如何利用Microsoft Agent Framework开发AI美女聊天群组？
摘要：前言 在AI快速发展的今天，微软推出了多个AI开发框架，从早期的AutoGen到Semantic Kernel，再到最新的Microsoft Agent Framework。很多开发者可能会有疑问：为什么微软要推出这么多框架？它们之间有什么
前言
在AI快速发展的今天，微软推出了多个AI开发框架，从早期的AutoGen到Semantic Kernel，再到最新的Microsoft Agent Framework。很多开发者可能会有疑问：为什么微软要推出这么多框架？它们之间有什么区别？本文将通过一个实际的AI美女聊天群组项目，带你深入理解Microsoft Agent Framework，掌握多智能体开发的核心概念。
本文的示例代码已开源：agent-framework-tutorial-code/agent-groupchat
视频演示
为什么微软要推出Microsoft Agent Framework？
AutoGen vs Semantic Kernel vs Agent Framework
在讲解新框架之前，我们先理解一下微软AI框架的演进路径：
AutoGen（研究导向）
最早期的多智能体研究框架
侧重学术研究和实验性功能
Python为主，生态相对独立
Semantic Kernel（应用导向）
面向生产环境的AI应用开发框架
强大的插件系统和内存管理
多语言支持（C#、Python、Java）
适合单一智能体应用
Microsoft Agent Framework（企业导向）
专为多智能体协作设计
内置工作流编排能力(Sequential、Concurrent、Handoff、GroupChat)
支持Handoff转移模式和GroupChat管理模式
与Azure AI Foundry深度集成
同时支持.NET和Python
Agent Framework的核心优势
原生多智能体支持：无需手动管理智能体间的通信,框架自动处理消息路由
声明式工作流：通过AgentWorkflowBuilder构建复杂协作场景
内置编排模式：
Handoff模式：智能体通过function calling实现控制权转移
GroupChat模式：通过GroupChatManager选择下一个发言智能体(支持RoundRobin、Prompt-based等策略)
状态管理：支持checkpoint存储,可恢复中断的工作流
大模型基础知识科普
在使用框架之前，我们需要理解大模型的工作原理。很多开发者对大模型有神秘感，其实它本质上就是一个HTTP API调用。
LLM API的本质
让我们用curl演示一个最简单的OpenAI API调用：
curl https://api.openai.com/v1/chat/completions \
-H "Content-Type: application/json" \
-H "Authorization: Bearer YOUR_API_KEY" \
-d '{
"model": "gpt-4o-mini",
"messages": [
{
"role": "user",
"content": "你好，请介绍一下自己"
}
]
}'
响应结果：
{
"id": "chatcmpl-abc123",
"object": "chat.completion",
"created": 1677652288,
"model": "gpt-4o-mini",
"choices": [{
"index": 0,
"message": {
"role": "assistant",
"content": "你好！我是一个AI助手，可以回答问题、提供建议..."
