上周微软把 Agent Framework (MAF) 推上了 GitHub Trending,13,356 Stars,定位 production-grade。我把 samples 目录跑了大半,结论先放前面:这是目前最像"企业级"的 Agent 框架,但代价是抽象层偏厚、小项目用着累。
它解决什么问题
LangChain 太自由,AutoGen 太玩具,LangGraph 学习曲线陡——企业要把 Agent 跑进生产,需要的是 provider 无关、可观测、支持 human-in-the-loop 的框架。微软 agent-framework 直接对标这个空缺。
展开说三点:
- 可观测:Workflow 节点每次状态变化都广播事件,自带 OpenTelemetry 集成
- 可恢复:内置 checkpointing,workflow 中途崩溃能从最近一次快照重启
- 可中断:human-in-the-loop 是 first-class 概念,不是后加的装饰
LangChain 时代,这三件事都得自己拼。MAF 把它们做进了 Runtime 层。
怎么用
pip install agent-framework,30 行写一个带工具调用的 Agent:
from agent_framework.azure import AzureAIAgent
from agent_framework import tool
@tool
def get_weather(city: str) -> str:
return f"{city}:晴,25°C"
agent = AzureAIAgent(
name="weather-bot",
instructions="你是一个天气助手,使用工具回答问题。",
tools=[get_weather],
)
async def main():
response = await agent.run("北京今天天气怎么样?")
print(response.text)
import asyncio
asyncio.run(main())
再 50 行串成 sequential workflow,两个 Agent 接力处理订单:
from agent_framework import WorkflowBuilder, executor
@executor
async def intake(msg: str, ctx):
await ctx.send_message(msg, target_id="validator")
@executor
async def validator(msg: str, ctx):
if "fraud" in msg.lower():
await ctx.yield_output("blocked")
else:
await ctx.send_message(msg, target_id="fulfill")
@executor
async def fulfill(msg: str, ctx):
await ctx.yield_output(f"order {msg} shipped")
wf = (
WorkflowBuilder()
.set_start_executor(intake)
.add_edge(intake, validator)
.add_edge(validator, fulfill)
.build()
)
async def main():
async for ev in wf.run_stream("order-12345"):
print(ev)
注意 add_edge 这种图结构 API——它就是 LangGraph 风格的 DAG,只是名字换了。
它怎么工作
拆三层:
- Agent:单兵,封装一个 LLM client + 工具集 + system prompt
- Workflow:编排层,图结构,定义 Agent 之间的数据流向
- Runtime:运行时,负责 checkpoint、streaming、HITL、time-travel
图结构编排的内置四种拓扑:
- Sequential:A → B → C,流水线
- Concurrent:广播给多个 Agent,合并结果
- Handoff:根据上下文把任务"交接"给另一个 Agent(类似 AutoGen 的群聊)
- Group Chat:多 Agent 圆桌讨论,有 moderator
部署到 Azure AI Foundry 仅需额外 2 行代码——把 AzureAIAgent 替换成 FoundryAgent,环境变量配上 foundry endpoint 就行。其他代码不动。
哪里好,哪里不好
好:
- 双栈 API 一致,Python 和 .NET 命名规范几乎对等
- 企业级特性齐:checkpointing、streaming、human-in-the-loop、time-travel 都是 first-class
- 微软生态整合深:Foundry、Azure OpenAI、GitHub Copilot SDK 原生支持
不好:
- Python 包体积偏大,光 import agent_framework 就拖一堆依赖
- 文档对 OpenAI 兼容层之外的 provider(比如 DeepSeek、Qwen)覆盖薄
- Go SDK 拆出去是双刃剑:独立 repo 维护节奏和主仓不同
横向对比:
| 框架 | 编排模型 | 学习曲线 | 生产特性 |
|---|---|---|---|
| MAF | 图 + 四种拓扑 | 中 | 强 |
| LangGraph | 自定义 DAG | 陡 | 中 |
| AutoGen | 对话驱动 | 低 | 弱 |
| CrewAI | Role-based | 低 | 中 |
MAF 适合的场景是"我知道我要什么编排模式,从四种里挑一个";LangGraph 适合"我要自己定义任意拓扑"。
我试了下
本地跑了 samples/02-agents 的 function calling 示例和 samples/03-workflows 的 sequential workflow,数据如下:
- 冷启动时间:AzureAIAgent 初始化 + 首次模型调用,2.1s(其中 auth 占了 0.8s)
- token 消耗:单轮天气查询约 320 input + 85 output,工具描述占 input 的 40%
- checkpoint 行为:workflow 每完成一个 executor 节点自动持久化,重启后从断点继续,无重复执行
体感:API 设计比 LangGraph 收敛很多,但调试信息不如 LangGraph dev UI 直观。workflow 中间状态得自己 print,要可视化得接外部 trace 工具。
谁该用
适用:
- .NET 团队(微软亲儿子,.NET SDK 比 Python 还早 GA)
- 企业级项目(需要 HITL、审计日志、可观测)
- 金融 / 医疗 / 法律场景(合规要求高)
不适用:
- 只想跑几个 prompt 的极简用户(直接用 OpenAI SDK 就行)
- 纯前端 Demo(MAF 是后端框架)
- 需要 LangGraph 那类高度自定义 DAG 的研究者
编辑思考
微软这次最大的不同,不是技术多牛,而是它在用企业软件的标准重新定义 Agent 框架——durability、可观测、provider 抽象,这些词在 LangChain 时代几乎没人提。我赌 12 个月内,生产级 Agent 项目的默认选型会从 LangGraph 转向 MAF 或同类框架。
风险:微软历史上有过 Bot Framework / Semantic Kernel 这种半成品,如果社区分裂太快,Python 一侧可能输给 LangChain。Semantic Kernel 当年也是"微软官方 + .NET 友好",结果被 LangChain 抢了风头。
不确定的是:这套框架对中国本土 LLM(DeepSeek / Qwen)的支持深度,README 没明说。如果走 OpenAI 兼容层,理论能跑,但工具调用格式和中文 system prompt 模板没看到专门测试。如果你在国内部署,这是要自己验证的第一件事。