-Dilemma: Auswahl zwischen hochmodernen KI-Forschung und stabilen, produktionsbereiten Instruments. Es vereint zwei Frameworks:

• Autogen: Bringt erweiterte Multi-Agent-Orchestrierung und ermöglicht es AIs, in komplexen Weise zusammenzuarbeiten (z. B. Gruppen-Chats, Debatten).
• Semantischer Kernel: Bietet das Enterprise Spine, einschließlich Sicherheit, Sort Sicherheit und Telemetrie.

Diese Fusion erstellt eine einzigartige Plattform, auf der Sie in weniger als 20 Codezeilen einen funktionierenden KI-Agenten erstellen können, ohne die Fähigkeit zu beeinträchtigen, komplexe, multi-Agent-Workflows für den kommerziellen Gebrauch zu erstellen.

Microsoft Agent Framework Architektur

Die Kernarchitektur dieses Rahmens besteht aus vier grundlegenden Elementen:

Offene Requirements und Interoperabilität

Das Microsoft Agent Framework basiert auf einem Prinzip offener Requirements und Interoperabilität, um sicherzustellen, dass Agenten über verschiedene Plattformen hinweg kommunizieren und sich nahtlos in vorhandene Unternehmenssysteme integrieren können. Es unterstützt aufkommende Protokolle, um die Zusammenarbeit und die einfache Integration von Instruments zu erleichtern.

Schlüsselmerkmale

• Plattformübergreifende Kommunikation: Agenten können mit Agent-to-Agent über verschiedene Laufzeiten hinweg sprechen (A2a) Protokolle.
• Offene Requirements: Unterstützung MCP Für Echtzeit-Software-Verbindungen und OpenAPI für mühelose REST-API-Integration.
• Einheimische Anschlüsse: Beinhaltet integrierte Unterstützung für Schlüsseldienste wie Azure AI Foundry, Microsoft Graph, SharePoint, ElasticsarchUnd Redis.
• Architektur agnostisch: Entwickelt, um mit Azure-Diensten, APIs von Drittanbietern und benutzerdefinierten internen Systemen ohne Anbieter zu arbeiten.

Dieser Ansatz ermöglicht es Entwicklern, KI -Agenten direkt an ihren aktuellen Technologiestapel zu schließen und die Lücke zwischen innovativer KI und etablierter Unternehmensarchitektur zu überbrücken.

Lesen Sie auch: Integrieren Sie Azure Providers für Datenverwaltung und -analyse

Forschungs-zu-Produktion-Pipeline

Das Rahmen bietet eine leistungsstarke Forschung zu Produktionspipeline und kombiniert die fortschrittlichen Orchestrierungsmuster von Autogen mit der für die Verwendung von Unternehmen erforderlichen Zuverlässigkeit. Auf diese Weise können Entwickler komplexe, mehrstufige Geschäftsprozesse über eine strukturierte und staatliche Workflow-Ebene verwalten, die für lange Betriebsabläufe unerlässlich ist.

Dies macht das Framework ideally suited, um komplexe Geschäftsprozesse in automatisierte Multi-Agent-Workflows umzuwandeln.

Erweiterbarkeit durch Design

Microsoft Agent Framework bietet eine modulare Architektur, die die Agentenkonfiguration durch Verwendung von deklarativen und programmatischen Stilen unterstützt. Entwickler können Agenten im YAML- oder JSON -Format definieren, sodass bestehende Versionen und kollaborative Entwicklungsworkflows neuartige DevOps -Praktiken bei der Definition von Agenten einsetzen. Erklären Sie die Definitionen von Agenten ermöglicht es Groups, die Definitionen der Agenten im Versionsschutz neben dem Anwendungscode in GitHub- oder Azure DevOps -Repositories zu verwalten.

Mit steckbaren Speichermodulen können ein Entwickler auch Kontext speichern und Informationen über mehrere Again-Finish-Shops abrufen. Ob Entwickler In-Reminiscence-Speicher für Prototypen, Redis für Szenarien mit verteilten Wirkstoffen oder eine Type der proprietären Vektordatenbank für Semantische SucheDer Rahmen arbeitet unabhängig von der Architektur einen Kontext.

