☰

企业官网建设流程全解析

首页 / 建站日记 / 企业官网建设流程全解析
Microsoft Agent Framework – AI 构建基石（第三部分）
2026/5/12 4:41:34 网站建设 项目流程


作者：Jeremy Likness · 首席项目经理，.NET AI 体验
发布日期：2026 年 5 月 4 日
原文链接：https://devblogs.microsoft.com/dotnet/microsoft-agent-framework-building-blocks-for-ai-part-3/

欢迎回到 .NET AI 构建基石系列！在第一部分[1]中，我们介绍了 Microsoft Extensions for AI（MEAI），了解了它如何为与大型语言模型交互提供统一接口。在第二部分[2]中，我们深入探讨了 Microsoft.Extensions.VectorData，了解了它如何将语义搜索和 RAG 模式引入 .NET。今天，我们要探索第三块构建基石：Microsoft Agent Framework。

到目前为止，我们一直在打地基。MEAI 提供了与模型对话的通用方式，VectorData 赋予了我们存储和检索知识的能力。但如果你想要一个能够真正做事情的 AI 呢？不仅仅是回答问题，而是采取行动、使用工具、在对话中记住上下文，并与其他 Agent 协作解决复杂问题？这正是 Agent 的用武之地。

什么是 AI Agent？

AI Agent 不只是一个聊天机器人。聊天机器人接收输入，将其传递给模型，然后返回输出。而 Agent 则具有自主性。它能够对任务进行推理，决定使用哪些工具，调用这些工具，评估结果，并决定下一步该做什么——所有这些都无需你为每个场景编写明确的逐步指令。

可以这样理解：如果 MEAI 就像在和同事对话，那么 Agent 就像是把一张待办事项清单交给那位同事，让他自己想办法搞定。他可能会查阅资料、进行计算、查看天气、查询数据库，用你提供给他的一切工具来完成任务。

Microsoft Agent Framework[3]提供了一个生产就绪的 SDK，用于在 .NET 中构建这些智能 Agent（也支持 Python 等其他语言，但这里我们专注于 C#）。它于 2026 年 4 月发布了1.0 正式版，支持从简单的单 Agent 场景到基于图的多 Agent 复杂工作流。

你的第一个 Agent

让我们从简单的开始。如果你用过 MEAI 或读过第一部分[1]，Agent Framework 会让你感到熟悉，因为它直接构建在IChatClient之上。创建一个控制台应用，然后安装 Agent Framework：

dotnet add package Microsoft.Agents.AI

创建一个 Agent 就是这么简单（01_hello_agent[4]）：

using Azure.AI.OpenAI; using Azure.Identity; using Microsoft.Agents.AI; var endpoint = Environment.GetEnvironmentVariable("AZURE_OPENAI_ENDPOINT") ?? throw new InvalidOperationException("AZURE_OPENAI_ENDPOINT is not set."); var deploymentName = Environment.GetEnvironmentVariable("AZURE_OPENAI_DEPLOYMENT_NAME") ?? "gpt-5.4-mini"; AIAgent agent = new AzureOpenAIClient( new Uri(endpoint), new DefaultAzureCredential()) .GetChatClient(deploymentName) .AsAIAgent( instructions: "You are good at telling jokes.", name: "Joker"); Console.WriteLine(await agent.RunAsync("Tell me a joke about a pirate."));

注意.AsAIAgent()扩展方法。就像.AsIChatClient()将提供商的 SDK 桥接到 MEAI 抽象层一样，.AsAIAgent()更进一步，将其包装成一个能够管理会话、工具和记忆的 Agent。这适用于多种提供商，包括 Azure OpenAI、OpenAI、GitHub Models、Microsoft Foundry，甚至是通过 Foundry Local 或 Ollama 运行的本地模型。

Agent 也支持开箱即用的流式输出：

await foreach (var update in agent.RunStreamingAsync("Tell me a joke about a pirate.")) { Console.Write(update); }

为 Agent 配备工具

一个会讲笑话的 Agent 很有趣，但当你给 Agent 配备工具时，它才会真正强大起来。工具本质上是一些函数，模型可以根据用户的请求决定是否调用它们。Agent Framework 使用了与 MEAI 相同的AIFunctionFactory，所以如果你已经为聊天客户端定义了工具，这里同样适用。

