Microsoft Agent Framework

Microsoft Agent Framework adalah kit pengembangan sumber terbuka untuk membangun agen AI dan alur kerja multi-agen untuk .NET dan Python. Ini menggabungkan dan memperluas ide-ide dari proyek Semantic Kernel dan AutoGen , menggabungkan kekuatan mereka sambil menambahkan kemampuan baru. Dibangun oleh tim yang sama, ini adalah fondasi terpadu untuk membangun agen AI ke depannya.

Agent Framework menawarkan dua kategori kemampuan utama:

• Agen AI: Agen individu yang menggunakan LLM untuk memproses input pengguna, alat panggilan, dan server MCP untuk melakukan tindakan, dan menghasilkan respons. Agen mendukung penyedia model termasuk Azure OpenAI, OpenAI, dan Azure AI.
• Alur kerja: Alur kerja berbasis grafik yang menyambungkan beberapa agen dan fungsi untuk melakukan tugas multi-langkah yang kompleks. Alur kerja mendukung perutean berbasis jenis, bersarang, titik pemeriksaan, dan pola permintaan/respons untuk skenario human-in-the-loop.

Kerangka kerja ini juga menyediakan blok penyusun dasar, termasuk klien model (penyelesaian dan respons obrolan), sesi agen untuk manajemen status, penyedia konteks untuk memori agen, middleware untuk mencegat tindakan agen, dan klien MCP untuk integrasi alat. Bersama-sama, komponen-komponen ini memberi Anda fleksibilitas dan kekuatan untuk membangun aplikasi AI interaktif, kuat, dan aman.

Mengapa kerangka kerja agen lain?

Kernel Semantik dan AutoGen merintis konsep agen AI dan orkestrasi multi-agen. Agent Framework adalah penerus langsung, yang dibuat oleh tim yang sama. Ini menggabungkan abstraksi sederhana AutoGen untuk pola tunggal dan multi-agen dengan fitur tingkat perusahaan Semantic Kernel seperti manajemen status berbasis sesi, keamanan jenis, filter, telemetri, dan model yang luas dan dukungan penyematan. Selain menggabungkan keduanya, Agent Framework memperkenalkan alur kerja yang memberi pengembang kontrol eksplisit atas jalur eksekusi multi-agen, ditambah sistem manajemen status yang kuat untuk skenario jangka panjang dan human-in-the-loop. Singkatnya, Agent Framework adalah generasi berikutnya dari Semantic Kernel dan AutoGen.

Untuk mempelajari selengkapnya tentang migrasi dari Kernel Semantik atau AutoGen, lihat Panduan Migrasi dari Kernel Semantik dan Panduan Migrasi dari AutoGen.

Baik Kernel Semantik maupun AutoGen telah mendapat manfaat signifikan dari komunitas sumber terbuka, dan hal yang sama diharapkan untuk Agent Framework. Microsoft Agent Framework menyambut kontribusi dan akan terus meningkat dengan fitur dan kemampuan baru.

Nota

Microsoft Agent Framework saat ini dalam pratinjau publik. Harap kirimkan umpan balik atau masalah apa pun di repositori GitHub.

Penting

Jika Anda menggunakan Microsoft Agent Framework untuk membangun aplikasi yang beroperasi dengan server atau agen pihak ketiga, Anda melakukannya dengan risiko Anda sendiri. Sebaiknya tinjau semua data yang dibagikan dengan server atau agen pihak ketiga dan berkognizan dengan praktik pihak ketiga untuk retensi dan lokasi data. Anda bertanggung jawab untuk mengelola apakah data Anda akan mengalir di luar batas kepatuhan dan geografis Azure organisasi Anda dan implikasi terkait.

Installation

Python:

pip install agent-framework --pre

.NET:

dotnet add package Microsoft.Agents.AI

Agen Kecerdasan Buatan (AI)

Apa itu agen AI?

Agen AI menggunakan LLM untuk memproses input pengguna, membuat keputusan, memanggil alat , dan server MCP untuk melakukan tindakan, dan menghasilkan respons. Diagram berikut mengilustrasikan komponen inti dan interaksinya dalam agen AI:

Agen AI juga dapat ditambahkan dengan komponen tambahan seperti sesi, penyedia konteks, dan middleware untuk meningkatkan kemampuannya.

Kapan menggunakan agen AI?

Agen AI cocok untuk aplikasi yang memerlukan pengambilan keputusan otonom, perencanaan ad hoc, eksplorasi percobaan dan kesalahan, dan interaksi pengguna berbasis percakapan. Mereka sangat berguna untuk skenario di mana tugas input tidak terstruktur dan tidak dapat dengan mudah didefinisikan terlebih dahulu.

Berikut adalah beberapa skenario umum di mana agen AI unggul:

• Dukungan Pelanggan: Agen AI dapat menangani kueri multi-modal (teks, suara, gambar) dari pelanggan, menggunakan alat untuk mencari informasi, dan memberikan respons bahasa alami.
• Pendidikan dan Bimbingan Belajar: Agen AI dapat memanfaatkan pangkalan pengetahuan eksternal untuk memberikan bimbingan belajar yang dipersonalisasi dan menjawab pertanyaan siswa.
• Pembuatan Kode dan Penelusuran Kesalahan: Untuk pengembang perangkat lunak, agen AI dapat membantu implementasi, tinjauan kode, dan penelusuran kesalahan dengan menggunakan berbagai alat dan lingkungan pemrograman.
• Bantuan Penelitian: Untuk peneliti dan analis, agen AI dapat mencari web, meringkas dokumen, dan mengumpulkan informasi dari berbagai sumber.