},
"finish_reason": "stop"
}]
}
关键点：
LLM就是一个普通的HTTP接口
输入：对话历史（messages数组）
输出：AI生成的回复（content字段）
所有复杂的Agent功能都是框架基于这个简单API构建的
函数调用（Function Calling）
函数调用是让LLM能够操作外部工具的关键机制。
工作流程：
开发者定义可用的函数（工具）
LLM根据用户意图决定调用哪个函数
框架执行函数并获取结果
将结果返回给LLM继续对话
示例 - 定义天气查询函数：
{
"name": "get_weather",
"description": "查询指定城市的天气信息",
"parameters": {
"type": "object",
"properties": {
"city": {
"type": "string",
"description": "城市名称，例如：北京"
}
},
"required": ["city"]
}
}
LLM的调用响应：
{
"role": "assistant",
"content": null,
"function_call": {
"name": "get_weather",
"arguments": "{\"city\": \"北京\"}"
}
}
重点理解：
LLM不会直接执行函数，只是"建议"调用
框架负责解析并执行函数
执行结果需要再次发送给LLM才能生成最终回复
MCP（Model Context Protocol）
MCP是新兴的标准化协议，用于LLM与外部工具的通信。
MCP的优势：
标准化接口：不同工具遵循统一协议
动态工具发现：运行时加载工具
安全隔离：工具在独立进程运行
在我们的示例项目中，使用MCP集成了阿里云通义万相图片生成能力。
agent-groupchat项目解析
项目架构
项目采用.NET Aspire编排,前后端分离架构:
agent-groupchat/
├── AgentGroupChat.AppHost/ # Aspire编排入口
│ └── Program.cs # 服务编排配置
│
├── AgentGroupChat.AgentHost/ # 后端API服务（.NET 9）
│ ├── Services/
│ │ ├── AgentChatService.cs # 核心聊天服务
│ │ ├── WorkflowManager.cs # 工作流管理
│ │ ├── AgentRepository.cs # 智能体配置管理
│ │ └── AgentGroupRepository.cs # 群组管理
│ ├── Models/
│ │ ├── AgentProfile.cs # 智能体模型
│ │ └── AgentGroup.cs # 群组模型
│ └── Program.cs # API端点
│
├── AgentGroupChat.Web/ # Blazor WebAssembly前端
│ ├── Components/
│ │ ├── Pages/
│ │ │ ├── Home.razor # 聊天主页面
│ │ │ └── Admin.razor # 管理后台
│ │ └── Layout/
│ │ └── MainLayout.razor # 主布局
│ ├── Services/
│ │ └── AgentHostClient.cs # API客户端
│ └── Program.cs # 前端入口
│
└── AgentGroupChat.ServiceDefaults/ # 共享服务配置
└── Extensions.cs # OpenTelemetry/健康检查
Aspire编排说明
什么是.NET Aspire？
.NET Aspire是微软推出的云原生应用编排框架,简化分布式应用的开发和部署：
服务发现：自动解析服务地址,前端无需硬编码API地址
统一启动：一个命令启动所有服务
可观测性：内置OpenTelemetry遥测数据收集
Dashboard：实时查看服务状态、日志、指标
AppHost配置（AgentGroupChat.AppHost/Program.cs）：
var builder = DistributedApplication.CreateBuilder(args);
// 添加后端API服务
var agentHost = builder.AddProject<Projects.AgentGroupChat_AgentHost>("agenthost");
// 添加Blazor前端,引用后端服务
builder.AddProject<Projects.AgentGroupChat_Web>("webfrontend")
.WithExternalHttpEndpoints() // 暴露外部访问端口
.WithReference(agentHost) // 注入agenthost服务发现信息
.WaitFor(agentHost); // 等待后端启动完成
builder.Build().Run();
服务发现原理：
前端通过Aspire自动获取后端地址（Program.cs）：
// Web项目的Program.cs
var agentHostUrl = builder.Configuration["AgentHostUrl"] ?? "https://localhost:7390";
builder.Services.AddScoped(sp => new HttpClient { BaseAddress = new Uri(agentHostUrl) });
Aspire会自动将agenthost服务的实际地址注入到配置中。
智能体定义
项目创建了6个性格各异的AI美女角色，组成"AI世界公馆"：
