Агенты в рабочих процессах

В этом руководстве показано, как интегрировать агенты ИИ в рабочие процессы с помощью Agent Framework. Вы узнаете, как создавать рабочие процессы, использующие возможности специализированных агентов ИИ для создания контента, проверки и других задач совместной работы.

Что вы будете создавать

Вы создадите рабочий процесс, который:

Использует службу агента Azure Foundry для создания интеллектуальных агентов
Реализует агент перевода на французский язык, который переводит входные данные на французский
Реализует агент перевода на испанский язык, который переводит французский на испанский
Реализует агент перевода английского языка, который переводит испанский обратно на английский
Подключает агенты в последовательном конвейере рабочего процесса
Потоковая передача обновлений в режиме реального времени во время обработки запросов агентами
Демонстрирует правильную очистку ресурсов для агентов Azure Foundry

Основные понятия, описанные в статье

Предпосылки

Пакет SDK для .NET 8.0 или более поздней версии
Настроенная конечная точка и модель проекта Azure Foundry
Установленный и прошедший проверку подлинности Azure CLI (для проверки подлинности учетных данных Azure)
Новое консольное приложение

Шаг 1. Установка пакетов NuGet

Сначала установите необходимые пакеты для проекта .NET:

dotnet add package Azure.AI.Projects --prerelease
dotnet add package Azure.Identity
dotnet add package Microsoft.Agents.AI.Foundry --prerelease
dotnet add package Microsoft.Agents.AI.Workflows --prerelease

Шаг 2. Настройка клиента Azure Foundry

Настройте клиент Azure Foundry с переменными среды и проверкой подлинности:

using Azure.AI.Projects;
using Azure.AI.Projects.Agents;
using Azure.Identity;
using Microsoft.Agents.AI;
using Microsoft.Agents.AI.Foundry;
using Microsoft.Agents.AI.Workflows;
using Microsoft.Extensions.AI;

public static class Program
{
    private static async Task Main()
    {
        // Set up the Azure AI Project client
        var endpoint = Environment.GetEnvironmentVariable("AZURE_AI_PROJECT_ENDPOINT")
            ?? throw new InvalidOperationException("AZURE_AI_PROJECT_ENDPOINT is not set.");
        var deploymentName = Environment.GetEnvironmentVariable("AZURE_AI_MODEL_DEPLOYMENT_NAME") ?? "gpt-4o-mini";
        var aiProjectClient = new AIProjectClient(new Uri(endpoint), new AzureCliCredential());

Шаг 3. Создание метода фабрики агентов

Реализуйте вспомогательный метод для создания агентов Azure Foundry с определенными инструкциями:

    /// <summary>
    /// Creates a translation agent for the specified target language.
    /// </summary>
    /// <param name="targetLanguage">The target language for translation</param>
    /// <param name="aiProjectClient">The AIProjectClient to create the agent</param>
    /// <param name="model">The model to use for the agent</param>
    /// <returns>A ChatClientAgent configured for the specified language</returns>
    private static async Task<ChatClientAgent> GetTranslationAgentAsync(
        string targetLanguage,
        AIProjectClient aiProjectClient,
        string model)
    {
        string agentName = $"{targetLanguage} Translator";
        var version = await aiProjectClient.AgentAdministrationClient.CreateAgentVersionAsync(
            agentName,
            new ProjectsAgentVersionCreationOptions(
                new DeclarativeAgentDefinition(model)
                {
                    Instructions = $"You are a translation assistant that translates the provided text to {targetLanguage}."
                }));

        return aiProjectClient.AsAIAgent(version);
    }
}

Шаг 4. Создание специализированных агентов Azure Foundry

Создайте три агента перевода с помощью вспомогательного метода:

        // Create agents
        AIAgent frenchAgent = await GetTranslationAgentAsync("French", aiProjectClient, deploymentName);
        AIAgent spanishAgent = await GetTranslationAgentAsync("Spanish", aiProjectClient, deploymentName);
        AIAgent englishAgent = await GetTranslationAgentAsync("English", aiProjectClient, deploymentName);

Шаг 5. Создание рабочего процесса

Подключите агенты в последовательном рабочем процессе с помощью WorkflowBuilder:

