人工智能正在迅速从简单的聊天机器人发展为更强大的自主代理（Autonomous Agents），它们具备推理、协调和执行复杂任务的能力。微软最近将 Agent Framework 作为开源 SDK 和运行时公开发布（公开预览版），旨在简化多代理系统的编排。对于采用代理式 AI 的企业来说，这是向前迈出的重要一步，它能缓解工具碎片化的问题，并在实验性研究与生产级部署之间架起一座桥梁。

一、什么是 Microsoft Agent Framework？

Microsoft Agent Framework解决了开发人员面临的一个关键难题：在尖端 AI 研究与稳定、可用于生产的工具之间做出选择。它将两个框架进行了统一：

• AutoGen： 带来了先进的多代理编排能力，允许 AI 以复杂的方式协同工作（例如，群聊、辩论）。
• Semantic Kernel： 提供了企业级的骨干支持，包括安全性、类型安全和遥测功能。

这种合并创建了一个独特的平台：您可以在不到 20 行代码内构建一个功能齐全的 AI 代理，同时又不牺牲创建用于商业用途的复杂多代理工作流的能力。

二、Microsoft Agent Framework 架构

该框架的核心架构由四个基础要素组成：

01 开放标准和互操作性

Microsoft Agent Framework 建立在开放标准和互操作性原则之上，确保代理能够跨不同平台进行通信，并无缝集成到现有的企业系统中。它支持新兴协议，以促进协作和便捷的工具集成。

关键特性：

• 跨平台通信： 代理可以使用 Agent-to-Agent (A2A) 协议在不同的运行时之间相互通信。
• 开放标准： 支持用于实时工具连接的 MCP 和用于轻松集成 REST API 的 OpenAPI。
• 原生连接器： 包含对 Azure AI Foundry、Microsoft Graph、SharePoint、Elasticsearch 和 Redis 等关键服务的内置支持。
• 架构无关： 设计用于与 Azure 服务、第三方 API 和自定义内部系统配合使用，没有供应商锁定。

这种方法允许开发人员将 AI 代理直接接入他们当前的技术栈，弥合了创新 AI 与既有企业架构之间的鸿沟。

02 从研究到生产的流水线

该框架提供了一个强大的从研究到生产的流水线，将 AutoGen 先进的编排模式与企业所需的可靠性结合起来。通过结构化、有状态的工作流层，它使开发人员能够管理复杂、多步骤的业务流程，这对于耗时的操作至关重要。

这使得该框架成为将复杂的业务流程转化为自动化、多代理工作流的理想选择。

03 可扩展性设计

Microsoft Agent Framework 提供了模块化架构，支持使用声明式和编程式风格进行代理配置。开发人员可以用 YAML 或 JSON 格式定义代理，这样现有的版本控制和协作开发工作流就可以采用新的 DevOps 实践来定义代理。将代理定义声明出来，允许团队在 GitHub 或 Azure DevOps 仓库中将代理定义与应用程序代码一起进行版本控制管理。

可插拔的内存模块还允许开发人员通过多个后端存储来存储上下文和召回信息。无论是为原型使用内存存储，为分布式代理场景使用 Redis，还是使用某种专有向量数据库进行语义搜索，该框架都能保证无论底层架构如何，都能提供上下文。

04 即时投入生产（Production-Ready from Day One）

该框架专为企业采用而设计，将可观测性、安全性和生命周期管理等关键的生产级功能直接集成到其核心中。

关键生产特性：

• 原生可观测性： 内置 OpenTelemetry 集成，提供对代理工作流、工具使用和代理间协作的全面可见性，这对于调试、性能优化和合规审计至关重要。
• 企业级安全： 利用 Azure Entra ID 进行强大的身份验证和授权，确保所有代理都在严格的组织安全策略下运行。
• 简化 DevOps： 通过 GitHub Actions 和 Azure DevOps 支持 CI/CD 流水线，使团队能够将标准化的软件开发生命周期应用于他们的 AI 代理。

这种对治理和运营卓越的内置关注，确保了多代理系统在真实业务环境中能够被信任、管理和有效扩展。

三、开始使用 Agent Framework

对于 Python 开发人员，安装很简单：

pip install agent-framework --pre

对于 .NET 开发人员：

dotnet add package Microsoft.Agents.AI

01 构建您的第一个代理

让我们看看如何创建一个可以与工具交互的功能代理。这是一个 Python 示例，展示了该框架的简洁性：

import asynciofrom agent_framework.azure import AzureOpenAIResponsesClientfrom azure.identity import AzureCliCredential# 定义一个自定义工具函数def calculate_discount(price: float, discount_percent: float) -> float:    """计算折扣后的价格"""    return price * (1 - discount_percent / 100)asyncdef main():    # 使用 Azure OpenAI 初始化代理    agent = AzureOpenAIResponsesClient(        credential=AzureCliCredential()    ).create_agent(        name="ShoppingAssistant",        instructions="您帮助客户计算价格和折扣。",        tools=[calculate_discount]  # 注册工具    )        # 代理现在可以自动使用该工具    response = await agent.run(        "如果一台笔记本电脑售价 $1200，并有 15% 的折扣，最终价格是多少？"    )    print(response)asyncio.run(main())

