セマンティックカーネルからエージェントフレームワークへの移行ガイド

Microsoft Agent Framework の利点

簡略化された API: 複雑さと定型コードの削減。
パフォーマンスの向上: オブジェクトの作成とメモリ使用量を最適化しました。
統合インターフェイス: さまざまな AI プロバイダー間で一貫したパターン。
開発者エクスペリエンスの強化: より直感的で検出可能な API。

次のセクションでは、セマンティックカーネルエージェントフレームワークと Microsoft Agent Framework の主な違いをまとめ、コードの移行に役立ちます。

1. 名前空間の更新

セマンティックカーネル

using Microsoft.SemanticKernel;
using Microsoft.SemanticKernel.Agents;

エージェントフレームワーク

Agent Framework 名前空間は Microsoft.Agents.AI下にあります。 Agent Framework は、コンポーネント間の通信に、 Microsoft.Extensions.AI のコア AI メッセージとコンテンツタイプを使用します。

using Microsoft.Extensions.AI;
using Microsoft.Agents.AI;

2. エージェント作成の簡略化

セマンティックカーネル

セマンティックカーネル内のすべてのエージェントは、 Kernel インスタンスに依存し、指定されていない場合は空の Kernel を持っています。

 Kernel kernel = Kernel
    .AddOpenAIChatClient(modelId, apiKey)
    .Build();

 ChatCompletionAgent agent = new() { Instructions = ParrotInstructions, Kernel = kernel };

Azure AI Foundry では、それを使用するローカルエージェントクラスを作成する前に、エージェントリソースをクラウドに作成する必要があります。

PersistentAgentsClient azureAgentClient = AzureAIAgent.CreateAgentsClient(azureEndpoint, new DefaultAzureCredential());

PersistentAgent definition = await azureAgentClient.Administration.CreateAgentAsync(
    deploymentName,
    instructions: ParrotInstructions);

AzureAIAgent agent = new(definition, azureAgentClient);

Warnung

DefaultAzureCredential は開発には便利ですが、運用環境では慎重に考慮する必要があります。運用環境では、待機時間の問題、意図しない資格情報のプローブ、フォールバックメカニズムによる潜在的なセキュリティリスクを回避するために、特定の資格情報 ( ManagedIdentityCredential など) を使用することを検討してください。

エージェントフレームワーク

Agent Framework でのエージェントの作成は、すべてのメインプロバイダーによって提供される拡張機能により簡単になります。

AIAgent openAIAgent = chatClient.AsAIAgent(instructions: ParrotInstructions);
AIAgent azureFoundryAgent = await persistentAgentsClient.CreateAIAgentAsync(instructions: ParrotInstructions);
AIAgent openAIAssistantAgent = await assistantClient.CreateAIAgentAsync(instructions: ParrotInstructions);

さらに、ホストされるエージェントプロバイダーの場合は、 GetAIAgent メソッドを使用して、既存のホストされているエージェントからエージェントを取得することもできます。

AIAgent azureFoundryAgent = await persistentAgentsClient.GetAIAgentAsync(agentId);

3. エージェントスレッド/セッションの作成

セマンティックカーネル

呼び出し元はスレッドの種類を認識し、手動で作成する必要があります。

// Create a thread for the agent conversation.
AgentThread thread = new OpenAIAssistantAgentThread(this.AssistantClient);
AgentThread thread = new AzureAIAgentThread(this.Client);
AgentThread thread = new OpenAIResponseAgentThread(this.Client);

エージェントフレームワーク

エージェントはセッションの作成を担当します。

// New.
AgentSession session = await agent.CreateSessionAsync();

4. ホストエージェントスレッド/セッションクリーンアップ

このケースは、まだホストされているスレッドを提供するいくつかの AI プロバイダーにのみ適用されます。

セマンティックカーネル

スレッドには、 self 削除メソッドがあります。

OpenAI アシスタントプロバイダー:

await thread.DeleteAsync();

