MAF快速入门（1）化繁为简的Agent创建范式

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。

首先，我们加载配置文件到应用程序中：

// Load configuration
var config = new ConfigurationBuilder()
    .AddJsonFile($"appsettings.json", optional: false, reloadOnChange: true)
    .Build();
var openAIProvider = config.GetSection("OpenAI").Get<OpenAIProvider>();

其中，OpenAIProvider的类定义如下：

public sealed class OpenAIProvider
{
    public string ApiKey { get; init; } = string.Empty;
    public string ModelId { get; init; } = string.Empty;
    public string Endpoint { get; init; } = string.Empty;
}

Create Agent

其次，我们创建第一个Hello World的Agent：

var jokerAgent = new OpenAIClient(
        new ApiKeyCredential(openAIProvider.ApiKey),
        new OpenAIClientOptions { Endpoint = new Uri(openAIProvider.Endpoint) })
    .GetChatClient(openAIProvider.ModelId)
    .CreateAIAgent(instructions: "You are good at telling jokes.", name: "Joker");

然后，通过简单的一句RunAsync 或 RunStreamingAsync 即可完成一次交互：

// Method 1: RunAsync
Console.WriteLine(await jokerAgent.RunAsync("Tell me a joke about a pirate."));
// Method 2: RunStreamingAsync
await foreach (var update in jokerAgent.RunStreamingAsync("Tell me a joke about a car."))
{
    Console.Write(update);
}

最终的结果如下图所示，还挺幽默的：

那么，如果是用的AzureOpenAI呢？只需要换成下面即可：

var jokerAgent = new AzureOpenAIClient(
    new Uri(azureOpenAIProvider.Endpoint),
    new ApiKeyCredential(azureOpenAIProvider.ApiKey))
    .GetChatClient(azureOpenAIProvider.ModelId)
    .CreateAIAgent(instructions: "You are good at telling jokes.", name: "Joker");
Console.WriteLine(await jokerAgent.RunAsync("Tell me a joke about a pirate."));

多轮对话

我们还可以通过AgentThread这个特性来实现具有"短期记忆"的多轮对话：

var thread1 = jokerAgent.GetNewThread();
var thread2 = jokerAgent.GetNewThread();
Console.WriteLine(await jokerAgent.RunAsync("Tell me a joke about a pirate.", thread1) + Environment.NewLine);
Console.WriteLine(await jokerAgent.RunAsync("Now add some emojis to the joke and tell it in the voice of a pirate's parrot.", thread1) + Environment.NewLine);
Console.WriteLine(await jokerAgent.RunAsync("Tell me a joke about a robot.", thread2) + Environment.NewLine);
Console.WriteLine(await jokerAgent.RunAsync("Now add some emojis to the joke and tell it in the voice of a robot.", thread2) + Environment.NewLine);

函数调用

此外，在MAF中进行函数方法调用也是十分的轻松：

定义一个简单的函数方法：

public class WeatherServicePlugin
{
    [Description("Get current weather for a location")]
    public static async Task<string> GetCurrentWeatherAsync(string location)
    {
        return $"The weather in {location} is cloudy with a high of 15°C.";
    }
}

然后在创建Agent时将工具列表告诉Agent即可：

var agent = new OpenAIClient(
        new ApiKeyCredential(openAIProvider.ApiKey),
        new OpenAIClientOptions { Endpoint = new Uri(openAIProvider.Endpoint) })
    .GetChatClient(openAIProvider.ModelId)
    .CreateAIAgent(
    instructions: "You are a helpful assistant", 
    tools: [AIFunctionFactory.Create(WeatherServicePlugin.GetCurrentWeatherAsync)]);
Console.WriteLine(await agent.RunAsync("Tell me the weather like in Chengdu?"));

最终显示的结果如下：

而在实际开发中，基于MAF和原有的ASP.NET Core框架，将依赖注入和生命周期管理纳入进来，可以实现更为强大的模块化力量。

人工审批的函数调用

相信我们在使用GitHub Copilot之类的编码智能体时会遇到，当它想要执行某个命令行或工具调用时会先征求你的审批，同意后它才会执行。其实，在Agent开发中，人工审批的工具调用也是一个常见的需求，而在MAF中，它也支持我们快速实现这个需求。

下面这个示例演示了如何实现人工审批的工具调用：

var weatherTool = AIFunctionFactory.Create(WeatherServicePlugin.GetCurrentWeatherAsync);
var approvalRequiredWeatherTool = new ApprovalRequiredAIFunction(weatherTool);
var agent = new OpenAIClient(
        new ApiKeyCredential(openAIProvider.ApiKey),
        new OpenAIClientOptions { Endpoint = new Uri(openAIProvider.Endpoint) })
    .GetChatClient(openAIProvider.ModelId)
    .CreateAIAgent(instructions: "You are a helpful assistant", tools: [approvalRequiredWeatherTool]);
var thread = agent.GetNewThread();
var response = await agent.RunAsync("Tell me the weather like in Chengdu?", thread);
var userInputRequests = response.UserInputRequests.ToList();
while(userInputRequests.Count > 0)
{
    // Ask the user to approve each function call request.
    var userInputResponses = userInputRequests
        .OfType<FunctionApprovalRequestContent>()
        .Select(functionApprovalRequest =>
        {
            Console.WriteLine($"The agent would like to invoke the following function, please reply Y to approve: Name {functionApprovalRequest.FunctionCall.Name}");
            return new ChatMessage(ChatRole.User, [functionApprovalRequest.CreateResponse(Console.ReadLine()?.Equals("Y", StringComparison.OrdinalIgnoreCase) ?? false)]);
        })
        .ToList();
    // Pass the user input responses back to the agent for further processing.
    response = await agent.RunAsync(userInputResponses, thread);
    userInputRequests = response.UserInputRequests.ToList();
}
Console.WriteLine(Environment.NewLine + $"Agent: {response}");

执行结果如下图所示：只有当我们人工输入Y确认后，它才会调用工具执行。

小结

本文介绍了MAF的基本功能，AI Agent和Workflow的基本概念，以及通过一个.NET控制台项目快速创建了一个Agent的代码示例。

下一篇，我们将继续MAF的学习。

示例源码

Github: https://github.com/EdisonTalk/MAFD

参考资料

Microsoft Learn，《Agent Framework Tutorials》