等效的 .NET 实现也展示了类似的优雅：

using Azure.AI.OpenAI;using Azure.Identity;using Microsoft.Agents.AI;// 定义一个工具作为方法static double CalculateDiscount(double price, double discountPercent){    return price * (1 - discountPercent / 100);}var agent = new AzureOpenAIClient(    new Uri(Environment.GetEnvironmentVariable("AZURE_OPENAI_ENDPOINT")!),    new AzureCliCredential())    .GetOpenAIResponseClient("gpt-4")    .CreateAIAgent(        name: "ShoppingAssistant",        instructions: "您帮助客户计算价格和折扣。",        tools: [CalculateDiscount]);Console.WriteLine(await agent.RunAsync(    "如果一台笔记本电脑售价 $1200，并有 15% 的折扣，最终价格是多少？"));

02 多代理工作流示例

对于更复杂的场景，该框架支持编排多个专业代理。这是一个协调研究和写作代理的工作流：

from agent_framework.workflows import Workflow, WorkflowStepfrom agent_framework.azure import AzureOpenAIResponsesClient# 创建专业代理researcher = client.create_agent(    name="Researcher",    instructions="您研究主题并提供事实信息。")writer = client.create_agent(    name="Writer",    instructions="您根据研究撰写引人入胜的文章。")# 定义工作流workflow = Workflow(    steps=[        WorkflowStep(            name="research",            agent=researcher,            output_variable="research_data"        ),        WorkflowStep(            name="write",            agent=writer,            input_from="research_data",            output_variable="article"        )    ])# 执行工作流result = await workflow.run(    input_data={"topic": "量子计算的未来"})print(result["article"])

这个工作流说明了该框架如何管理代理之间的状态，自动将研究人员的输出作为上下文传递给作者。一个固有的检查点系统管理流逝的时间，确保如果发生故障，工作流可以恢复，而无需重新开始并丢失之前已完成的工作。

四、Microsoft Agent Framework 的企业采纳

一些领先的组织已经在实际场景中使用 Microsoft Agent Framework。以下是几个例子：

• KPMG（毕马威）： 为 KPMG Clara AI 提供支持，该框架将专业代理与企业数据和工具连接起来，并内置了安全保障。开源连接器使得访问范围超出了 Azure AI Foundry，支持在全球受监管环境中进行可扩展的多代理协作。
• Commerzbank（德国商业银行）： 探索虚拟形象驱动的客户支持，以提供自然、可访问且符合法规的交互。
• Citrix： 评估集成到虚拟桌面基础设施中，以增强企业生产力。
• Sitecore： 为营销人员开发代理能力，以自动化整个内容供应链中的工作流。

01 语音集成和多模态能力

Voice Live API 现已正式发布（GA）。它提供了一个统一的实时语音转语音界面，结合了：

• 语音转文本（Speech-to-text）
• 生成式 AI 模型（Generative AI models）
• 文本转语音（Text-to-speech）
• 虚拟形象（Avatars）
• 会话增强器（Conversation enhancers）

这个低延迟流支持由语音发起和语音结束的多代理工作流，创造了更自然的用户体验。

使用 Voice Live API 的组织包括：

• Capgemini： 客户服务代理
• healow： 学习导师
• Astra Tech： 人力资源助理

这些例子突显了该框架如何支持多模态代理体验，将交互扩展到基于文本的范围之外。

五、解决企业顾虑

01 治理和负责任的 AI

随着 AI 采用的增加，企业越来越重视智能代理的负责任和合规使用。根据麦肯锡 2025 年全球 AI 信任调查，AI 采纳的最大障碍是缺乏有效的治理和风险管理工具。

关键能力：

• 代理约束： 代理保持专注于分配的目标，并避免漂移到意外的任务或行为。这确保了运营的一致性和可靠性。
• 安全保障： 这些工具可以防御提示注入攻击，并标记不受控制或有风险的代理操作，以供组织审查。这提高了安全性和监督。
• PII 检测： 自动检测代理何时访问**个人身份信息 (PII)**。这允许组织根据访问模式评估和完善其数据处理政策。
• 内置合规性： 所有治理功能都内置于 Azure AI Foundry 中。这提供了一个现成的合规层，与组织政策和监管标准保持一致。

这些能力在金融和医疗保健等行业至关重要，在这些行业中，负责任的 AI 使用必须贯穿整个开发和部署生命周期。

02 开发者体验：保持流畅（Staying in Flow）

一项行业研究显示，由于工具碎片化和低效的工作流，50% 的开发人员每周损失超过十小时。这种生产力损耗影响了交付时间表和开发人员士气。Microsoft Agent Framework 通过提供统一的开发体验来解决这一挑战，最大限度地减少上下文切换，并简化代理的创建、测试和部署。

