擞涯碌史状态共享的应用场景
在实际业务场景中，一个AI工作流的多个步骤之间往往需要共享上下文数据，例如用户原始输入、模型的输出缓存等。在MAF中，提供了一个 WorkflowContext 的模型，它原生提供了工作流上下文的状态共享能力。
举个例子，在下面这个聚合统计流程中，创建了一个FileContentState的共享内容通过WorkflowContext进行传递共享给后续的两个统计Executor使用，进而进行聚合输出结果。
image
WorkflowContext API一览
在WorkflowContext API中，它提供了以下一些状态读取和设置的接口，作为字典我们可以了解一下：
image
这里我们用的比较多的是：QueueStateUpdateAsync 和 ReadStateAsync 两个方法。
实验案例
今天来实践一个文档统计的工作流案例，和上面的例子相似：
image
这是一个典型的扇入扇出（Fan-In & Fan-Out）工作流：
首先，用户输入一个文件名，FileReadExecutor会读取该文件的内容并将文件内容传入工作流上下文中共享，同时将文件ID号传递给后续流程。
然后，单词统计Executor 和 段落统计Executor 会分别统计该文件内容的 单词数 和 段落数。
最后，聚合统计Executor会将收集到的 单词数 和 段落数 交由LLM进行友好信息的输出，最初反馈给用户。
这个案例展示了一次写入，多处读取的经典场景，它也是并发协作的基础。
准备工作
在今天的这个案例中，我们仍然创建了一个.NET控制台应用程序，安装了以下NuGet包：
Microsoft.Agents.AI.OpenAI
Microsoft.Agents.AI.Workflows
Microsoft.Extensions.AI.OpenAI
我们的配置文件中定义了LLM API的信息：
复制代码
{
"OpenAI": {
"EndPoint": "https://api.siliconflow.cn",
"ApiKey": "******************************",
"ModelId": "Qwen/Qwen3-30B-A3B-Instruct-2507"
}
}
复制代码
这里我们使用 SiliconCloud 提供的 Qwen/Qwen3-30B-A3B-Instruct-2507 模型，之前的 Qwen2.5 模型在这个案例中不适用。你可以通过这个URL注册账号：https://cloud.siliconflow.cn/i/DomqCefW 获取大量免费的Token来进行本次实验。
然后，我们将配置文件中的API信息读取出来：
var config = new ConfigurationBuilder()
.AddJsonFile($"appsettings.json", optional: false, reloadOnChange: true)
.Build();
var openAIProvider = config.GetSection("OpenAI").Get();
定义数据传输模型
首先，我们定义一下在这个工作流中需要生成传递的数据模型：
（1）FileStats ：统计结果DTO
internal sealed class FileStats
{
public int WordCount { get; init; }
public int ParagraphCount { get; init; }
}
（2）FileContentStateConstants ：常量，类似于Cache Key的作用
internal static class FileContentStateConstants
{
public const string ScopeName = "FileContentState";
}
定义示例数据集
这里我们Mock了一个文档数据集，用于模拟读取的文件内容。
复制代码
internal static class SharedStateSampleData
{
private static readonly IReadOnlyDictionary Documents = new Dictionary
{
"ProductBrief" = "MAF Workflow 让 .NET 团队可以像积木一样组合 Agent、Executor 与工具, 支持流式事件、并发节点和可观测性。\n\n它强调企业级能力, 包括状态管理、依赖注入、权限控制, 适合搭建端到端 AI 业务流程。",
"WeeklyReport" = "本周平台完成了 Shared State 功能的代码走查, 已经覆盖 Fan-out/Fan-in, Loop, Human-in-the-Loop 三种场景。\n\n下周计划: 1) 集成多模型投票; 2) 增加异常回滚; 3) 落地监控指标。"
};
public static string GetDocument(string name)
=> Documents.TryGetValue(name, out var content)
? content
: throw new ArgumentException($"未找到文档: {name}");
}
复制代码
文件读取Executor
MAF中定义了一个Executor的基类，所有自定义Exectuor都需要继承于它。
复制代码
internal sealed class FileReadExecutor() : Executor("FileReadExecutor")
{
public override async ValueTask HandleAsync(string message, IWorkflowContext context, CancellationToken cancellationToken = default)
{
var content = SharedStateSampleData.GetDocument(message);
var fileId = Guid.NewGuid().ToString("N");
await context.QueueStateUpdateAsync(fileId, content,
FileContentStateConstants.ScopeName, cancellationToken);
Console.WriteLine($"?? FileReadExecutor 已成功将 {message} 写入 Scope:{FileContentStateConstants.ScopeName}");
return fileId;
}
}
复制代码
在这个Executor中，接收了用户的输入文件名，然后模拟从Mock文档内容中读取文件内容，并将文件ID 和 文件内容 通过 QueueStateUpdateAsync 方法传入共享状态存储区中，以便后续节点在需要的时候可以从共享状态中读取传递的内容。
最后，将文件ID直接传递给下一个节点。
文字统计 和 段落统计Executor
这里我们弄了两个用于统计文件内容的Executor，演示一下如何通过 ReadStateAsync 方法读取共享状态存储区中的内容。
（1）文字统计
复制代码
internal sealed class WordCountingExecutor() : Executor("WordCountingExecutor")
{
public override async ValueTask HandleAsync(string fileId, IWorkflowContext context, CancellationToken cancellationToken = default)
{
string? content = await context.ReadStateAsync(fileId, FileContentStateConstants.ScopeName, cancellationToken);
if (content is null)
{
throw new InvalidOperationException($"无法在 Scope:{FileContentStateConstants.ScopeName} 中找到 fileId={fileId}");
}
int wordCount = content.Split(' ', '\\n', '\\r', StringSplitOptions.RemoveEmptyEntries).Length;
return new FileStats { WordCount = wordCount };
}
}
复制代码
（2）段落统计
复制代码
internal sealed class ParagraphCountingExecutor() : Executor("ParagraphCountingExecutor")
