Guia de Mudanças Significativas em Python 2026

Este documento lista todas as alterações significativas nas versões Python desde o início de 2026, incluindo alterações urgentes e melhorias importantes que possam afetar o seu código. Cada alteração é assinalada como:

🔴 Interrupção — Requer alterações no código para atualização
🟡 Melhoria — Nova capacidade ou melhoria; O código existente continua a funcionar

Este documento será removido assim que chegarmos à versão estável 1.0.0, por isso, por favor, consulte-o ao atualizar entre versões em 2026 para garantir que não perde alterações importantes. Para obter instruções detalhadas de atualização sobre tópicos específicos (por exemplo, migração de opções), consulte os guias de atualização vinculados ou os pull requests (PRs) vinculados.

python-1.0.0rc1 / python-1.0.0b260219 (19 de fevereiro de 2026)

Lançamento:agent-framework-core e agent-framework-azure-ai promovido a 1.0.0rc1. Foram atualizados todos os outros pacotes para 1.0.0b260219.

🔴 Tratamento unificado de credenciais Azure em todos os pacotes

PR:#4088

Os parâmetros/helpers ad_token, ad_token_provider e get_entra_auth_token foram substituídos por um parâmetro unificado credential em todos os pacotes Python relacionados com Azure. A nova abordagem utiliza azure.identity.get_bearer_token_provider para cache e atualização automática de tokens.

Classes afetadas:AzureOpenAIChatClient, AzureOpenAIResponsesClient, AzureOpenAIAssistantsClient, AzureAIClientAzureAIAgentClient, AzureAIProjectAgentProvider, AzureAIAgentsProvider, , AzureAISearchContextProvider, PurviewClient. PurviewPolicyMiddlewarePurviewChatPolicyMiddleware

Before:

from azure.identity import AzureCliCredential, get_bearer_token_provider

token_provider = get_bearer_token_provider(
    AzureCliCredential(), "https://cognitiveservices.azure.com/.default"
)

client = AzureOpenAIResponsesClient(
    azure_ad_token_provider=token_provider,
    ...
)

After:

from azure.identity import AzureCliCredential

client = AzureOpenAIResponsesClient(
    credential=AzureCliCredential(),
    ...
)

O credential parâmetro aceita TokenCredential, AsyncTokenCredential, ou um fornecedor de token chamável. A cache e a atualização dos tokens são geridas automaticamente.

🔴 Hierarquia de exceções em Python redesenhada

PR:#4082

A família plana ServiceException foi substituída por ramos de exceção com âmbito de domínio sob uma única AgentFrameworkException raiz. Isto dá aos chamadores alvos precisos except e uma semântica de erro clara.

Nova hierarquia:

AgentFrameworkException
├── AgentException
│   ├── AgentInvalidAuthException
│   ├── AgentInvalidRequestException
│   ├── AgentInvalidResponseException
│   └── AgentContentFilterException
├── ChatClientException
│   ├── ChatClientInvalidAuthException
│   ├── ChatClientInvalidRequestException
│   ├── ChatClientInvalidResponseException
│   └── ChatClientContentFilterException
├── IntegrationException
│   ├── IntegrationInitializationError
│   ├── IntegrationInvalidAuthException
│   ├── IntegrationInvalidRequestException
│   ├── IntegrationInvalidResponseException
│   └── IntegrationContentFilterException
├── ContentError
├── WorkflowException
│   ├── WorkflowRunnerException
│   ├── WorkflowValidationError
│   └── WorkflowActionError
├── ToolExecutionException
├── MiddlewareTermination
└── SettingNotFoundError

Exceções removidas:ServiceException, ServiceInitializationError, ServiceResponseExceptionServiceContentFilterException, ServiceInvalidAuthError, ServiceInvalidExecutionSettingsError, ServiceInvalidRequestError, ServiceInvalidResponseError, , AgentExecutionException, . AgentInvocationErrorAgentInitializationErrorAgentSessionExceptionChatClientInitializationErrorCheckpointDecodingError

Before:

from agent_framework.exceptions import ServiceException, ServiceResponseException

try:
    result = await agent.run("Hello")
except ServiceResponseException:
    ...
except ServiceException:
    ...

After:

from agent_framework.exceptions import AgentException, AgentInvalidResponseException, AgentFrameworkException

try:
    result = await agent.run("Hello")
except AgentInvalidResponseException:
    ...
except AgentException:
    ...
except AgentFrameworkException:
    # catch-all for any Agent Framework error
    ...

Observação

Os erros de validação de init agora usam exceções incorporadas ValueError/TypeError em vez de personalizadas. As exceções do Agent Framework são reservadas para falhas ao nível do domínio.