エージェントフレームワーク

注

OpenAI Responses では、会話の処理方法を簡略化する新しい会話モデルが導入されました。この変更により、現在非推奨となった OpenAI Assistants モデルと比較して、ホストされたチャット履歴管理が簡略化されます。詳細については、 OpenAI Assistants 移行ガイドを参照してください。

Agent Framework には、ホストされたチャット履歴またはチャット履歴の削除をサポートするプロバイダーが含まれていないので、 AgentSession の種類にチャット履歴またはセッション削除 API はありません。

チャット履歴の削除が必要で、プロバイダーが許可する場合、呼び出し元は作成されたセッションを追跡し、プロバイダーの SDK を介して必要に応じて、関連するチャット hsitory を後で削除する 必要があります 。

OpenAI アシスタントプロバイダー:

await assistantClient.DeleteThreadAsync(session.ConversationId);

5. ツール登録

セマンティックカーネル

関数をツールとして公開するには、次の手順を実行する必要があります。

[KernelFunction]属性を使用して関数を装飾します。
Plugin クラスを持っているか、KernelPluginFactoryを使用して関数をラップします。
プラグインを追加する Kernel があります。
Kernelをエージェントに渡します。

KernelFunction function = KernelFunctionFactory.CreateFromMethod(GetWeather);
KernelPlugin plugin = KernelPluginFactory.CreateFromFunctions("KernelPluginName", [function]);
Kernel kernel = ... // Create kernel
kernel.Plugins.Add(plugin);

ChatCompletionAgent agent = new() { Kernel = kernel, ... };

エージェントフレームワーク

Agent Framework では、1 回の呼び出しで、エージェント作成プロセスにツールを直接登録できます。

AIAgent agent = chatClient.AsAIAgent(tools: [AIFunctionFactory.Create(GetWeather)]);

6. エージェントの非ストリーミング呼び出し

InvokeからRun、戻り値の型、パラメーターAgentRunOptionsまでのメソッド名に主な違いがあります。

セマンティックカーネル

非ストリーミングでは、複数のエージェントメッセージを返すストリーミングパターン IAsyncEnumerable<AgentResponseItem<ChatMessageContent>> を使用します。

await foreach (AgentResponseItem<ChatMessageContent> result in agent.InvokeAsync(userInput, thread, agentOptions))
{
    Console.WriteLine(result.Message);
}

エージェントフレームワーク

非ストリーミングは、複数のメッセージを含むことができるエージェント応答を含む単一の AgentResponse を返します。実行のテキスト結果は、 AgentResponse.Text または AgentResponse.ToString()で使用できます。応答の一部として作成されたすべてのメッセージは、 AgentResponse.Messages リストに返されます。これには、ツール呼び出しメッセージ、関数の結果、推論の更新、および最終的な結果が含まれる場合があります。

AgentResponse agentResponse = await agent.RunAsync(userInput, session);

7. エージェントストリーミング呼び出し

主な違いは、 Invoke から Run、戻り値の型、パラメーター AgentRunOptionsまでのメソッド名です。

セマンティックカーネル

await foreach (StreamingChatMessageContent update in agent.InvokeStreamingAsync(userInput, thread))
{
    Console.Write(update);
}

エージェントフレームワーク

Agent Framework にも同様のストリーミング API パターンがあります。主な違いは、更新ごとにエージェント関連の情報を含む AgentResponseUpdate オブジェクトを返す点です。

AIAgent の基になるサービスによって生成されたすべての更新が返されます。エージェントのテキスト結果は、 AgentResponse.Text 値を連結することによって使用できます。

await foreach (AgentResponseUpdate update in agent.RunStreamingAsync(userInput, session))
{
    Console.Write(update); // Update is ToString() friendly
}

8. ツール関数シグネチャ

問題: セマンティックカーネルプラグインメソッドには [KernelFunction] 属性が必要です。

public class MenuPlugin
{
    [KernelFunction] // Required.
    public static MenuItem[] GetMenu() => ...;
}

解決策: Agent Framework では、属性なしでメソッドを直接使用できます。

public class MenuTools
{
    [Description("Get menu items")] // Optional description.
    public static MenuItem[] GetMenu() => ...;
}

