如何将MAF快速入门（1）的Agent创建范式简化为？

大家好，我是Edison。 MAF（Microsoft Agent Framwork）已经出来有一段时间，最近看到它的commit比较频繁，估计是为了在.NET Conf 2025发布1.0.0的正式版。预览版也并不妨碍我们的学习，那么从今天开始，我们就通过微软官方学习文档来一起进入MAF的世界吧。 MAF简单介绍 Microsoft Agent Framework (MAF)是微软最新推出的统一的智能体开发框架，用于生成适用于 .NET 和 Python 的 AI Agent（智能体）和 Multi Agent Workflow（多智能体工作流）。MAF 汇集了 Semantic Kernel 和 AutoGen 两个知名项目的优点，并扩展了其优势，同时添加了新功能。换句话说，它们由同一开发团队构建，是今后构建AI Agent的统一基础。 简而言之，MAF是微软推出的智能体开发的“终极武器”！ 对于.NET技术栈的开发团队而言，其意义十分重大，它将已有的技术版图组合起来，形成一个AI时代的完整技术栈： 对于Edison所在的团队来说，.NET技术栈开发者可以使用MAF快速进入Agent开发领域，转型速度飞快。同时，在机器学习、模型训练 和 推理服务器（Inference Server）方面，我们也在使用Python来做，将各自的优势保留并发挥即可。 AI Agent是什么？ 让我们再来看看AI Agent（又称为AI智能体）是什么，它其实是一个使用LLM来处理用户输入、做出决策、调用工具（MCP服务器）来执行并生成响应以完成某个具体的任务。 下图说明了AI Agent中的核心组件及其交互： AI Agent适用于需要自主决策、规划试验 和 基于聊天 的用户交互应用程序，特别是对于输入任务非结构化且无法提前定义的情况，它们特别有用。这一类场景常见于客户支持、教育辅导、研究帮助等领域。 需要注意的是：AI Agent不适合高度结构化且要求严格遵循预定义规则的任务。也就是说，如果应用程序预期有特定类型的输入，并且具有明确定义的作业顺序，则使用 AI Agent可能会带来不必要的不确定性、延迟和成本。 Workflow是什么？ Workflow即工作流，它可以表达预定义的作业序列，工作流旨在处理可能涉及多个AI Agent、人工交互 和 与外部系统的集成的复杂且长时间运行的进程。 很多时候，我们可以显示定义工作流的执行序列，从而更好地控制执行路径。 下图演示了链接两个AI Agent 和 一个函数方法 的工作流示例： 工作流提供了一种结构化方法，用于管理涉及多个步骤、决策点 和 与各种系统或Agent交互的复杂流程。 快速开始创建Agent 这里我们创建一个.NET控制台项目，安装以下组件包： <PackageReference Include="Azure.AI.OpenAI" Version="2.5.0-beta.1" /> <PackageReference Include="Microsoft.Agents.AI.OpenAI" Version="1.0.0-preview.251110.1" /> 假定我们有如下配置文件定义了我们可以用到的LLM API： { "OpenAI": { "EndPoint": "https://api.siliconflow.cn", "ApiKey": "******************************", "ModelId": "Qwen/Qwen2.5-32B-Instruct" } } 这里我们使用SiliconCloud提供的Qwen2.5-32B-Instruct模型，你可以通过这个URL注册账号：https://cloud.siliconflow.cn/i/DomqCefW获取免费的Token来进行本次实验。