        // Build the workflow by adding executors and connecting them
        var workflow = new WorkflowBuilder(frenchAgent)
            .AddEdge(frenchAgent, spanishAgent)
            .AddEdge(spanishAgent, englishAgent)
            .Build();

Шаг 6. Выполнение с помощью потоковой передачи

Запустите рабочий процесс с потоковой передачей, чтобы наблюдать обновления в режиме реального времени со всех агентов:

        // Execute the workflow
        await using StreamingRun run = await InProcessExecution.RunStreamingAsync(workflow, new ChatMessage(ChatRole.User, "Hello World!"));

        // Must send the turn token to trigger the agents.
        // The agents are wrapped as executors. When they receive messages,
        // they will cache the messages and only start processing when they receive a TurnToken.
        await run.TrySendMessageAsync(new TurnToken(emitEvents: true));
        await foreach (WorkflowEvent evt in run.WatchStreamAsync())
        {
            if (evt is AgentResponseUpdateEvent executorComplete)
            {
                Console.WriteLine($"{executorComplete.ExecutorId}: {executorComplete.Data}");
            }
        }

Шаг 7. Очистка ресурсов

Правильно очистите агенты Azure Foundry после использования:

        // Cleanup the agents created for the sample.
        await aiProjectClient.AgentAdministrationClient.DeleteAgentAsync(frenchAgent.Id);
        await aiProjectClient.AgentAdministrationClient.DeleteAgentAsync(spanishAgent.Id);
        await aiProjectClient.AgentAdministrationClient.DeleteAgentAsync(englishAgent.Id);
    }

Принцип работы

Настройка клиента Azure Foundry: используется AIProjectClient с учетными данными Azure CLI для проверки подлинности
Создание агента: Создает версионированные агенты в Azure Foundry с определенными инструкциями по переводу
Последовательная обработка: французский агент сначала преобразует входные данные, а затем испанский агент, а затем английский агент
Шаблон обработки токена: агенты кэшируют сообщения и обрабатывают их только при получении TurnToken
Потоковая передача обновлений: AgentResponseUpdateEvent предоставляет обновления маркеров в режиме реального времени по мере того как агенты создают ответы.
Управление ресурсами. Правильная очистка агентов Azure Foundry с помощью API администрирования

Основные понятия

Служба агента Azure Foundry: агенты искусственного интеллекта на основе облака с расширенными возможностями анализа
AIProjectClient: клиент для создания агентов и управления ими в Azure Foundry
WorkflowEvent: выходные события () содержат выходные данные агента (type="output"AgentResponseUpdateдля потоковой передачи, AgentResponse для непотоковых)
TurnToken: сигнал, который активирует обработку агента после кэширования сообщений
Последовательный рабочий процесс: агенты, соединённые в цепочку, где выходные данные передаются от одного агента к следующему

Полная реализация

Полный поток выполнения агентов Azure Foundry можно найти в программе FoundryAgent в файле Program.cs в репозитории Agent Framework.

Что вы будете создавать

Вы создадите рабочий процесс, который:

Используется FoundryChatClient для создания интеллектуальных агентов
Реализует агент-писатель, который генерирует контент на основе сигналов
Реализует агент рецензента, предоставляющий отзывы о содержимом
Подключает агенты в последовательном конвейере рабочего процесса
Потоковая передача обновлений в режиме реального времени во время обработки запросов агентами

Основные понятия, описанные в статье

Предпосылки

Python 3.10 или более поздней версии
Установленная платформа агента: pip install agent-framework
Ответы Azure OpenAI, настроенные с соответствующими переменными среды
Проверка подлинности Azure CLI: az login

Шаг 1. Импорт требуемых зависимостей

Начните с импорта необходимых компонентов для рабочих процессов и агентов Azure OpenAI Responses:

import asyncio
import os

from agent_framework import AgentResponseUpdate, WorkflowBuilder
from agent_framework.foundry import FoundryChatClient
from azure.identity import AzureCliCredential