9. オプションの構成

問題: セマンティックカーネルでの複雑なオプションの設定。

OpenAIPromptExecutionSettings settings = new() { MaxTokens = 1000 };
AgentInvokeOptions options = new() { KernelArguments = new(settings) };

解決策: Agent Framework の簡略化されたオプション。

ChatClientAgentRunOptions options = new(new() { MaxOutputTokens = 1000 });

Important

この例では、実装固有のオプションを ChatClientAgentに渡す方法を示します。すべての AIAgents が ChatClientAgentRunOptionsをサポートしているわけではありません。 ChatClientAgent は、基になる推論サービスに基づいてエージェントを構築するために提供されるため、 MaxOutputTokensなどの推論オプションをサポートします。

10. 依存関係の挿入

セマンティックカーネル

エージェントの抽象化はすべて Kernel プロパティを使用して初期化する必要があります。そのため、エージェントを作成できるようにするには、サービスコンテナーにKernel登録が必要です。

セマンティックカーネルは、エージェントの基本抽象化クラスとして Agent 型を使用します。

services.AddKernel().AddProvider(...);
serviceContainer.AddKeyedSingleton<SemanticKernel.Agents.Agent>(
    TutorName,
    (sp, key) =>
        new ChatCompletionAgent()
        {
            // Passing the kernel is required.
            Kernel = sp.GetRequiredService<Kernel>(),
        });

エージェントフレームワーク

Agent Framework は、基本抽象化クラスとして AIAgent 型を提供します。

services.AddKeyedSingleton<AIAgent>(() => client.AsAIAgent(...));

11. エージェントの種類の統合

セマンティックカーネル

セマンティックカーネルは、次に例を示すさまざまなサービスに固有のエージェントクラスを提供します。

ChatCompletionAgent チャット補完ベースの推論サービスで使用できます。
OpenAIAssistantAgent OpenAI Assistants サービスで使用できます。
AzureAIAgent Azure AI Foundry Agents サービスで使用するために使用します。

エージェントフレームワーク

Agent Framework は、単一のエージェントの種類 ( ChatClientAgent) を介して、上記のすべてのサービスをサポートします。

ChatClientAgent は、 IChatClient インターフェイスを実装する SDK を提供する基になるサービスを使用してエージェントを構築するために使用できます。

主な違い

コードの移行に役立つセマンティックカーネルエージェントフレームワークと Microsoft Agent Framework の主な違いの概要を次に示します。

1. 更新プログラムのパッケージ化とインポート

セマンティックカーネル

セマンティックカーネルパッケージは、 semantic-kernel としてインストールされ、 semantic_kernelとしてインポートされます。パッケージには、さまざまな AI プロバイダーやその他の機能のさまざまな依存関係をインストールするためにインストールできる多数の extras もあります。

from semantic_kernel import Kernel
from semantic_kernel.agents import ChatCompletionAgent

エージェントフレームワーク

Agent Framework パッケージは agent-framework としてインストールされ、 agent_frameworkとしてインポートされます。 Agent Framework は異なる方法で構築され、コア機能を含むコアパッケージ agent-framework-core があり、そのコアパッケージに依存するパッケージが複数存在します ( agent-framework-azure-ai、 agent-framework-mem0、 agent-framework-copilotstudioなど)。 pip install agent-framework --pre 実行すると、コアパッケージと すべての パッケージがインストールされるため、すべての機能をすばやく使い始めることができます。必要なものがわかっているため、パッケージの数を減らす準備ができたら、必要なパッケージのみをインストールできます。たとえば、Azure AI Foundry と Mem0 のみを使用する予定の場合は、これら 2 つのパッケージのみをインストールできます。 pip install agent-framework-azure-ai agent-framework-mem0 --pre、 agent-framework-core はこれら 2 つのパッケージへの依存関係であるため、自動的にインストールされます。