艾莲 (Elena)
new PersistedAgentProfile
{
Id = "elena",
Name = "艾莲",
Avatar = "🧠",
SystemPrompt = "你是艾莲，一位来自巴黎的人文学者，专注于哲学、艺术和文学研究...",
Description = "巴黎研究员，擅长哲学、艺术与思辨分析",
Personality = "理性、深邃，喜欢引经据典，用哲学视角看世界"
}
莉子 (Rina)
new PersistedAgentProfile
{
Id = "rina",
Name = "莉子",
Avatar = "🎮",
SystemPrompt = "你是莉子，来自东京的元气少女，热爱动漫、游戏和可爱的事物...",
Description = "东京元气少女，热爱动漫、游戏和可爱事物",
Personality = "活泼、热情，说话带感叹号，喜欢用可爱的emoji"
}
其他角色：
克洛伊 (Chloe)：纽约科技极客
安妮 (Annie)：洛杉矶时尚博主
苏菲 (Sophie)：伦敦哲学诗人
智能路由实现
这是项目的核心亮点 - Triage Agent自动将用户消息路由到最合适的AI角色。
Triage Agent配置：
var triageSystemPrompt = @"你是AI世界公馆的智能路由系统。
【核心规则】
1. 永远不要生成文本回复 - 你对用户完全透明
2. 立即调用handoff函数，不需要解释
3. 不要确认、问候或回应 - 只默默路由
【路由策略】
1. **直接提及**：用户用 @ 提到角色名，立即路由到该角色
2. **话题匹配**：
- 哲学/艺术/文学 → 艾莲
- 动漫/游戏/萌文化 → 莉子
- 科技/编程/AI → 克洛伊
- 时尚/美妆/生活 → 安妮
- 诗歌/文学/情感 → 苏菲
3. **语气风格**：活泼→莉子，理性→艾莲，冷静→克洛伊
4. **上下文连贯**：查看对话历史，如果上一条是某专家回复且话题相关，继续路由到该专家
示例：
- ""@莉子 推荐动漫"" → handoff_to_rina
- ""如何学习机器学习？"" → handoff_to_chloe
- ""最新的时尚趋势是什么？"" → handoff_to_annie
";
Handoff实现：
// 创建Handoff工作流
var workflow = _workflowManager.GetOrCreateWorkflow(groupId);
// 运行工作流
await using StreamingRun run = await InProcessExecution.StreamAsync(workflow, messages);
await run.TrySendMessageAsync(new TurnToken(emitEvents: true));
// 监听事件流
await foreach (WorkflowEvent evt in run.WatchStreamAsync())
{
if (evt is AgentRunUpdateEvent agentUpdate)
{
// 检测到specialist agent执行
if (agentUpdate.ExecutorId != "triage")
{
var profile = _agentRepository.Get(agentUpdate.ExecutorId);
// 提取LLM生成的文本
var textContent = agentUpdate.Update.Contents
.OfType<TextContent>()
.FirstOrDefault();
// 构建响应
summaries.Add(new ChatMessageSummary
{
AgentId = agentUpdate.ExecutorId,
AgentName = profile?.Name,
AgentAvatar = profile?.Avatar,
Content = textContent?.Text,
IsUser = false
});
}
}
}
关键技术点
1. 动态智能体加载
智能体配置存储在LiteDB中，支持运行时动态更新：
public class AgentRepository
{
public List<PersistedAgentProfile> GetAllEnabled()
{
return _collection
.Find(a => a.Enabled)
.ToList();
}
public void Upsert(PersistedAgentProfile agent)
{
_collection.Upsert(agent);
}
}
2. 工作流管理
每个智能体组有独立的工作流实例：
public class WorkflowManager
{
private readonly Dictionary<string, Workflow> _workflows = new();
public Workflow GetOrCreateWorkflow(string groupId)
{
if (!_workflows.TryGetValue(groupId, out var workflow))
{
var group = _groupRepository.Get(groupId);
workflow = BuildHandoffWorkflow(group);
_workflows[groupId] = workflow;
}
return workflow;
}
}
3. 消息持久化
使用LiteDB存储会话历史：