🔴 Estado do fornecedor definido por `source_id`

PR:#3995

Os hooks do fornecedor agora recebem um dicionário de estado específico do fornecedor (state.setdefault(provider.source_id, {})) em vez do estado completo da sessão. Isto significa que implementações de fornecedores que anteriormente acediam ao estado aninhado via state[self.source_id]["key"] devem agora aceder diretamente a state["key"].

Além disso, o InMemoryHistoryProvider padrão source_id mudou de "memory" para "in_memory".

Before:

# In a custom provider hook:
async def on_before_agent(self, state: dict, **kwargs):
    my_data = state[self.source_id]["my_key"]

# InMemoryHistoryProvider default source_id
provider = InMemoryHistoryProvider("memory")

After:

# Provider hooks receive scoped state — no nested access needed:
async def on_before_agent(self, state: dict, **kwargs):
    my_data = state["my_key"]

# InMemoryHistoryProvider default source_id changed
provider = InMemoryHistoryProvider("in_memory")

🔴 Alinhamento da digitação de mensagens de chat/agente (`run` vs `get_response`)

PR:#3920

As implementações de chat-cliente get_response recebem agora consistentemente Sequence[Message]. agent.run(...) mantém-se flexível (str, Content, Message, ou sequências destes) e normaliza as entradas antes de ligar para clientes de chat.

Before:

async def get_response(self, messages: str | Message | list[Message], **kwargs): ...

After:

from collections.abc import Sequence
from agent_framework import Message

async def get_response(self, messages: Sequence[Message], **kwargs): ...

🔴 `FunctionTool[Any]` configuração genérica removida para passagem de esquema

PR:#3907

Os caminhos de ferramentas baseados em esquemas já não dependem do comportamento genérico anterior FunctionTool[Any] . Use FunctionTool diretamente e forneça um BaseModel pydântico ou esquemas explícitos onde necessário (por exemplo, com @tool(schema=...)).

Before:

placeholder: FunctionTool[Any] = FunctionTool(...)

After:

placeholder: FunctionTool = FunctionTool(...)

🔴 Configurações Pydantic substituídas por `TypedDict` + `load_settings()`

Pull Requests:#3843, #4032

A classe baseada em pydantic-settings e AFBaseSettings foi substituída por um sistema de definições leve e baseado em funções utilizando TypedDict e load_settings(). A pydantic-settings dependência foi completamente removida.

Todas as classes de definições (por exemplo, OpenAISettings, AzureOpenAISettings, AnthropicSettings) são agora TypedDict definições, e os valores das definições são acedidos através da sintaxe do dicionário em vez de acesso a atributos.

Before:

from agent_framework.openai import OpenAISettings

settings = OpenAISettings()  # pydantic-settings auto-loads from env
api_key = settings.api_key
model_id = settings.model_id

After:

from agent_framework.openai import OpenAISettings, load_settings

settings = load_settings(OpenAISettings, env_prefix="OPENAI_")
api_key = settings["api_key"]
model_id = settings["model_id"]

Importante

O Agent Framework não carrega automaticamente valores a partir de .env ficheiros. Deve optar explicitamente por .env carregar fazendo uma das seguintes ações:

Chamar load_dotenv() do pacote python-dotenv no início da sua aplicação
Passando env_file_path=".env" para load_settings()
Definir variáveis de ambiente diretamente no seu shell ou IDE

A ordem de load_settings resolução é: sobreposições explícitas → .env valores do ficheiro (quando env_file_path fornecido) → variáveis de ambiente → predefinições. Se especificar env_file_path, o ficheiro deve existir ou a FileNotFoundError é elevado.

🟡 Correção do modelo de raciocínio, fluxo de trabalho de transferência e serialização do histórico

PR:#4083

Corrige múltiplas falhas ao utilizar modelos de raciocínio (por exemplo, gpt-5-mini, gpt-5.2) em fluxos de trabalho multi-agente. Os itens de raciocínio da API Respostas são agora corretamente serializados e só incluídos no histórico quando a function_call também está presente, prevenindo erros na API. O conteúdo de raciocínio encriptado/oculto é agora emitido corretamente, e o summary formato do campo é corrigido. service_session_id também é eliminado na transferência para evitar vazamento de estado entre agentes.

🟡 Bedrock adicionado a `core[all]` e os padrões de escolha de ferramentas foram corrigidos

PR:#3953

O Amazon Bedrock está agora incluído nos agent-framework-core[all] extras e está disponível através da agent_framework.amazon superfície de importação preguiçosa. O comportamento de escolha de ferramenta também foi corrigido: os valores de escolha de ferramenta não definidos permanecem agora desdefinidos, de modo que os fornecedores usam os seus valores predefinidos de serviço, enquanto valores explicitamente definidos são preservados.

from agent_framework.amazon import BedrockClient

🟡 AzureAIClient alerta sobre substituições de runtime não suportadas

PR:#3919

AzureAIClient agora regista um aviso quando o tempo tools de execução ou structured_output difere da configuração do agente no momento de criação. O Azure AI Agent Service não suporta alterações de ferramentas de runtime ou de formato de resposta — use AzureOpenAIResponsesClient em vez disso se precisar de overrides dinâmicos.