パッケージが分割されていても、インポートはすべて agent_frameworkから、またはモジュールです。たとえば、Azure AI Foundry のクライアントをインポートするには、次のようにします。

from agent_framework.azure import AzureAIAgentClient

最もよく使用される型の多くは、 agent_frameworkから直接インポートされます。

from agent_framework import Message, Agent

2. エージェントの種類の統合

セマンティックカーネル

セマンティックカーネルは、ChatCompletionAgent、AzureAIAgent、OpenAIAssistantAgent など、さまざまなサービスに固有のエージェントクラスを提供します。セマンティックカーネルのエージェントの種類を参照してください。

エージェントフレームワーク

エージェントフレームワークでは、ほとんどのエージェントは、Azure AI Foundry、OpenAI ChatCompletion、OpenAI Responses などのすべてのAgent ベースのサービスで使用できるChatClientを使用して構築されます。エージェントには、Copilot Studio で使用する CopilotStudioAgent と A2A で使用する A2AAgent の 2 つがあります。

すべての組み込みエージェントは、BaseAgent (from agent_framework import BaseAgent) に基づいています。また、すべてのエージェントは、 SupportsAgentRun (from agent_framework import SupportsAgentRun) インターフェイスと一貫性があります。

3. エージェント作成の簡略化

セマンティックカーネル

セマンティックカーネル内のすべてのエージェントは、 Kernel インスタンスに依存し、指定されていない場合は空の Kernel を持つことになります。

from semantic_kernel.agents import ChatCompletionAgent
from semantic_kernel.connectors.ai.open_ai import OpenAIChatCompletion

agent = ChatCompletionAgent(
    service=OpenAIChatCompletion(),
    name="Support",
    instructions="Answer in one sentence.",
)

エージェントフレームワーク

Agent Framework でのエージェントの作成は、次の 2 つの方法で直接実行できます。

from agent_framework.azure import AzureAIAgentClient
from agent_framework import Message, Agent

agent = Agent(chat_client=AzureAIAgentClient(credential=AzureCliCredential()), instructions="You are a helpful assistant")

または、チャットクライアントによって提供される便利なメソッドを使用します。

from agent_framework.azure import AzureOpenAIChatClient
from azure.identity import AzureCliCredential
agent = AzureOpenAIChatClient(credential=AzureCliCredential()).as_agent(instructions="You are a helpful assistant")

ダイレクトメソッドは、エージェントに対して設定できるすべてのパラメーターを公開します。便利なメソッドにはサブセットが含まれていますが、ダイレクトメソッドを内部的に呼び出すので、同じパラメーターセットを渡すことができます。

4. エージェントスレッドの作成

セマンティックカーネル

呼び出し元はスレッドの種類を認識し、手動で作成する必要があります。

from semantic_kernel.agents import ChatHistoryAgentThread

thread = ChatHistoryAgentThread()

エージェントフレームワーク

エージェントは、新しいスレッドを作成するように求めることができます。

agent = ...
thread = agent.get_new_thread()

その後、次の 3 つの方法のいずれかでスレッドが作成されます。

エージェントに thread_id (または conversation_id など) が設定されている場合、その ID を持つスレッドが基になるサービスに作成されます。スレッドに service_thread_idが設定されると、そのスレッドを使用してメモリにメッセージを格納できなくなります。これは、サービス側スレッドの概念を持つエージェントにのみ適用されます。 Azure AI Foundry Agents や OpenAI Assistants など。
エージェントに chat_message_store_factory が設定されている場合は、そのファクトリを使用してメッセージストアを作成し、それを使用してメモリ内スレッドを作成します。その後、 store パラメーターが True に設定されたエージェントでは使用できなくなります。
前の設定がどちらも設定されていない場合は、 uninitialized と見なされ、使用方法に応じて、インメモリスレッドまたはサービススレッドになります。

エージェントフレームワーク

注

OpenAI Responses では、会話の処理方法を簡略化する新しい会話モデルが導入されました。これにより、現在非推奨になった OpenAI Assistants モデルと比較して、ホストされたスレッド管理が簡略化されます。詳細については、 OpenAI Assistants 移行ガイドを参照してください。

Agent Framework では、すべてのプロバイダーがホストされたスレッドまたはスレッドの削除をサポートしているわけではないので、 AgentThread の種類にスレッド削除 API はありません。これは、より多くのプロバイダーが応答ベースのアーキテクチャに移行するにつれて一般的になります。