下面是一个带有天气工具的 Agent（02_add_tools[5]）：

using System.ComponentModel; using Microsoft.Agents.AI; using Microsoft.Extensions.AI; [Description("Get the weather for a given location.")] static string GetWeather( [Description("The location to get the weather for.")] string location) => $"The weather in {location} is cloudy with a high of 15°C."; AIAgent agent = new AzureOpenAIClient( new Uri(endpoint), new DefaultAzureCredential()) .GetChatClient(deploymentName) .AsAIAgent( instructions: "You are a helpful assistant", tools: [AIFunctionFactory.Create(GetWeather)]); Console.WriteLine(await agent.RunAsync("What is the weather like in Amsterdam?"));

当用户询问天气时，Agent 不会凭空猜测，而是识别出自己拥有一个GetWeather工具，用合适的参数调用它，并利用返回结果来组织回答。你不需要编写任何"如果用户问天气就调用这个函数"的逻辑，模型自己会搞定。

Description特性非常重要，它们告诉模型这个工具是做什么的，每个参数的含义是什么，帮助它决定何时以及如何使用该工具。可以把它们看作是 AI 的工具使用说明书。

使用 Session 实现多轮对话

真实的对话不会在单次交换中完成。用户会追问、提供额外上下文，并期望 Agent 记住之前讨论的内容。Agent Framework 通过AgentSession来处理这个问题（03_multi_turn[6]）：

AgentSession session = await agent.CreateSessionAsync(); Console.WriteLine( await agent.RunAsync("Tell me a joke about a pirate.", session)); Console.WriteLine( await agent.RunAsync( "Now add some emojis to the joke and tell it in the voice of a pirate's parrot.", session));

Session 会在多次调用之间保留对话历史。当用户说"给这个笑话加上一些表情符号"时，Agent 知道指的是哪个笑话，因为 Session 维护了上下文。

Session 还支持序列化和反序列化，这对于在无状态服务中运行 Agent 的生产场景至关重要：

// Save the session state JsonElement sessionState = await agent.SerializeSessionAsync(session); // Later, restore it var restoredSession = await agent.DeserializeSessionAsync(sessionState); Console.WriteLine( await agent.RunAsync("What were we just talking about?", restoredSession));

让 Agent 拥有记忆

Session 保留的是对话历史，但更长期的记忆呢？如果你希望 Agent 在多个 Session 之间记住有关用户的信息——比如他们的名字、偏好或过往交互记录——该怎么做？

Agent Framework 提供了AIContextProvider，这是一种将上下文信息注入 Agent 工作流的机制。以下是记忆示例的简化版本（04_memory[7]），它能提取并记住用户信息：

internal sealed class UserInfoMemory : AIContextProvider { private readonly ProviderSessionState<UserInfo> _sessionState; private readonly IChatClient _chatClient; public UserInfoMemory(IChatClient chatClient) { _sessionState = new ProviderSessionState<UserInfo>( _ => new UserInfo(), GetType().Name); _chatClient = chatClient; } protected override async ValueTask StoreAIContextAsync( InvokedContext context, CancellationToken cancellationToken = default) { var userInfo = _sessionState.GetOrInitializeState(context.Session); if (userInfo.UserName is null && context.RequestMessages.Any(x => x.Role == ChatRole.User)) { var result = await _chatClient.GetResponseAsync<UserInfo>( context.RequestMessages, new ChatOptions() { Instructions = "Extract the user's name from the message if present." }, cancellationToken: cancellationToken); userInfo.UserName ??= result.Result.UserName; } _sessionState.SaveState(context.Session, userInfo); } protected override ValueTask<AIContext> ProvideAIContextAsync( InvokingContext context, CancellationToken cancellationToken = default) { var userInfo = _sessionState.GetOrInitializeState(context.Session); var instructions = userInfo.UserName is null ? "Ask the user for their name." : $"The user's name is {userInfo.UserName}."; return new ValueTask<AIContext>( new AIContext { Instructions = instructions }); } }

AIContextProvider有两个关键方法：

  • •StoreAIContextAsync：在每次交互之后执行，是 Agent 从刚刚发生的事情中学习的机会——在这个例子中，从对话中提取用户的名字。

  • •ProvideAIContextAsync：在每次交互之前执行，向 Agent 提供额外的上下文——在这里，要么告诉 Agent 用户的名字，要么指示它先询问用户的名字。
    在创建 Agent 时将其连接起来：

AIAgent agent = chatClient.AsAIAgent(new ChatClientAgentOptions() { ChatOptions = new() { Instructions = "You are a friendly assistant. Always address the user by their name." }, AIContextProviders = [new UserInfoMemory(chatClient.AsIChatClient())] });

这个模式非常强大，因为它将Agent 记住什么和Agent 如何对话分离开来。你可以叠加多个上下文提供者——一个负责用户偏好，另一个负责最近的交互，第三个从你的 VectorData 存储中拉取相关文档。

