框架

微软 Agent Framework 实战:从单 Agent 到多 Agent 工作流

13k Stars 的微软官方 Agent 框架,Python 和 .NET 双栈,内置四种编排模式。本文用最小代码 + 架构图,讲清它怎么把 Agent 从 Demo 推向生产。

字号

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:

  1. Sequential:A → B → C,流水线
  2. Concurrent:广播给多个 Agent,合并结果
  3. Handoff:根据上下文把任务"交接"给另一个 Agent(类似 AutoGen 的群聊)
  4. 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。

来源:GitHub - microsoft/agent-framework

来源: https://github.com/microsoft/agent-framework