スレッドの削除が必要で、プロバイダーがこれを許可する場合、呼び出し元は作成されたスレッドを追跡し、後でプロバイダーの SDK を使用して必要に応じて削除する必要 があります 。

OpenAI アシスタントプロバイダー:

# OpenAI Assistants threads have self-deletion method in Semantic Kernel
await thread.delete_async()

5. ツール登録

セマンティックカーネル

関数をツールとして公開するには、次の手順を実行する必要があります。

@kernel_functionデコレーターで関数を装飾します。
Plugin クラスを持っているか、カーネルプラグインファクトリを使用して関数をラップします。
プラグインを追加する Kernel があります。
Kernelをエージェントに渡します。

from semantic_kernel.functions import kernel_function

class SpecialsPlugin:
    @kernel_function(name="specials", description="List daily specials")
    def specials(self) -> str:
        return "Clam chowder, Cobb salad, Chai tea"

agent = ChatCompletionAgent(
    service=OpenAIChatCompletion(),
    name="Host",
    instructions="Answer menu questions accurately.",
    plugins=[SpecialsPlugin()],
)

エージェントフレームワーク

1 回の呼び出しで、エージェント作成プロセスでツールを直接登録できます。 Agent Framework には、複数の関数をラップするプラグインの概念はありませんが、必要に応じてそれを行うことができます。

ツールを作成する最も簡単な方法は、Python 関数を作成することです。

def get_weather(location: str) -> str:
    """Get the weather for a given location."""
    return f"The weather in {location} is sunny."

agent = chat_client.as_agent(tools=get_weather)

注

tools パラメーターは、エージェントの作成とrunメソッド (stream=Trueの有無にかかわらず) と、get_responseメソッドとget_streaming_responseメソッドの両方に存在し、リストまたは単一の関数の両方としてツールを提供できます。

関数の名前がツールの名前になり、docstring がツールの説明になります。パラメーターに説明を追加することもできます。

from typing import Annotated

def get_weather(location: Annotated[str, "The location to get the weather for."]) -> str:
    """Get the weather for a given location."""
    return f"The weather in {location} is sunny."

最後に、デコレーターを使用して、ツールの名前と説明をさらにカスタマイズできます。

from typing import Annotated
from agent_framework import tool

@tool(name="weather_tool", description="Retrieves weather information for any location")
def get_weather(location: Annotated[str, "The location to get the weather for."])
    """Get the weather for a given location."""
    return f"The weather in {location} is sunny."

これは、複数のツールをメソッドとして持つクラスを作成する場合にも機能します。

エージェントを作成するときに、 tools パラメーターに渡すことで、関数ツールをエージェントに提供できるようになりました。

class Plugin:

    def __init__(self, initial_state: str):
        self.state: list[str] = [initial_state]

    def get_weather(self, location: Annotated[str, "The location to get the weather for."]) -> str:
        """Get the weather for a given location."""
        self.state.append(f"Requested weather for {location}. ")
        return f"The weather in {location} is sunny."

    def get_weather_details(self, location: Annotated[str, "The location to get the weather details for."]) -> str:
        """Get detailed weather for a given location."""
        self.state.append(f"Requested detailed weather for {location}. ")
        return f"The weather in {location} is sunny with a high of 25°C and a low of 15°C."

plugin = Plugin("Initial state")
agent = chat_client.as_agent(tools=[plugin.get_weather, plugin.get_weather_details])

... # use the agent

print("Plugin state:", plugin.state)

注

クラス内の関数を @tool で修飾して、ツールの名前と説明をカスタマイズすることもできます。

このメカニズムは、接続、シークレットなど、LLM で提供できない追加の入力を必要とするツールにも役立ちます。

互換性: Agent Framework ツールとしての KernelFunction の使用

(プロンプトまたはメソッドから) KernelFunction インスタンスを含むセマンティックカーネルコードが既にある場合は、 .as_agent_framework_tool メソッドを使用して、それらを Agent Framework ツールに変換できます。