Produktionsstätte vom ersten Tag an

Das Rahmen ist für die Einführung von Unternehmen entwickelt und integriert kritische Produktionsfunktionen für Beobachtbarkeit, Sicherheit und Lebenszyklus-Administration direkt in seinen Kern.

Schlüsselproduktionsmerkmale:

• Native Beobachtbarkeit: Die integrierte Integration von OpenTelemetry bietet die vollständige Sichtbarkeit in Agent-Workflows, die Inbonitätsnutzung und die Zusammenarbeit zwischen Agent, was für das Debuggen, die Leistungsoptimierung und die Überwachung von Compliance unerlässlich ist.
• Sicherheit der Unternehmensgröße: Nutzt die Azure entra id für eine robuste Authentifizierung und Genehmigung und sorgt dafür, dass alle Agenten innerhalb der strengen Organisationssicherheitsrichtlinien arbeiten.
• Optimierte DevOps: Unterstützt CI/CD -Pipelines durch GitHub -Aktionen und Azure DevOps, sodass Groups einen standardisierten Lebenszyklus der Softwareentwicklung auf ihre Anwendung anwenden können KI -Agenten.

Dieser integrierte Fokus auf Governance und operative Exzellenz stellt sicher, dass Multi-Agent-Systeme in einem realen Geschäftsumfeld effektiv vertrauenswürdig, verwaltet und skaliert werden können.

Erste Schritte mit Agent Framework

Für Python -Entwickler ist die Set up unkompliziert:

pip set up agent-framework --pre

Für .NET -Entwickler:

dotnet add bundle Microsoft.Brokers.AI

Erstellen Sie Ihren ersten Agenten

Lassen Sie uns untersuchen, wie Sie ein Funktionsmittel erstellen, das mit Instruments interagieren kann. Hier ist ein Python -Beispiel, das die Einfachheit des Rahmens demonstriert:

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

# Outline a customized device operate
def calculate_discount(worth: float, discount_percent: float) -> float:
    """Calculate discounted worth"""
    return worth * (1 - discount_percent / 100)

async def predominant():
    # Initialize agent with Azure OpenAI
    agent = AzureOpenAIResponsesClient(
        credential=AzureCliCredential()
    ).create_agent(
        identify="ShoppingAssistant",
        directions="You assist clients calculate costs and reductions.",
        instruments=(calculate_discount)  # Register the device
    )
    
    # Agent can now use the device routinely
    response = await agent.run(
        "If a laptop computer prices $1200 and has a 15% low cost, what is the last worth?"
    )
    print(response)

asyncio.run(predominant())

Die äquivalente .NET -Implementierung zeigt eine ähnliche Eleganz:

utilizing Azure.AI.OpenAI;
utilizing Azure.Identification;
utilizing Microsoft.Brokers.AI;

// Outline a device as a way
static double CalculateDiscount(double worth, double discountPercent)
{
    return worth * (1 - discountPercent / 100);
}

var agent = new AzureOpenAIClient(
    new Uri(Surroundings.GetEnvironmentVariable("AZURE_OPENAI_ENDPOINT")!),
    new AzureCliCredential())
    .GetOpenAIResponseClient("gpt-4")
    .CreateAIAgent(
        identify: "ShoppingAssistant",
        directions: "You assist clients calculate costs and reductions.",
        instruments: (CalculateDiscount));

Console.WriteLine(await agent.RunAsync(
    "If a laptop computer prices $1200 and has a 15% low cost, what is the last worth?"));

Multi-Agent-Workflow-Beispiel

Für komplexere Szenarien unterstützt das Framework orchestrieren mehrere spezialisierte Agenten. Hier ist ein Workflow, der Forschungs- und Schreibagenten koordiniert:

from agent_framework.workflows import Workflow, WorkflowStep
from agent_framework.azure import AzureOpenAIResponsesClient