public class PersistedSessionService
{
public void AddMessage(string sessionId, ChatMessageSummary message)
{
var doc = new BsonDocument
{
["SessionId"] = sessionId,
["AgentId"] = message.AgentId,
["Content"] = message.Content,
["Timestamp"] = message.Timestamp,
["IsUser"] = message.IsUser
};
_messagesCollection.Insert(doc);
}
}
国内用户运行指南
方式一：使用阿里云百炼平台
获取API密钥
访问 阿里云百炼，创建应用并获取API Key。
配置appsettings.json
{
"DefaultModelProvider": "OpenAI",
"OpenAI": {
"BaseUrl": "https://dashscope.aliyuncs.com/compatible-mode/v1",
"ModelName": "qwen-plus",
"ApiKey": "sk-your-api-key"
}
}
配置MCP生图
需要开通MCP生图服务
使用的key也是和百炼的模型key一致
{
"McpServers": {
"Servers": [
{
"Id": "dashscope-text-to-image",
"Name": "DashScope Text-to-Image",
"Endpoint": "https://dashscope.aliyuncs.com/api/v1/mcps/TextToImage/sse",
"AuthType": "Bearer",
"BearerToken": "",
"TransportMode": "Sse",
"Enabled": true,
"Description": "阿里云 DashScope 文生图服务，用于生成图像"
}
]
}
}
运行项目
方式A：使用Aspire一键启动（推荐）
cd agent-groupchat
dotnet run --project AgentGroupChat.AppHost
Aspire Dashboard会自动打开（http://localhost:15220），显示：
agenthost：后端API服务
webfrontend：Blazor前端
直接点击webfrontend的URL即可访问应用。
方式B：独立启动各服务
终端1 - 启动后端：
cd agent-groupchat/AgentGroupChat.AgentHost
dotnet run
# 记下端口，如 https://localhost:7390
终端2 - 启动前端（需先配置后端地址）：
编辑AgentGroupChat.Web/wwwroot/appsettings.json：
{
"AgentHostUrl": "https://localhost:7390"
}
然后启动：
cd agent-groupchat/AgentGroupChat.Web
dotnet run
访问前端地址（如https://localhost:5001）
方式二：使用DeepSeek
获取API密钥
访问 DeepSeek开放平台
配置
{
"DefaultModelProvider": "OpenAI",
"OpenAI": {
"BaseUrl": "https://api.deepseek.com/v1",
"ModelName": "deepseek-chat",
"ApiKey": "sk-your-api-key"
}
}
方式三：使用Azure AI Foundry
创建Azure OpenAI资源
访问 AI Foundry，创建Azure OpenAI服务。
部署模型
在AI Foundry中部署 gpt-4o-mini 模型。
配置
{
"DefaultModelProvider": "AzureOpenAI",
"AzureOpenAI": {
"Endpoint": "https://your-resource.openai.azure.com/",
"DeploymentName": "gpt-4o-mini",
"ApiKey": "your-api-key"
}
}
实战演示
测试场景1：直接提及
输入：@莉子 推荐几部最近的热门动漫
路由过程：
Triage Agent检测到 @莉子
调用 handoff_to_rina 函数
莉子接收消息并回复
输出：
莉子：哇！最近的新番超棒的呢！✨
强烈推荐《葬送的芙莉莲》，这部番真的是神作级别！
还有《咒术回战》第二季也超燃的！
如果喜欢轻松搞笑的，《关于我转生变成史莱姆这档事》第三季也很有趣哦~ (◕‿◕✿)
测试场景2：话题路由
输入：最近在学习机器学习，有什么建议吗？
路由过程：
Triage Agent识别"机器学习"属于科技话题
路由到克洛伊（科技专家）
输出：
克洛伊：机器学习入门的话，建议从这几个方面开始：
1. **数学基础**：线性代数、概率统计、微积分
2. **编程**：Python是首选，熟练使用NumPy、Pandas
3. **经典算法**：先理解监督学习（线性回归、决策树）
4. **框架**：PyTorch或TensorFlow二选一
5. **实战项目**：Kaggle上有很多适合新手的数据集
推荐课程：吴恩达的Machine Learning课程（Coursera）
测试场景3：上下文连贯
对话1：
用户：什么是存在主义？
艾莲：存在主义认为"存在先于本质"，强调个体的自由选择和责任...