Important

この機能には、 semantic-kernel バージョン 1.38 以降が必要です。

プロンプトテンプレートからの KernelFunction の使用

from semantic_kernel import Kernel
from semantic_kernel.functions import KernelFunctionFromPrompt
from semantic_kernel.connectors.ai.open_ai import OpenAIChatCompletion, OpenAIChatPromptExecutionSettings
from semantic_kernel.prompt_template import KernelPromptTemplate, PromptTemplateConfig
from agent_framework.openai import OpenAIResponsesClient

# Create a kernel with services and plugins
kernel = Kernel()
# will get the api_key and model_id from the environment
kernel.add_service(OpenAIChatCompletion(service_id="default"))

# Create a function from a prompt template that uses plugin functions
function_definition = """
Today is: {{time.date}}
Current time is: {{time.time}}

Answer to the following questions using JSON syntax, including the data used.
Is it morning, afternoon, evening, or night (morning/afternoon/evening/night)?
Is it weekend time (weekend/not weekend)?
"""

prompt_template_config = PromptTemplateConfig(template=function_definition)
prompt_template = KernelPromptTemplate(prompt_template_config=prompt_template_config)

# Create a KernelFunction from the prompt
kernel_function = KernelFunctionFromPrompt(
    description="Determine the kind of day based on the current time and date.",
    plugin_name="TimePlugin",
    prompt_execution_settings=OpenAIChatPromptExecutionSettings(service_id="default", max_tokens=100),
    function_name="kind_of_day",
    prompt_template=prompt_template,
)

# Convert the KernelFunction to an Agent Framework tool
agent_tool = kernel_function.as_agent_framework_tool(kernel=kernel)

# Use the tool with an Agent Framework agent
agent = OpenAIResponsesClient(model_id="gpt-4o").as_agent(tools=agent_tool)
response = await agent.run("What kind of day is it?")
print(response.text)

メソッドからの KernelFunction の使用

from semantic_kernel.functions import kernel_function
from agent_framework.openai import OpenAIResponsesClient

# Create a plugin class with kernel functions
@kernel_function(name="get_weather", description="Get the weather for a location")
def get_weather(self, location: str) -> str:
    return f"The weather in {location} is sunny."

# Get the KernelFunction and convert it to an Agent Framework tool
agent_tool = get_weather.as_agent_framework_tool()

# Use the tool with an Agent Framework agent
agent = OpenAIResponsesClient(model_id="gpt-4o").as_agent(tools=agent_tool)
response = await agent.run("What's the weather in Seattle?")
print(response.text)

create_search_functionでの VectorStore の使用

セマンティックカーネルの VectorStore と Agent Framework の統合を使用することもできます。ベクターストアコレクションの create_search_function メソッドは、Agent Framework ツールに変換できる KernelFunction を返します。

from semantic_kernel import Kernel
from semantic_kernel.connectors.ai.open_ai import OpenAITextEmbedding
from semantic_kernel.connectors.azure_ai_search import AzureAISearchCollection
from semantic_kernel.functions import KernelParameterMetadata
from agent_framework.openai import OpenAIResponsesClient

# Define your data model
class HotelSampleClass:
    HotelId: str
    HotelName: str
    Description: str
    # ... other fields

# Create an Azure AI Search collection
collection = AzureAISearchCollection[str, HotelSampleClass](
    record_type=HotelSampleClass,
    embedding_generator=OpenAITextEmbedding()
)

async with collection:
    await collection.ensure_collection_exists()
    # Load your records into the collection
    # await collection.upsert(records)

    # Create a search function from the collection
    search_function = collection.create_search_function(
        description="A hotel search engine, allows searching for hotels in specific cities.",
        search_type="keyword_hybrid",
        filter=lambda x: x.Address.Country == "USA",
        parameters=[
            KernelParameterMetadata(
                name="query",
                description="What to search for.",
                type="str",
                is_required=True,
                type_object=str,
            ),
            KernelParameterMetadata(
                name="city",
                description="The city that you want to search for a hotel in.",
                type="str",
                type_object=str,
            ),
            KernelParameterMetadata(
                name="top",
                description="Number of results to return.",
                type="int",
                default_value=5,
                type_object=int,
            ),
        ],
        string_mapper=lambda x: f"(hotel_id: {x.record.HotelId}) {x.record.HotelName} - {x.record.Description}",
    )