# Create specialised brokers
researcher = consumer.create_agent(
    identify="Researcher",
    directions="You analysis subjects and supply factual info."
)

author = consumer.create_agent(
    identify="Author",
    directions="You write participating articles primarily based on analysis."
)

# Outline workflow
workflow = Workflow(
    steps=(
        WorkflowStep(
            identify="analysis",
            agent=researcher,
            output_variable="research_data"
        ),
        WorkflowStep(
            identify="write",
            agent=author,
            input_from="research_data",
            output_variable="article"
        )
    )
)

# Execute workflow
outcome = await workflow.run(
    input_data={"subject": "Way forward for Quantum Computing"}
)
print(outcome("article"))

Dieser Workflow zeigt, wie das Framework den Zustand unter Agenten verwaltet und die Leistung des Forschers als Kontext dem Autor automatisch weitergibt. Ein inhärentes Checkpoint -System verwaltet eine verstrichene Zeit, um sicherzustellen, dass der Workflow wieder aufnehmen kann, wenn etwas fehlschlägt, ohne dass das zuvor getan wurde.

Enterprise -Einführung von Microsoft Agent Framework

Mehrere führende Organisationen verwenden bereits das Microsoft Agent Framework in realen Szenarien. Hier sind einige Beispiele:

• Kpmg: Antrieb KPMG Clara AiDas Framework verbindet spezialisierte Agenten mit Unternehmensdaten und Instruments mit integrierten Sicherheitsschutz. Open-Supply-Anschlüsse ermöglichen den Zugriff über die Azure-AI-Gießerei hinaus und unterstützen die skalierbare Multi-Agent-Zusammenarbeit in world regulierten Umgebungen.
• Commerzbank: Erforschen avatarorientierter Kundenunterstützung, um natürliche, zugängliche und regulationskonforme Interaktionen zu liefern.
• Citrix: Bewertung der Integration in die virtuelle Desktop -Infrastruktur, um die Produktivität der Unternehmen zu verbessern.
• Sitecore: Entwickeln von Agentenfähigkeiten für Vermarkter, um Workflows in der Inhalts -Lieferkette zu automatisieren.

Sprachintegration und multimodale Funktionen

Die Voice Reside -API ist jetzt im Allgemeinen verfügbar. Es bietet eine einheitliche Echtzeit-Sprachschnittstelle, die sich kombiniert:

• Sprache zu Textual content
• Generative AI -Modelle
• Textual content-to-Speech
• Avatare
• Gesprächsverbesserer

Dieser Stream mit niedriger Latenz unterstützt Sprach-initiierte und sprachgesteuerte Multi-Agent-Workflows und schafft eine natürlichere Benutzererfahrung.

Zu den Organisationen, die Voice Reside -API verwenden, gehören:

• Capgemini: Kundendienstmitarbeiter
• Heilung: Lerntutoren
• Astra Tech: HR -Assistenten

In diesen Beispielen wird hervorgehoben, wie das Framework multimodale Agentenerfahrungen unterstützt und über textbasierte Interaktionen hinausgeht.

Bedenken von Unternehmensbedenken

Governance und verantwortungsbewusste KI

Mit zunehmender Annahme von KI legen Unternehmen den verantwortungsvollen und konformen Gebrauch von intelligenten Agenten stärker. Entsprechend McKinseys 2025 World AI Belief SurveyDas größte Hindernis für die Einführung von KI ist das Fehlen wirksamer Governance- und Risikomanagementinstrumente.

Schlüsselfunktionen

• Die Agenten konzentrieren sich weiterhin auf ihre zugewiesenen Ziele und vermeiden es, in unbeabsichtigte Aufgaben oder Verhaltensweisen einzusteigen. Dies gewährleistet eine operative Konsistenz und Zuverlässigkeit.
• Diese Instruments schützen vor schnellen Injektionsangriffen und markieren unkontrollierte oder riskante Agentenaktionen für die organisatorische Überprüfung. Dies verbessert Sicherheit und Aufsicht.
• Erkennen Sie automatisch, wann Agenten auf persönlich identifizierbare Informationen (PII) zugreifen. Auf diese Weise können Unternehmen ihre Datenbearbeitungsrichtlinien basierend auf Zugriffsmustern bewerten und verfeinern.
• Alle Governance -Merkmale sind in die Azure -AI -Gießerei eingebaut. Dies bietet eine konfrontierte Compliance-Schicht, die mit den Organisationspolitik und regulatorischen Requirements übereinstimmt.
• Diese Fähigkeiten sind in Sektoren wie Finanzen und Gesundheitswesen von wesentlicher Bedeutung, in denen die verantwortungsvolle KI -Nutzung während des gesamten Lebenszyklus der Entwicklung und des Einsatzes eingebettet werden muss.