对话2（紧接上文）：
用户：那萨特的观点具体是什么？
系统：检测到话题延续，继续路由到艾莲
艾莲：萨特是存在主义的代表人物，他在《存在与虚无》中提出...
核心代码详解
1. WorkflowManager核心逻辑
public class WorkflowManager
{
private Workflow BuildHandoffWorkflow(AgentGroup group)
{
// 1. 创建Triage Agent
var triageAgent = new ChatClientAgent(
_chatClient,
group.TriageSystemPrompt ?? DefaultTriagePrompt,
"triage",
"Routes messages to appropriate agent"
);
// 2. 加载组内所有智能体
var specialists = group.AgentIds
.Select(id => _agentRepository.Get(id))
.Where(a => a != null)
.Select(a => new ChatClientAgent(
_chatClient,
a.SystemPrompt,
a.Id,
a.Description
))
.ToList();
// 3. 构建Handoff工作流
var builder = AgentWorkflowBuilder
.CreateHandoffBuilderWith(triageAgent)
.WithHandoffs(triageAgent, specialists) // Triage可以切换到任何专家
.WithHandoffs(specialists, triageAgent); // 专家可以切回Triage
return builder.Build();
}
}
2. 事件流处理
public async Task<List<ChatMessageSummary>> SendMessageAsync(
string message,
string sessionId,
string? groupId = null)
{
var summaries = new List<ChatMessageSummary>();
// 添加用户消息
summaries.Add(new ChatMessageSummary
{
Content = message,
IsUser = true,
Timestamp = DateTime.UtcNow
});
// 获取工作流
var workflow = _workflowManager.GetOrCreateWorkflow(groupId);
// 加载历史消息
var messages = LoadHistoryMessages(sessionId);
messages.Add(new AIChatMessage(ChatRole.User, message));
// 运行工作流
await using StreamingRun run = await InProcessExecution.StreamAsync(workflow, messages);
await run.TrySendMessageAsync(new TurnToken(emitEvents: true));
string? currentExecutorId = null;
ChatMessageSummary? currentSummary = null;
// 处理事件流
await foreach (WorkflowEvent evt in run.WatchStreamAsync())
{
if (evt is AgentRunUpdateEvent agentUpdate)
{
// 跳过Triage Agent的输出（它只负责路由）
var executorIdPrefix = agentUpdate.ExecutorId.Split('_')[0];
if (executorIdPrefix.Equals("triage", StringComparison.OrdinalIgnoreCase))
{
continue;
}
// 检测到新的specialist agent
if (agentUpdate.ExecutorId != currentExecutorId)
{
currentExecutorId = agentUpdate.ExecutorId;
var profile = _agentRepository.Get(currentExecutorId);
currentSummary = new ChatMessageSummary
{
AgentId = currentExecutorId,
AgentName = profile?.Name ?? currentExecutorId,
AgentAvatar = profile?.Avatar ?? "🤖",
Content = "",
IsUser = false,
Timestamp = DateTime.UtcNow
};
summaries.Add(currentSummary);
}
// 累积文本内容
if (currentSummary != null)
{
var textContent = agentUpdate.Update.Contents
.OfType<TextContent>()
.FirstOrDefault();
if (textContent != null && !string.IsNullOrWhiteSpace(textContent.Text))
{
currentSummary.Content += textContent.Text;
}
}
}
}
// 保存到数据库
SaveMessages(sessionId, summaries);
return summaries.Where(s => !s.IsUser).ToList();
}
3. Blazor WebAssembly前端
为什么选择Blazor WASM？
完全在浏览器运行,无需服务器端SignalR连接
与后端API完全解耦,便于扩展
利用.NET生态,C#编写前端逻辑
API客户端封装（AgentHostClient.cs）：
public class AgentHostClient
{
private readonly HttpClient _httpClient;