    # Convert the search function to an Agent Framework tool
    search_tool = search_function.as_agent_framework_tool()

    # Use the tool with an Agent Framework agent
    agent = OpenAIResponsesClient(model_id="gpt-4o").as_agent(
        instructions="You are a travel agent that helps people find hotels.",
        tools=search_tool
    )
    response = await agent.run("Find me a hotel in Seattle")
    print(response.text)

このパターンは、任意のセマンティックカーネル VectorStore コネクタ (Azure AI Search、Qdrant、Pinecone など) で動作し、Agent Framework エージェントで既存のベクター検索インフラストラクチャを活用できます。

この互換性レイヤーを使用すると、セマンティックカーネルから Agent Framework にコードを段階的に移行し、Agent Framework の簡略化されたエージェントの作成と実行パターンを利用しながら、既存の KernelFunction 実装を再利用できます。

6. エージェントの非ストリーミング呼び出し

メソッド名には、 invoke から run、戻り値の型 ( AgentResponseなど) とパラメーターの主な違いがあります。

セマンティックカーネル

非ストリーミング呼び出しでは、非同期反復子パターンを使用して複数のエージェントメッセージを返します。

async for response in agent.invoke(
    messages=user_input,
    thread=thread,
):
    print(f"# {response.role}: {response}")
    thread = response.thread

そして、最終的な応答を得るための便利な方法があった:

response = await agent.get_response(messages="How do I reset my bike tire?", thread=thread)
print(f"# {response.role}: {response}")

エージェントフレームワーク

ストリーミング以外の実行では、複数のメッセージを含むことができるエージェント応答を含む単一の AgentResponse が返されます。実行のテキスト結果は、 response.text または str(response)で使用できます。応答の一部として作成されたすべてのメッセージは、 response.messages リストに返されます。これには、ツール呼び出しメッセージ、関数の結果、推論の更新、最終結果が含まれる場合があります。

agent = ...

response = await agent.run(user_input, thread)
print("Agent response:", response.text)

7. エージェントストリーミング呼び出し

メソッド名の主な違いは、 invoke から run(..., stream=True)、戻り値の型 (AgentResponseUpdate) とパラメーターです。

セマンティックカーネル

async for update in agent.invoke_stream(
    messages="Draft a 2 sentence blurb.",
    thread=thread,
):
    if update.message:
        print(update.message.content, end="", flush=True)

エージェントフレームワーク

同様のストリーミング API パターンと主な違いは、更新ごとにより多くのエージェント関連情報を含む AgentResponseUpdate オブジェクトを返す点です。

エージェントの基になるサービスによって生成されたすべてのコンテンツが返されます。エージェントの最終的な結果は、 update 値を 1 つの応答に結合することによって使用できます。

from agent_framework import AgentResponse
agent = ...
updates = []
async for update in agent.run(user_input, thread, stream=True):
    updates.append(update)
    print(update.text)

full_response = AgentResponse.from_agent_response_updates(updates)
print("Full agent response:", full_response.text)

これを直接行うことさえできます。

from agent_framework import AgentResponse
agent = ...
full_response = AgentResponse.from_agent_response_generator(agent.run(user_input, thread, stream=True))
print("Full agent response:", full_response.text)

8. オプションの構成

問題: セマンティックカーネルでの複雑なオプションの設定

from semantic_kernel.connectors.ai.open_ai import OpenAIPromptExecutionSettings

settings = OpenAIPromptExecutionSettings(max_tokens=1000)
arguments = KernelArguments(settings)

response = await agent.get_response(user_input, thread=thread, arguments=arguments)