工作流：协调多个 Agent

单个 Agent 很有用，但许多现实问题可以通过将工作分配给多个专用 Agent 来更好地解决。Agent Framework 提供了一个基于图的工作流系统，你可以将执行器（处理单元）和边（数据流路径）连接起来。

下面是一个将两个文本处理器串联在一起的简单工作流（05_first_workflow[8]）：

using Microsoft.Agents.AI.Workflows; Func<string, string> uppercaseFunc = s => s.ToUpperInvariant(); var uppercase = uppercaseFunc.BindAsExecutor("UppercaseExecutor"); var reverse = new ReverseTextExecutor(); WorkflowBuilder builder = new(uppercase); builder.AddEdge(uppercase, reverse).WithOutputFrom(reverse); var workflow = builder.Build(); await using Run run = await InProcessExecution.RunAsync( workflow, "Hello, World!"); foreach (WorkflowEvent evt in run.NewEvents) { if (evt is ExecutorCompletedEvent executorComplete) { Console.WriteLine( $"{executorComplete.ExecutorId}: {executorComplete.Data}"); } }

文本处理的例子保持了简单，但当你把 Agent 作为执行器时，工作流的真正威力才会显现。以下是框架支持的一些模式：

  • •顺序工作流——Agent 依次处理，每个 Agent 的输出作为下一个 Agent 的输入

  • •并发工作流——扇出到多个并行 Agent，然后将结果汇总

  • •条件路由（"交接"）——根据前一步的输出动态地将工作路由给不同的 Agent

  • •反馈循环——写手-评审模式，一个 Agent 负责生产内容，另一个评估内容，循环直到满足质量标准

  • •子工作流——通过将一个工作流嵌入另一个工作流来进行层次化组合

作家-评审家示例

最实用的模式之一是创作-评审工作流。设想你有一个撰写营销文案的 Agent 和另一个负责质量审核的 Agent：

WorkflowBuilder builder = new(writerAgent); builder .AddEdge(writerAgent, criticAgent) .AddEdge(criticAgent, writerAgent, condition: result => !result.IsApproved) .WithOutputFrom(criticAgent, condition: result => result.IsApproved); var workflow = builder.Build();

写手产出草稿，评审者进行评估，如果未获批准，草稿返回给作者进行修改。这个循环会持续下去，直到评审者满意为止。当然，出于安全考虑，你可能需要设置最大迭代次数。

人机协作

AI 并不能取代人类，很多时候也需要人工输入。把 Agent 想象成由人类通过代码指挥的专业工作者。Agent Framework 支持工具审批工作流，即 Agent 提议调用某个工具，并在执行前等待人工审批。对于涉及敏感操作的生产场景——例如数据库写入、金融交易或发送通信——这一点至关重要。

审批机制构建在FunctionApprovalRequestContent和FunctionApprovalResponseContent之上，这些内容类型是我们在第一部分介绍的 MEAI 内容模型的一部分。当 Agent 想要调用一个需要审批的工具时，它会发出一个请求并等待。你的应用代码可以将这个请求呈现给用户，而用户的响应决定该工具调用是否继续执行。

整合起来

构建基石方法的美妙之处在于，每个组件都能自然地与其他组件组合。以下是它们的协作方式：

  1. 1.MEAI（IChatClient）提供基础——与任何模型交互的通用接口。

  2. 2.VectorData实现 RAG 模式——你的 Agent 可以通过语义搜索检索组织知识库，将响应建立在你的数据之上。

  3. 3.Agent Framework统筹全局——Agent 在底层使用IChatClient，可以通过上下文提供者整合向量搜索，并通过工作流进行协调。
    例如，你可以构建一个AIContextProvider，在每次 Agent 调用之前搜索你的 VectorData 存储，将相关文档作为额外上下文提供——就像第二部分中的 RAG 模式一样，只不过现在它会作为每次 Agent 交互的一部分自动运行。

总结

Microsoft Agent Framework 将第一部分和第二部分的基础元素转化为能够独立工作或在复杂工作流中协同合作的、具有自主性、可使用工具且拥有记忆的 Agent。本文涵盖了以下内容：

  • •创建 Agent：使用AsAIAgent()创建 Agent，并通过RunAsync()运行

  • •配备工具：使用AIFunctionFactory和Description特性为 Agent 配备工具

  • •管理对话：使用AgentSession跨轮次管理对话

  • •构建记忆：使用AIContextProvider实现跨 Session 的持久知识

  • •编排工作流：使用执行器、边以及写手-评审循环等模式

  • •人机协作：针对敏感操作的人工审批机制
    在下一篇也是最后一篇文章中，我们将探索模型上下文协议（MCP），以及它如何为 Agent 提供一种标准化的方式来发现和使用外部工具和资源——让你的 Agent 与更广泛的 AI 生态系统实现互操作。