Шаг 2. Создание клиента ответов Azure OpenAI

Создайте один общий клиент, который можно использовать для создания нескольких агентов:

async def main() -> None:
    client = FoundryChatClient(
        project_endpoint=os.environ["FOUNDRY_PROJECT_ENDPOINT"],
        model=os.environ["FOUNDRY_MODEL"],
        credential=AzureCliCredential(),
    )

Шаг 3. Создание специализированных агентов

Создайте два специализированных агента для создания контента и проверки:

    # Create a Writer agent that generates content
    writer_agent = client.as_agent(
        name="Writer",
        instructions=(
            "You are an excellent content writer. You create new content and edit contents based on the feedback."
        ),
    )

    # Create a Reviewer agent that provides feedback
    reviewer_agent = client.as_agent(
        name="Reviewer",
        instructions=(
            "You are an excellent content reviewer. "
            "Provide actionable feedback to the writer about the provided content. "
            "Provide the feedback in the most concise manner possible."
        ),
    )

Шаг 4. Создание рабочего процесса

Подключите агентов в последовательном рабочем процессе с помощью конструктора.

        # Build the workflow with agents as executors
        workflow = WorkflowBuilder(start_executor=writer_agent).add_edge(writer_agent, reviewer_agent).build()

Шаг 5. Выполнение с помощью потоковой передачи

Запустите рабочий процесс с потоковой передачей, чтобы наблюдать обновления в режиме реального времени от обоих агентов:

    last_author: str | None = None

    events = workflow.run("Create a slogan for a new electric SUV that is affordable and fun to drive.", stream=True)
    async for event in events:
        if event.type == "output" and isinstance(event.data, AgentResponseUpdate):
            update = event.data
            author = update.author_name
            if author != last_author:
                if last_author is not None:
                    print()
                print(f"{author}: {update.text}", end="", flush=True)
                last_author = author
            else:
                print(update.text, end="", flush=True)

Шаг 6. Полная основная функция

Оберните все в главной функции с корректной асинхронной обработкой.

if __name__ == "__main__":
    asyncio.run(main())

Принцип работы

Настройка клиента. Использует один FoundryChatClient с учетными данными Azure CLI для проверки подлинности.
Создание агентов: создаются агенты записи и агенты рецензирования из одной и той же конфигурации клиента.
Последовательная обработка: агент-создатель сначала создает содержимое, а затем передает его агенту-проверяющему.
Потоковая передача обновлений: события вывода (type="output") с AgentResponseUpdate данными предоставляют обновления токенов в реальном времени, пока агенты генерируют ответы.

Основные понятия

FoundryChatClient: общий клиент, используемый для создания агентов рабочих процессов с согласованной конфигурацией.
WorkflowEvent: события вывода (type="output") содержат выходные данные агента (AgentResponseUpdate для потоковой передачи, AgentResponse для непотоковых).
Последовательный рабочий процесс: агенты подключены к конвейеру, в котором данные передаются от одного агента к следующему.

Полная реализация

Полную рабочую реализацию см. в azure_ai_agents_streaming.py в репозитории Agent Framework.

Дальнейшие шаги

Человек в цикле

Кері байланыс

Бет пайдалы болды ма?

Last updated on 2026-03-12

Бөлісу құралы:

Агенты в рабочих процессах

Что вы будете создавать

Основные понятия, описанные в статье

Предпосылки

Шаг 1. Установка пакетов NuGet

Шаг 2. Настройка клиента Azure Foundry

Шаг 3. Создание метода фабрики агентов

Шаг 4. Создание специализированных агентов Azure Foundry

Шаг 5. Создание рабочего процесса

Шаг 6. Выполнение с помощью потоковой передачи

Шаг 7. Очистка ресурсов

Принцип работы

Основные понятия

Полная реализация

Что вы будете создавать

Основные понятия, описанные в статье

Предпосылки

Шаг 1. Импорт требуемых зависимостей

Шаг 2. Создание клиента ответов Azure OpenAI

Шаг 3. Создание специализированных агентов

Шаг 4. Создание рабочего процесса

Шаг 5. Выполнение с помощью потоковой передачи

Шаг 6. Полная основная функция

Принцип работы

Основные понятия

Полная реализация

Дальнейшие шаги

Кері байланыс

Қосымша ресурстар