解決策: Agent Framework での TypedDict ベースの簡略化されたオプション

Agent Framework は、 ChatClients と Agentsに TypedDict ベースのオプションシステムを使用します。オプションは、1 つの options パラメーターを介して型指定されたディクショナリとして渡され、完全な IDE オートコンプリートと型チェック用のプロバイダー固有の TypedDict クラス ( OpenAIChatOptions など) が含まれます。

from agent_framework.openai import OpenAIChatClient

client = OpenAIChatClient()

# Set default options at agent creation
agent = client.as_agent(
    instructions="You are a helpful assistant.",
    default_options={
        "max_tokens": 1000,
        "temperature": 0.7,
    }
)

# Override options per call
response = await agent.run(
    user_input,
    thread,
    options={
        "max_tokens": 500,
        "frequency_penalty": 0.5,
    }
)

注

toolsパラメーターとinstructions パラメーターは、エージェントの作成およびrun()メソッドの直接キーワード引数として残り、options ディクショナリを介して渡されません。詳細な移行パターンについては、「 Typed Options Upgrade Guide」を参照してください。

次のステップ

クイックスタートガイド

フィードバック

このページはお役に立ちましたか?

Last updated on 2026-01-15

次の方法で共有

セマンティック カーネルからエージェント フレームワークへの移行ガイド

Microsoft Agent Framework の利点

1. 名前空間の更新

セマンティック カーネル

エージェント フレームワーク

2. エージェント作成の簡略化

セマンティック カーネル

エージェント フレームワーク

3. エージェントスレッド/セッションの作成

セマンティック カーネル

エージェント フレームワーク

4. ホストエージェントスレッド/セッションクリーンアップ

セマンティック カーネル

エージェント フレームワーク

5. ツール登録

セマンティック カーネル

エージェント フレームワーク

6. エージェントの非ストリーミング呼び出し

セマンティック カーネル

エージェント フレームワーク

7. エージェント ストリーミング呼び出し

セマンティック カーネル

エージェント フレームワーク

8. ツール関数シグネチャ

9. オプションの構成

10. 依存関係の挿入

セマンティック カーネル

エージェント フレームワーク

11. エージェントの種類の統合

セマンティック カーネル

エージェント フレームワーク

主な違い

1. 更新プログラムのパッケージ化とインポート

セマンティック カーネル

エージェント フレームワーク

2. エージェントの種類の統合

セマンティック カーネル

エージェント フレームワーク

3. エージェント作成の簡略化

セマンティック カーネル

エージェント フレームワーク

4. エージェント スレッドの作成

セマンティック カーネル

エージェント フレームワーク

エージェント フレームワーク

5. ツール登録

セマンティック カーネル

エージェント フレームワーク

互換性: Agent Framework ツールとしての KernelFunction の使用

プロンプト テンプレートからの KernelFunction の使用

メソッドからの KernelFunction の使用

create_search_functionでの VectorStore の使用

6. エージェントの非ストリーミング呼び出し

セマンティック カーネル

エージェント フレームワーク

7. エージェント ストリーミング呼び出し

セマンティック カーネル

エージェント フレームワーク

8. オプションの構成

次のステップ

フィードバック

その他のリソース

セマンティックカーネルからエージェントフレームワークへの移行ガイド

セマンティックカーネル

エージェントフレームワーク

セマンティックカーネル

エージェントフレームワーク

セマンティックカーネル

エージェントフレームワーク

セマンティックカーネル

エージェントフレームワーク

セマンティックカーネル

エージェントフレームワーク

セマンティックカーネル

エージェントフレームワーク

7. エージェントストリーミング呼び出し

セマンティックカーネル

エージェントフレームワーク

セマンティックカーネル

エージェントフレームワーク

セマンティックカーネル

エージェントフレームワーク

セマンティックカーネル

エージェントフレームワーク

セマンティックカーネル

エージェントフレームワーク

セマンティックカーネル

エージェントフレームワーク

4. エージェントスレッドの作成

セマンティックカーネル

エージェントフレームワーク

エージェントフレームワーク

セマンティックカーネル

エージェントフレームワーク

プロンプトテンプレートからの KernelFunction の使用

セマンティックカーネル

エージェントフレームワーク

7. エージェントストリーミング呼び出し

セマンティックカーネル

エージェントフレームワーク