Entwicklererfahrung: im Fluss bleiben

Ein Branchenstudie zeigt, dass 50% der Entwickler aufgrund von fragmentierten Werkzeugen und ineffizienten Workflows über zehn Stunden professional Woche verlieren. Dieser Produktivitätsabfluss wirkt sich auf die Lieferzeitpläne und die Ethical der Entwickler aus. Das Microsoft Agent Framework befasst sich mit dieser Herausforderung, indem er eine einheitliche Entwicklungserfahrung anbietet, die die Erstellung, das Testen und die Bereitstellung von Agenten und Bereitstellung von Kontext minimiert.

Schlüsselvorteile:

• Entwickler müssen nicht mehr zwischen Klemmen, Protokollen und Dashboards umschalten. Devui zentralisiert diese Aufgaben und hilft den Groups dabei, konzentriert und produktiv zu bleiben.
• Entwickler können lokal mithilfe der AI -Toolkit -Erweiterung im Visible Studio -Code arbeiten und dann bei Bedarf an Azure -AI -Foundry mit der Beobachtbarkeits- und Compliance -Funktionen bereitgestellt werden.
• Das Framework unterstützt sowohl Python als auch .NET und ermöglicht es den Groups, in ihrer bevorzugten Sprache zu arbeiten und gleichzeitig die Portabilität und Konsistenz in verschiedenen Umgebungen aufrechtzuerhalten.
• Mit standardisierten APIs können Entwickler über Groups und Sprachen hinweg zusammenarbeiten, ohne neue Schnittstellen zu lernen, was die Effizienz verbessert und die Zeit der Onboarding verkürzt.
• Das neue Devui bietet eine interaktive Schnittstelle, die die Entwicklung, das Testen und das Debuggen der Agenten unterstützt. Es ergänzt Code-First-Workflows und vereinfacht das schnelle Prototyping und Fehlerbehebung.

Lesen Sie auch: So greifen Sie auf Github Copilot CLI zu

Abschluss

Das Microsoft Agent Framework prägt die Zukunft von Enterprise KI, indem sie Innovationen mit Governance, multimodalen Funktionen und Entwickler-First-Instruments zusammenführen. Es verwandelt das Experimentieren in skalierbare, konforme Lösungen. Da intelligente Agenten für Unternehmensworkflows von zentraler Bedeutung sind, bietet dieses Rahmen eine zuverlässige Grundlage.

Was denken Sie über die Übernahme der Agent -KI in Ihrer Organisation mit diesem Framework? Lassen Sie mich im Kommentarbereich unten wissen!




Knowledge Science Trainee bei Analytics Vidhya
Ich arbeite derzeit als Knowledge Science Trainee bei Analytics Vidhya, wo ich mich darauf konzentriere, datengesteuerte Lösungen zu erstellen und KI/ML-Techniken anzuwenden, um reale Geschäftsprobleme zu lösen. Meine Arbeit ermöglicht es mir, erweiterte Analysen, maschinelles Lernen und KI-Anwendungen zu untersuchen, die Organisationen dazu ermöglichen, intelligentere, evidenzbasierte Entscheidungen zu treffen.
Mit einer starken Grundlage für Informatik, Softwareentwicklung und Datenanalyse bin ich leidenschaftlich, KI zu nutzen, um wirkungsvolle, skalierbare Lösungen zu schaffen, die die Lücke zwischen Technologie und Wirtschaft schließen.
📩 Sie können mich auch an mich erreichen (E -Mail geschützt)