目录

为什么又是一个新框架？

1. 图工作流编排

2. 线程化状态管理

3. 原生可观测性

五分钟上手实战

企业级特性加持

迁移成本低

---

你有没有想过，为什么构建一个 AI Agent 比写个 Web API 还要复杂？

当你试图让多个 AI 协同工作时，会发现自己陷入了编排逻辑的泥潭：状态管理混乱、工具调用失败、多模型切换困难……更别提把原型推向生产环境时遇到的可观测性、安全性、持久化等一系列企业级难题。

微软显然也注意到了这个痛点。10月1日，他们正式发布了 Microsoft Agent Framework，一个统一 Semantic Kernel 和 AutoGen 两大框架的下一代 AI Agent 开发工具包。

为什么又是一个新框架？

Semantic Kernel 提供了企业级的稳定性和丰富的连接器，AutoGen 则在多智能体编排上开创了新范式。但开发者不得不在两者之间做选择：要稳定性还是要创新性？

Agent Framework 的答案是：全都要。

它由原 Semantic Kernel 和 AutoGen 团队联合打造，将两者的优势融合，并新增了三大核心能力：

1. 图工作流编排

不再是线性的对话链，而是用图结构定义执行路径。你可以像设计状态机一样设计 Agent 协作逻辑，支持分支、循环、条件路由，甚至可以"时间旅行"回溯调试。

2. 线程化状态管理

长对话场景下的上下文保持一直是难题。Agent Framework 提供了内置的线程管理机制，支持检查点、暂停恢复、人机协作等生产级特性。

3. 原生可观测性

内置 OpenTelemetry 集成，每个 Agent 的推理过程、工具调用、性能指标都自动生成分布式追踪。不用再猜 Agent 为什么做出某个决策。

五分钟上手实战

以 Python 为例，创建一个 Azure OpenAI Agent 只需几行代码：

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

agent = AzureOpenAIResponsesClient(
    credential=AzureCliCredential()
).create_agent(
    name="CodeReviewer",
    instructions="你是代码审查专家，关注安全和性能。"
)

result = await agent.run("审查这段 SQL 查询的注入风险")

无需手动管理 API Key，通过 Azure CLI 认证即可。Agent 自动处理对话上下文、工具调用、错误重试。

对于复杂场景，可以构建多 Agent 工作流：

workflow = Workflow()
workflow.add_node("researcher", research_agent)
workflow.add_node("analyzer", analysis_agent)
workflow.add_node("writer", writing_agent)

workflow.add_edge("researcher", "analyzer")
workflow.add_conditional_edge(
    "analyzer", 
    lambda x: "writer" if x.confidence > 0.8 else "researcher"
)

这种声明式的编排方式让复杂逻辑变得清晰可维护。

企业级特性加持

Agent Framework 不只是个实验性工具，它从设计之初就瞄准生产环境：

• 多语言支持：Python 和 .NET/C# 同步发布，API 设计一致

• 多模型兼容：支持 Azure OpenAI、OpenAI、Azure AI 等主流提供商

• MCP 协议集成：直接连接 Model Context Protocol 服务器

• 中间件系统：拦截和修改请求/响应，实现内容审核、日志记录等

• 向量存储集成：无缝对接企业知识库和 RAG 系统

微软还提供了配套的 DevUI 交互式开发界面，可以实时查看 Agent 的思考过程和工具调用链路。

迁移成本低

如果你已经在使用 Semantic Kernel 或 AutoGen，官方提供了详细的迁移指南。核心概念保持一致，大部分代码可以平滑迁移。

更重要的是，Agent Framework 继承了两个前辈的开源基因，欢迎社区贡献。目前 GitHub 仓库已有 1.6k+ Star，活跃度很高。

引入地址