public AgentHostClient(HttpClient httpClient, ILogger<AgentHostClient> logger)
{
_httpClient = httpClient;
_logger = logger;
}
// 发送消息
public async Task<List<ChatMessageSummary>> SendMessageAsync(
string sessionId, string message, string? groupId = null)
{
var request = new { Message = message, SessionId = sessionId, GroupId = groupId };
var response = await _httpClient.PostAsJsonAsync("api/chat", request);
return await response.Content.ReadFromJsonAsync<List<ChatMessageSummary>>() ?? [];
}
// 获取智能体列表
public async Task<List<AgentProfile>> GetAgentsAsync()
{
return await _httpClient.GetFromJsonAsync<List<AgentProfile>>("api/agents") ?? [];
}
}
主页面交互（Home.razor）：
@page "/"
@inject AgentHostClient AgentHostClient
@inject IJSRuntime JSRuntime
<MudContainer MaxWidth="MaxWidth.False">
<MudPaper Elevation="2" Class="chat-container">
<!-- 消息列表 -->
<div id="messages-container" class="messages-area">
@foreach (var msg in _messages)
{
@if (msg.IsUser)
{
<div class="user-message">@msg.Content</div>
}
else
{
<div class="agent-message">
<MudAvatar>@msg.AgentAvatar</MudAvatar>
<div>
<strong>@msg.AgentName</strong>
<div>@((MarkupString)Markdown.ToHtml(msg.Content))</div>
</div>
</div>
}
}
</div>
<!-- 输入框 -->
<MudTextField @bind-Value="_inputMessage"
Placeholder="输入消息..."
OnKeyDown="HandleKeyPress" />
<MudButton OnClick="SendMessage" Disabled="_isSending">发送</MudButton>
</MudPaper>
</MudContainer>
@code {
private string _inputMessage = "";
private List<ChatMessageSummary> _messages = new();
private bool _isSending = false;
private async Task SendMessage()
{
if (string.IsNullOrWhiteSpace(_inputMessage)) return;
_isSending = true;
try
{
// 调用后端API
var response = await AgentHostClient.SendMessageAsync(
_currentSession.Id,
_inputMessage,
_currentSession.GroupId
);
// 更新消息列表
_messages.AddRange(response);
// 自动滚动到底部
await JSRuntime.InvokeVoidAsync("smoothScrollToBottom", "messages-container");
}
finally
{
_isSending = false;
_inputMessage = "";
}
}
// Enter键发送,Shift+Enter换行
private async Task HandleKeyPress(KeyboardEventArgs e)
{
if (e.Key == "Enter" && !e.ShiftKey)
{
await SendMessage();
}
}
}
MudBlazor组件库：
项目使用MudBlazor构建现代化UI：
<!-- 卡片容器 -->
<MudPaper Elevation="2" Class="pa-4">
<MudText Typo="Typo.h5">标题</MudText>
</MudPaper>
<!-- 输入框 -->
<MudTextField @bind-Value="value" Label="标签" Variant="Variant.Outlined" />
<!-- 按钮 -->
<MudButton Variant="Variant.Filled" Color="Color.Primary">按钮</MudButton>
<!-- 头像 -->
<MudAvatar Color="Color.Primary">🧠</MudAvatar>
总结与展望
通过这个AI美女聊天群组项目，我们学习了：
大模型基础：理解LLM API、Function Calling和MCP协议
多智能体架构：掌握Handoff模式和Triage智能路由
Agent Framework：使用AgentWorkflowBuilder构建Handoff工作流
Aspire编排：通过.NET Aspire实现服务发现和统一启动
Blazor WASM：前后端分离架构，完全客户端渲染
实战技巧：动态加载、状态管理、LiteDB持久化
参考资源
官方文档
Microsoft Agent Framework 文档
Agent Framework GitHub
Azure AI Foundry
国内平台
阿里云百炼
DeepSeek API
示例代码
agent-groupchat 完整代码
如果这篇文章对你有帮助，欢迎点赞收藏！有任何问题也欢迎在评论区讨论。