{
public override async ValueTask HandleAsync(string fileId, IWorkflowContext context, CancellationToken cancellationToken = default)
{
string? content = await context.ReadStateAsync(fileId, FileContentStateConstants.ScopeName, cancellationToken);
if (content is null)
{
throw new InvalidOperationException($"无法在 Scope:{FileContentStateConstants.ScopeName} 中找到 fileId={fileId}");
}
int paragraphCount = content.Split('\\n', '\\r', StringSplitOptions.RemoveEmptyEntries).Length;
return new FileStats { ParagraphCount = paragraphCount };
}
}
复制代码
聚合输出Executor
在工作流最后，我们定义给一个聚合输出的节点来汇总和输出用户友好的统计结果，这里我们首先获取到结构化的统计结果，然后通过LLM让其根据结果输出最终的反馈信息：
复制代码
internal sealed class AggregationExecutor : Executor
{
private readonly AIAgent _aggregationAgent;
private readonly AgentThread _thread;
private readonly List _buffer = \[\];
public AggregationExecutor(IChatClient chatClient) : base("AggregationExecutor")
{
// 创建 Agent 和对话线程
this._aggregationAgent = chatClient.CreateAIAgent(
"你是一个专业的文档统计结果输出大师，你可以将收到的JSON格式统计结果（如总词数、总段落数 以及 统计时间等）进行友好的信息输出给用户。",
"output_agent",
"Output user friendly message based on input document stats result"); ;
this._thread = this._aggregationAgent.GetNewThread();
}
public override async ValueTask HandleAsync(FileStats message, IWorkflowContext context, CancellationToken cancellationToken = default)
{
this._buffer.Add(message);
if (this._buffer.Count < 2)
{
return;
}
int totalWords = this._buffer.Sum(x => x.WordCount);
int totalParagraphs = this._buffer.Sum(x => x.ParagraphCount);
var output = new
{
总词数 = totalWords,
总段落数 = totalParagraphs,
统计时间 = DateTimeOffset.UtcNow
};
var response = await this._aggregationAgent.RunAsync(JsonSerializer.Serialize(output), this._thread, cancellationToken: cancellationToken);
await context.YieldOutputAsync(response.Text, cancellationToken);
}
}
复制代码
构建工作流
现在万事俱备，只欠一个Workflow，现在Let's do it!
Step1: 获取ChatClient
var chatClient = new OpenAIClient(
new ApiKeyCredential(openAIProvider.ApiKey),
new OpenAIClientOptions { Endpoint = new Uri(openAIProvider.Endpoint) })
.GetChatClient(openAIProvider.ModelId)
.AsIChatClient();
Step2: 实例化自定义Agent & Executors
var fileRead = new FileReadExecutor();
var wordCounting = new WordCountingExecutor();
var paragraphCounting = new ParagraphCountingExecutor();
var aggregate = new AggregationExecutor(chatClient);
Step3: 创建Fan-out/Fan-in工作流
复制代码
var sharedStateWorkflow = new WorkflowBuilder(fileRead)
.AddFanOutEdge(fileRead, wordCounting, paragraphCounting)
.AddFanInEdge(wordCounting, paragraphCounting, aggregate)
.WithOutputFrom(aggregate)
.Build();
Console.OutputEncoding = Encoding.UTF8;
Console.WriteLine("? Shared State Workflow 构建完成");
复制代码
Step4: 测试工作流
复制代码
var documentKey = "ProductBrief";
Console.WriteLine("━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━");
Console.WriteLine($"?? 演示文档: {documentKey}");
Console.WriteLine("━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━");
await using (var run = await InProcessExecution.StreamAsync(sharedStateWorkflow, documentKey))
{
await foreach (WorkflowEvent evt in run.WatchStreamAsync())
{
switch (evt)
{
case WorkflowStartedEvent started:
Console.WriteLine($"?? Workflow Started");
break;
case ExecutorCompletedEvent executorCompleted:
Console.WriteLine($"? {executorCompleted.ExecutorId} 完成");
break;
case WorkflowOutputEvent outputEvent:
Console.WriteLine("━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━");
Console.WriteLine("?? 工作流执行完成");
Console.WriteLine("━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━\n");
Console.WriteLine($"{outputEvent.Data}");
break;
case WorkflowErrorEvent errorEvent:
Console.WriteLine("? 收到 Workflow Error Event：");
Console.WriteLine($"{errorEvent.Data}");
break;
default:
break;
}
}
await run.DisposeAsync();
}
复制代码
测试结果如下图所示：
image
可以看见，经过多个节点的统计和聚合，由LLM总结输出了用户友好的统计结果内容。