Sdílet prostřednictvím

Microsoft Agent Framework

Microsoft Agent Framework je opensourcová vývojová sada pro vytváření agentů AI a pracovních postupů s více agenty pro .NET a Python. Spojuje a rozšiřuje nápady z projektů Semantic Kernel a AutoGen a kombinuje jejich silné stránky a přidává nové funkce. Vytvořené stejnými týmy je jednotným základem pro vytváření agentů umělé inteligence.

Agent Framework nabízí dvě primární kategorie funkcí:

  • Agenti AI: Jednotliví agenti, kteří používají LLM ke zpracování uživatelských vstupů, volání nástrojů a serverů MCP k provádění akcí a generování odpovědí. Agenti podporují poskytovatele modelů, včetně Azure OpenAI, OpenAI a Azure AI.
  • Pracovní postupy: Pracovní postupy založené na grafech, které propojují více agentů a funkcí k provádění složitých úloh s více kroky. Pracovní postupy podporují směrování založené na typech, vnoření, vytváření kontrolních bodů a vzory požadavků a odpovědí pro scénáře lidské smyčky.

Architektura také poskytuje základní stavební bloky, včetně klientů modelu (dokončování chatu a odpovědí), vlákna agenta pro správu stavu, zprostředkovatele kontextu pro paměť agenta, middleware pro zachycení akcí agenta a klienty MCP pro integraci nástrojů. Tyto komponenty společně poskytují flexibilitu a výkon při vytváření interaktivních, robustních a bezpečných aplikací umělé inteligence.

Proč jiná architektura agenta?

Sémantické jádro a AutoGen vytáčily koncepty agentů umělé inteligence a orchestrace s více agenty. Agent Framework je přímý následník vytvořený stejnými týmy. Kombinuje jednoduché abstrakce AutoGenu pro vzory s jedním a více agenty s funkcemi sémantického jádra na podnikové úrovni, jako je správa stavu na základě vláken, bezpečnost typů, filtry, telemetrie a rozsáhlá podpora modelu a vkládání. Kromě sloučení těchto dvou představuje Agent Framework pracovní postupy, které vývojářům poskytují explicitní kontrolu nad cestami provádění více agentů a robustním systémem správy stavů pro dlouhotrvající scénáře a scénáře smyčky pro člověka. Stručně řečeno, Agent Framework je další generace sémantického jádra i autogenu.

Další informace o migraci z sémantického jádra nebo autogenu najdete v průvodci migrací z sémantických jader a průvodce migrací z autogenu.

Sémantické jádro i AutoGen výrazně využily opensourcové komunity a to samé se očekává pro architekturu agentů. Microsoft Agent Framework vítá příspěvky a bude pokračovat v vylepšování s novými funkcemi a možnostmi.

Poznámka:

Microsoft Agent Framework je aktuálně ve verzi Public Preview. Odešlete zpětnou vazbu nebo problémy v úložišti GitHub.

Důležité

Pokud k vytváření aplikací, které pracují se servery nebo agenty třetích stran, používáte rozhraní Microsoft Agent Framework, provedete to na vlastní nebezpečí. Doporučujeme zkontrolovat všechna data sdílená se servery nebo agenty třetích stran a seznámit se s postupy třetích stran pro uchovávání a umístění dat. Je vaší zodpovědností spravovat, jestli budou vaše data přetékat mimo dodržování předpisů a geografických hranic vaší organizace a případné související důsledky.

Installation

Krajta:

pip install agent-framework

.SÍŤ:

dotnet add package Microsoft.Agents.AI

Agenti umělé inteligence

Co je agent AI?

Agent AI používá LLM ke zpracování uživatelských vstupů, rozhodování, volání nástrojů a serverů MCP k provádění akcí a generování odpovědí. Následující diagram znázorňuje základní komponenty a jejich interakce v agentu AI:

Diagram agenta AI

Agent AI je také možné rozšířit o další komponenty, jako je vlákno, poskytovatel kontextu a middleware , aby se zlepšily jeho možnosti.

Kdy použít agenta AI?

Agenti umělé inteligence jsou vhodná pro aplikace, které vyžadují autonomní rozhodování, ad hoc plánování, zkoumání zkušebních a chyb a interakce uživatelů založených na konverzacích. Jsou zvlášť užitečné pro scénáře, kdy je vstupní úkol nestrukturovaný a nelze je snadno definovat předem.