关键优势：

• DevUI： 开发人员不再需要在终端、日志和仪表板之间切换。DevUI 集中了这些任务，帮助团队保持专注和高效。
• 本地到云端部署： 开发人员可以使用 Visual Studio Code 中的 AI Toolkit 扩展进行本地工作，然后在需要时部署到启用可观测性和合规性功能的 Azure AI Foundry。
• 语言和平台灵活性： 框架支持 Python 和 .NET，允许团队使用他们偏好的语言，同时保持环境之间的可移植性和一致性。
• 标准化 API： 通过标准化 API，开发人员可以跨团队和语言进行协作，而无需学习新的接口，这提高了效率并减少了入职时间。

新的 DevUI 提供了一个支持代理开发、测试和调试的交互式界面。它补充了代码优先的工作流，并简化了快速原型设计和故障排除。

六、总结

Microsoft Agent Framework 通过将创新与治理、多模态能力和开发者优先工具相结合，正在塑造企业 AI 的未来。它将实验转化为可扩展、合规的解决方案。随着智能代理成为业务工作流的核心，该框架提供了一个可靠的基础。

如何学习大模型 AI ？

我国在AI大模型领域面临人才短缺，数量与质量均落后于发达国家。2023年，人才缺口已超百万，凸显培养不足。随着Al技术飞速发展，预计到2025年，这一缺口将急剧扩大至400万，严重制约我国Al产业的创新步伐。加强人才培养，优化教育体系，国际合作并进，是破解困局、推动AI发展的关键。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

2025最新大模型学习路线

明确的学习路线至关重要。它能指引新人起点、规划学习顺序、明确核心知识点。大模型领域涉及的知识点非常广泛，没有明确的学习路线可能会导致新人感到迷茫，不知道应该专注于哪些内容。

对于从来没有接触过AI大模型的同学，我帮大家准备了从零基础到精通学习成长路线图以及学习规划。可以说是最科学最系统的学习路线。

针对以上大模型的学习路线我们也整理了对应的学习视频教程，和配套的学习资料。

大模型经典PDF书籍

新手必备的大模型学习PDF书单来了！全是硬核知识，帮你少走弯路！

配套大模型项目实战

所有视频教程所涉及的实战项目和项目源码等

博主介绍＋AI项目案例集锦

MoPaaS专注于Al技术能力建设与应用场景开发，与智学优课联合孵化，培养适合未来发展需求的技术性人才和应用型领袖。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

为什么要学习大模型？

2025人工智能大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 ， 大模型作为其中的重要组成部分 ， 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力， 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 ，为各行各业带来了革命性的改变和机遇 。

适合人群

• 在校学生：包括专科、本科、硕士和博士研究生。学生应具备扎实的编程基础和一定的数学基础，有志于深入AGI大模型行业，希望开展相关的研究和开发工作。
• IT行业从业人员：包括在职或失业者，涵盖开发、测试、运维、产品经理等职务。拥有一定的IT从业经验，至少1年以上的编程工作经验，对大模型技术感兴趣或有业务需求，希望通过课程提升自身在IT领域的竞争力。
• IT管理及技术研究领域人员：包括技术经理、技术负责人、CTO、架构师、研究员等角色。这些人员需要跟随技术发展趋势，主导技术创新，推动大模型技术在企业业务中的应用与改造。
• 传统AI从业人员：包括算法工程师、机器视觉工程师、深度学习工程师等。这些AI技术人才原先从事机器视觉、自然语言处理、推荐系统等领域工作，现需要快速补充大模型技术能力，获得大模型训练微调的实操技能，以适应新的技术发展趋势。
  

课程精彩瞬间

大模型核心原理与Prompt：掌握大语言模型的核心知识，了解行业应用与趋势；熟练Python编程，提升提示工程技能，为Al应用开发打下坚实基础。

RAG应用开发工程：掌握RAG应用开发全流程，理解前沿技术，提升商业化分析与优化能力，通过实战项目加深理解与应用。

Agent应用架构进阶实践：掌握大模型Agent技术的核心原理与实践应用，能够独立完成Agent系统的设计与开发，提升多智能体协同与复杂任务处理的能力，为AI产品的创新与优化提供有力支持。

模型微调与私有化大模型：掌握大模型微调与私有化部署技能，提升模型优化与部署能力，为大模型项目落地打下坚实基础。

顶尖师资，深耕AI大模型前沿技术

实战专家亲授，让你少走弯路

一对一学习规划，职业生涯指导

• 真实商业项目实训
• 大厂绿色直通车

人才库优秀学员参与真实商业项目实训

以商业交付标准作为学习标准，具备真实大模型项目实践操作经验可写入简历，支持项目背调

大厂绿色直通车，冲击行业高薪岗位

文中涉及到的完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】