资源

通过代码学习

  • • Agent Framework 代码仓库[9]

  • • Agent Framework 示例[10]
    通过教程学习

  • • Agent Framework 文档[11]

  • • 快速入门指南[12]

  • • 从 Semantic Kernel 迁移[13]
    通过视频学习

  • • Agent Framework 介绍（30 分钟）[14]

  • • DevUI 实战演示[15]

祝编码愉快！

引用链接

[1]第一部分:https://devblogs.microsoft.com/dotnet/dotnet-ai-essentials-the-core-building-blocks-explained/
[2]第二部分:https://devblogs.microsoft.com/dotnet/vector-data-in-dotnet--building-blocks-for-ai-part-2/
[3]Microsoft Agent Framework:https://github.com/microsoft/agent-framework
[4]01_hello_agent:https://github.com/microsoft/agent-framework/blob/main/dotnet/samples/01-get-started/01_hello_agent/Program.cs
[5]02_add_tools:https://github.com/microsoft/agent-framework/blob/main/dotnet/samples/01-get-started/02_add_tools/Program.cs
[6]03_multi_turn:https://github.com/microsoft/agent-framework/blob/main/dotnet/samples/01-get-started/03_multi_turn/Program.cs
[7]04_memory:https://github.com/microsoft/agent-framework/blob/main/dotnet/samples/01-get-started/04_memory/Program.cs
[8]05_first_workflow:https://github.com/microsoft/agent-framework/blob/main/dotnet/samples/01-get-started/05_first_workflow/Program.cs
[9]Agent Framework 代码仓库:https://github.com/microsoft/agent-framework/tree/main/dotnet
[10]Agent Framework 示例:https://github.com/microsoft/Agent-Framework-Samples
[11]Agent Framework 文档:https://learn.microsoft.com/agent-framework/
[12]快速入门指南:https://learn.microsoft.com/agent-framework/tutorials/quick-start
[13]从 Semantic Kernel 迁移:https://learn.microsoft.com/agent-framework/migration-guide/from-semantic-kernel
[14]Agent Framework 介绍（30 分钟）:https://www.youtube.com/watch?v=AAgdMhftj8w
[15]DevUI 实战演示:https://www.youtube.com/watch?v=mOAaGY4WPvc

标签： 网站建设 企业官网 项目流程 UI设计 前端开发

热门文章

文章分类

标签云

网站建设 响应式设计 用户体验 SEO优化 前端开发 小程序 电商平台 性能优化

相关文章

您可能感兴趣的其他内容

如何用Rye与Docker打造无缝Python容器开发环境：完整实践指南
2026/5/12 4:40:33 网站建设

如何用Rye与Docker打造无缝Python容器开发环境：完整实践指南

如何用Rye与Docker打造无缝Python容器开发环境&#xff1a;完整实践指南 【免费下载链接】rye a Hassle-Free Python Experience 项目地址: https://gitcode.com/gh_mirrors/ry/rye Rye是一款旨在提供无忧Python开发体验&#xff08;a Hassle-Free Python Experience&am…...

阅读更多 →
Python Redis 缓存策略实战：提升应用性能的最佳实践
2026/5/12 4:38:52 网站建设

Python Redis 缓存策略实战：提升应用性能的最佳实践

Python Redis 缓存策略实战&#xff1a;提升应用性能的最佳实践 引言 在后端开发中&#xff0c;缓存是提升系统性能的关键技术。作为一名从Rust转向Python的开发者&#xff0c;我深刻认识到缓存策略在高并发场景下的重要性。Redis作为一款高性能的内存数据库&#xff0c;已成为…...

阅读更多 →
Feathr流式特征处理：如何将实时数据转化为可用的机器学习特征
2026/5/12 4:37:55 网站建设

Feathr流式特征处理：如何将实时数据转化为可用的机器学习特征

Feathr流式特征处理&#xff1a;如何将实时数据转化为可用的机器学习特征 【免费下载链接】feathr Feathr – A scalable, unified data and AI engineering platform for enterprise 项目地址: https://gitcode.com/gh_mirrors/fe/feathr 在现代AI应用中&#xff0c;实…...

阅读更多 →

需要专业的网站建设服务？

联系我们获取免费的网站建设咨询和方案报价，让我们帮助您实现业务目标

立即咨询