Tady je několik běžných scénářů, ve kterých agenti AI excelují:

  • Zákaznická podpora: Agenti umělé inteligence můžou zpracovávat vícemodální dotazy (text, hlas, obrázky) od zákazníků, používat nástroje k vyhledání informací a poskytování odpovědí v přirozeném jazyce.
  • Vzdělávání a doučování: Agenti umělé inteligence můžou využít externí znalostní báze k poskytování individuálních vyučovacích a odpovědí na otázky studentů.
  • Generování a ladění kódu: Pro vývojáře softwaru můžou agenti umělé inteligence pomáhat s implementací, revizemi kódu a laděním pomocí různých programovacích nástrojů a prostředí.
  • Pomoc s výzkumem: Pro výzkumné pracovníky a analytiky můžou agenti umělé inteligence hledat na webu, sumarizovat dokumenty a společně sdílet informace z více zdrojů.

Klíčem je, že agenti umělé inteligence jsou navrženi tak, aby fungovali v dynamickém a zadaném nastavení, kde přesné pořadí kroků pro splnění požadavku uživatele není předem známo a může vyžadovat průzkum a úzkou spolupráci s uživateli.

Kdy nepoužívat agenta AI?

Agenti umělé inteligence nejsou vhodná pro úlohy, které jsou vysoce strukturované a vyžadují přísné dodržování předdefinovaných pravidel. Pokud vaše aplikace očekává určitý druh vstupu a má dobře definovanou posloupnost operací, která se má provést, může použití agentů AI představovat zbytečnou nejistotu, latenci a náklady.

Pokud můžete napsat funkci pro zpracování úlohy, udělejte to místo použití agenta AI. S psaním této funkce můžete použít AI.

Jeden agent umělé inteligence může mít potíže se složitými úlohami, které zahrnují několik kroků a rozhodovacích bodů. Takové úlohy můžou vyžadovat velký počet nástrojů (například více než 20), které nemůže jeden agent spravovat.

V těchto případech zvažte místo toho použití pracovních postupů.

Pracovní postupy

Co je pracovní postup?

Pracovní postup může vyjádřit předdefinovanou posloupnost operací, která může zahrnovat agenty umělé inteligence jako komponenty při zachování konzistence a spolehlivosti. Pracovní postupy jsou navržené tak, aby zpracovávaly složité a dlouhotrvající procesy, které můžou zahrnovat více agentů, lidské interakce a integraci s externími systémy.

Pořadí provádění pracovního postupu lze explicitně definovat, což umožňuje větší kontrolu nad cestou spuštění. Následující diagram znázorňuje příklad pracovního postupu, který spojuje dva agenty AI a funkci:

Diagram pracovního postupu

Pracovní postupy můžou také vyjádřit dynamické sekvence pomocí podmíněného směrování, rozhodování na základě modelu a souběžného spouštění. Tímto způsobem se implementují vzory orchestrace s více agenty . Vzory orchestrace poskytují mechanismy pro koordinaci více agentů pro práci na složitých úlohách, které vyžadují několik kroků a rozhodovacích bodů, a řeší omezení jednotlivých agentů.

Jaké problémy pracovní postupy řeší?

Pracovní postupy poskytují strukturovaný způsob správy složitých procesů, které zahrnují několik kroků, rozhodovacích bodů a interakcí s různými systémy nebo agenty. Typy pracovních postupů úloh jsou navržené tak, aby zpracovávaly často více než jednoho agenta AI.

Tady jsou některé z klíčových výhod pracovních postupů rozhraní Agent Framework:

  • Modularita: Pracovní postupy je možné rozdělit na menší, opakovaně použitelné komponenty, což usnadňuje správu a aktualizaci jednotlivých částí procesu.
  • Integrace agenta: Pracovní postupy můžou obsahovat několik agentů AI spolu s ne agentickými komponentami, což umožňuje sofistikovanou orchestraci úloh.
  • Bezpečnost typů: Silná typizace zajišťuje správný tok zpráv mezi komponentami s komplexním ověřováním, které brání chybám za běhu.
  • Flexibilní tok: Architektura založená na grafech umožňuje intuitivní modelování složitých pracovních postupů pomocí executors a edges. Podporují se všechny cesty podmíněného směrování, paralelního zpracování a dynamického spouštění.
  • Externí integrace: Integrované vzory požadavků a odpovědí umožňují bezproblémovou integraci s externími rozhraními API a podporují scénáře lidské smyčky.
  • Vytváření kontrolních bodů: Umožňuje ukládat stavy pracovního postupu prostřednictvím kontrolních bodů, což umožňuje obnovení a obnovení dlouhotrvajících procesů na straně serveru.
  • Orchestrace s více agenty: Předdefinované vzory pro koordinaci více agentů umělé inteligence, včetně sekvenčních, souběžných, předávacích a magentických.
  • Kompozibilnost: Pracovní postupy je možné vnořit nebo kombinovat a vytvářet složitější procesy, což umožňuje škálovatelnost a přizpůsobení.

Další kroky

  • Last updated on