Kuncinya adalah bahwa agen AI dirancang untuk beroperasi dalam pengaturan dinamis dan kurang ditentukan, di mana urutan langkah-langkah yang tepat untuk memenuhi permintaan pengguna tidak diketahui sebelumnya dan mungkin memerlukan eksplorasi dan kolaborasi yang erat dengan pengguna.

Kapan tidak menggunakan agen AI?

Agen AI tidak cocok untuk tugas yang sangat terstruktur dan memerlukan kepatuhan yang ketat terhadap aturan yang telah ditentukan sebelumnya. Jika aplikasi Anda mengantisipasi jenis input tertentu dan memiliki urutan operasi yang terdefinisi dengan baik untuk dilakukan, menggunakan agen AI mungkin menimbulkan ketidakpastian, latensi, dan biaya yang tidak perlu.

Jika Anda dapat menulis fungsi untuk menangani tugas, lakukan itu alih-alih menggunakan agen AI. Anda dapat menggunakan AI untuk membantu Anda menulis fungsi tersebut.

Satu agen AI mungkin berjuang dengan tugas kompleks yang melibatkan beberapa langkah dan poin keputusan. Tugas tersebut mungkin memerlukan sejumlah besar alat (misalnya, lebih dari 20), yang tidak dapat dikelola oleh satu agen.

Dalam kasus ini, pertimbangkan untuk menggunakan alur kerja sebagai gantinya.

Alur kerja

Apa itu Alur Kerja?

Alur kerja dapat mengekspresikan urutan operasi yang telah ditentukan sebelumnya yang dapat menyertakan agen AI sebagai komponen sambil mempertahankan konsistensi dan keandalan. Alur kerja dirancang untuk menangani proses kompleks dan jangka panjang yang mungkin melibatkan beberapa agen, interaksi manusia, dan integrasi dengan sistem eksternal.

Urutan eksekusi alur kerja dapat didefinisikan secara eksplisit, memungkinkan kontrol lebih besar atas jalur eksekusi. Diagram berikut mengilustrasikan contoh alur kerja yang menyambungkan dua agen AI dan fungsi:

Alur kerja juga dapat mengekspresikan urutan dinamis menggunakan perutean kondisional, pengambilan keputusan berbasis model, dan eksekusi bersamaan. Ini adalah bagaimana pola orkestrasi multi-agen diimplementasikan. Pola orkestrasi menyediakan mekanisme untuk mengoordinasikan beberapa agen untuk mengerjakan tugas kompleks yang memerlukan beberapa langkah dan poin keputusan, mengatasi batasan agen tunggal.

Masalah apa yang diselesaikan Alur Kerja?

Alur kerja menyediakan cara terstruktur untuk mengelola proses kompleks yang melibatkan beberapa langkah, poin keputusan, dan interaksi dengan berbagai sistem atau agen. Jenis alur kerja tugas dirancang untuk menangani sering kali memerlukan lebih dari satu agen AI.

Berikut adalah beberapa manfaat utama alur kerja Agent Framework:

• Modularitas: Alur kerja dapat dipecah menjadi komponen yang lebih kecil dan dapat digunakan kembali, sehingga lebih mudah untuk mengelola dan memperbarui bagian individual dari proses.
• Integrasi Agen: Alur kerja dapat menggabungkan beberapa agen AI bersama komponen non-agenik, memungkinkan orkestrasi tugas yang canggih.
• Keamanan Jenis: Pengetikan yang kuat memastikan pesan mengalir dengan benar antar komponen, dengan validasi komprehensif yang mencegah kesalahan runtime.
• Alur Fleksibel: Arsitektur berbasis Grafik memungkinkan pemodelan alur kerja yang kompleks dengan executors dan edges. Perutean berskal, pemrosesan paralel, dan jalur eksekusi dinamis semuanya didukung.
• Integrasi Eksternal: Pola permintaan/respons bawaan memungkinkan integrasi yang mulus dengan API eksternal dan mendukung skenario human-in-the-loop.
• Titik pemeriksaan: Simpan status alur kerja melalui titik pemeriksaan, memungkinkan pemulihan dan dimulainya kembali proses yang berjalan lama di sisi server.
• Orkestrasi Multi-Agen: Pola bawaan untuk mengoordinasikan beberapa agen AI, termasuk berurutan, bersamaan, hand-off, dan Magentic.
• Komposabilitas: Alur kerja dapat ditumpuk atau digabungkan untuk membuat proses yang lebih kompleks, memungkinkan skalabilitas dan kemampuan beradaptasi.

Langkah selanjutnya

• Panduan Mulai Cepat
• Panduan Migrasi dari Kernel Semantik
• Panduan Migrasi dari AutoGen