Microsoft Agent Framework 実践ガイド ─ 単一 Agent からマルチ Agent ワークフローへ
先週、Microsoft が Agent Framework (MAF) を GitHub Trending に乗せ、13,356 Stars と production-grade のポジションを確立した。samples ディレクトリをほぼ全部叩いた結論を先に書くと、現時点で最も "エンタープライズ向け" に近い Agent フレームワークだ。ただし引き換えに抽象レイヤーが厚く、小規模プロジェクトではオーバースペックに感じる。
何の課題を解決するのか
LangChain は自由度が高すぎ、AutoGen はおもちゃ感がある、LangGraph は学習曲線が急——企業が Agent を本番運用に乗せるには、provider 非依存・可観測・human-in-the-loop を備えたフレームワークが必要だった。Microsoft の agent-framework はまさにその空白を埋める存在だ。
主な特徴を 3 点挙げる。
- 可観測性:Workflow ノードの状態変化ごとにイベントをブロードキャスト。OpenTelemetry 連携が標準装備。
- 復元力:checkpointing を内蔵。workflow の途中でクラッシュしても、直近のスナップショットから再開できる。
- 割り込み対応:human-in-the-loop が後付けではなく first-class の概念として組み込まれている。
LangChain 時代には、この 3 点を自前で組み合わせる必要があった。MAF はそれらを Runtime レイヤーに閉じ込めている。
基本的な使い方
pip install agent-framework で導入し、30 行でツール呼び出し付き Agent を書ける。
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())
さらに 50 行足せば、sequential workflow で 2 つの Agent をリレーさせて処理できる。
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)
add_edge のようなグラフ API は LangGraph 流の DAG そのもので、ネーミングだけが違う。
内部アーキテクチャ
3 層に分解して考える。
- Agent:LLM client + ツールセット + system prompt をカプセル化した単一の実行単位
- Workflow:グラフ構造によるオーケストレーション層。Agent 間のデータフローを定義する
- Runtime:checkpoint、streaming、HITL、time-travel を担当する実行時レイヤ
グラフベースのオーケストレーションには 4 種のトポロジが用意されている。
- Sequential:A → B → C、パイプライン処理
- Concurrent:複数 Agent にブロードキャストし、結果をマージ
- Handoff:文脈に応じて他の Agent にタスクを引き継ぐ (AutoGen のグループチャットに近い)
- Group Chat:moderator 付きのマルチ Agent 円卓会議
Azure AI Foundry へのデプロイは追加 2 行で済む。AzureAIAgent を FoundryAgent に置き換え、foundry endpoint の環境変数を設定するだけ。他のコードは変更不要。
長所と短所
長所:
- Python と .NET の双方が API 仕様でほぼ一致
- エンタープライズ機能が網羅的:checkpointing、streaming、human-in-the-loop、time-travel がすべて first-class
- Microsoft エコシステムとの統合が深い:Foundry、Azure OpenAI、GitHub Copilot SDK をネイティブサポート
短所:
- Python パッケージのフットプリントが大きめ。
import agent_frameworkだけで依存関係を多数引きずる - OpenAI 互換レイヤー以外の provider (DeepSeek、Qwen など) はドキュメントが薄い
- Go SDK が独立リポジトリに切り出されており、メインリポジトリとメンテナンスの足並みが揃わないリスクがある
主なフレームワークとの比較:
- MAF:グラフ + 4 種のトポロジ / 学習コストは中程度 / 本番機能は強力
- LangGraph:カスタム DAG / 学習コストは急峻 / 本番機能は中程度
- AutoGen:会話駆動 / 学習コストは低 / 本番機能は弱
- CrewAI:Role-based / 学習コストは低 / 本番機能は中程度
MAF が向くのは「オーケストレーション・パターンが見えていて 4 種から選ぶ」ケース。LangGraph が向くのは「任意のトポロジを自分で組みたい」ケース。
実際に動かしてみた結果
ローカルで samples/02-agents の function calling サンプルと samples/03-workflows の sequential workflow を実行した。計測値は以下の通り。
- コールドスタート時間:AzureAIAgent 初期化 + 初回モデル呼び出しで 2.1 秒 (うち auth が 0.8 秒)
- token 消費:単発の天気クエリで約 320 input + 85 output。ツール説明が input の 40% を占める
- checkpoint 挙動:workflow は各 executor ノード完了時に自動永続化。再起動後は中断ポイントから再開し、重複実行は発生しない
使ってみた感触:API デザインは LangGraph より収束感がある。ただしデバッグ情報の視認性は LangGraph dev UI に劣る。workflow の中間状態は自前で print する必要があり、可視化したい場合は外部の trace ツールを接続する必要がある。
導入すべきユーザー、向かないユーザー
向いているケース:
- .NET チーム (Microsoft 直系で、.NET SDK は Python より先に GA)
- エンタープライズプロジェクト (HITL、監査ログ、可観測性が必要)
- 金融・医療・法務領域 (コンプライアンス要件が厳しい)
向かないケース:
- 単に prompt を数本試したいだけのユーザー (OpenAI SDK で十分)
- フロントエンドのみのデモ (MAF はバックエンド向けフレームワーク)
- LangGraph のような高度なカスタム DAG を必要とする研究者
編集部の考察
今回の Microsoft の最大の変化は、技術の優劣ではなく "エンタープライズソフトの基準" で Agent フレームワークを再定義した点だ。durability、可観測性、provider 抽象といった言葉は LangChain 時代にはほぼ登場しなかった。これから 1 年以内に、本番運用レベルの Agent プロジェクトのデフォルト選定は LangGraph から MAF あるいは類似のフレームワークへ移っていくと踏んでいる。
リスクも存在する。Microsoft は過去に Bot Framework / Semantic Kernel のような中途半端な製品を残してきた。コミュニティの分裂が進めば Python 側は LangChain に敗北する可能性もある。Semantic Kernel もかつては "Microsoft 公式 + .NET 親和" で期待されたが、結局 LangChain に风头を奪われた前例がある。
不確定要素:中国本土の LLM (DeepSeek / Qwen) へのサポート深度は README では明言されていない。OpenAI 互換レイヤー経由なら理論上は動くはずだが、ツール呼び出しのフォーマットや中国語 system prompt テンプレートの専用テストは見当たらない。国内展開する際は、まずこれを自前で検証する必要がある。