🟡 `workflow.as_agent()` Agora define o histórico local quando os fornecedores não estão definidos

PR:#3918

Quando workflow.as_agent() é criado sem context_providers, agora adiciona InMemoryHistoryProvider("memory") por defeito. Se forem explicitamente fornecidos fornecedores de contexto, essa lista mantém-se inalterada.

workflow_agent = workflow.as_agent(name="MyWorkflowAgent")
# Default local history provider is injected when none are provided.

🟡 Contexto de traço OpenTelemetry propagado para requisições MCP

PR:#3780

Quando o OpenTelemetry é instalado, o contexto de rastreamento (por exemplo, W3C traceparent) é injetado automaticamente nos pedidos MCP via params._meta. Isto permite o rastreio distribuído de ponta a ponta entre chamadas de agente → servidor MCP. Não são necessárias alterações de código — este é um comportamento aditivo que se ativa quando existe um contexto de expansão válido.

🟡 Suporte duradouro de workflow para Azure Functions

PR:#3630

O pacote agent-framework-azurefunctions agora suporta a execução de grafos Workflow no Azure Durable Functions. Passe um workflow parâmetro para AgentFunctionApp para automaticamente registrar entidades de agentes, funções de atividade e endpoints HTTP.

from agent_framework.azurefunctions import AgentFunctionApp

app = AgentFunctionApp(workflow=my_workflow)
# Automatically registers:
#   POST /api/workflow/run          — start a workflow
#   GET  /api/workflow/status/{id}  — check status
#   POST /api/workflow/respond/{id}/{requestId} — HITL response

Suporta padrões de fan-out/fan-in, shared state e human-in-the-loop com timeout configurável e rejeição automática ao expirar.

python-1.0.0b260212 (12 de fevereiro de 2026)

Notas de Lançamento:python-1.0.0b260212

🔴 `HostedTool`As classes foram substituídas por métodos cliente `get__tool()`

PR:#3634

As classes de ferramentas alojadas foram removidas em favor de métodos de fábrica com âmbito cliente. Isto torna a disponibilidade de ferramentas explícita por fornecedor.

Classe removida	Replacement
`HostedCodeInterpreterTool`	`client.get_code_interpreter_tool()`
`HostedWebSearchTool`	`client.get_web_search_tool()`
`HostedFileSearchTool`	`client.get_file_search_tool(...)`
`HostedMCPTool`	`client.get_mcp_tool(...)`
`HostedImageGenerationTool`	`client.get_image_generation_tool(...)`

Before:

from agent_framework import HostedCodeInterpreterTool, HostedWebSearchTool

tools = [HostedCodeInterpreterTool(), HostedWebSearchTool()]

After:

from agent_framework.openai import OpenAIResponsesClient

client = OpenAIResponsesClient()
tools = [client.get_code_interpreter_tool(), client.get_web_search_tool()]

🔴 Pipeline de fornecedor de sessão e de contexto finalizado (`AgentSession`, `context_providers`)

PR:#3850

A sessão Python e a migração do fornecedor de contexto foram concluídas. AgentThread e os antigos tipos de fornecedor de contexto foram removidos.

AgentThread → AgentSession
agent.get_new_thread() → agent.create_session()
agent.get_new_thread(service_thread_id=...) → agent.get_session(service_session_id=...)
context_provider= / chat_message_store_factory= os padrões são substituídos por context_providers=[...]

Before:

thread = agent.get_new_thread()
response = await agent.run("Hello", thread=thread)

After:

session = agent.create_session()
response = await agent.run("Hello", session=session)

🔴 O comportamento de armazenamento e o modelo de checkpoint foram refatorados

PR:#3744

Os internos dos checkpoints foram redesenhados, o que afeta a compatibilidade persistente dos checkpoints e as implementações de armazenamento personalizado:

WorkflowCheckpoint Agora armazena objetos vivos (a serialização ocorre no armazenamento por checkpoint)
FileCheckpointStorage Agora usa a serialização pickle do Python
workflow_id foi removido e previous_checkpoint_id adicionado
Os ganchos de checkpoint obsoletos foram removidos

Se persistir checkpoints entre versões, deve regenerar ou migrar os artefatos de checkpoint existentes antes de retomar os fluxos de trabalho.

🟡 `AzureOpenAIResponsesClient` suporta endpoints do projeto Microsoft Foundry

PR:#3814

Agora pode criar AzureOpenAIResponsesClient com um endpoint de projeto Foundry ou AIProjectClient, e não apenas com endpoints diretos do Azure OpenAI.

from azure.identity import DefaultAzureCredential
from agent_framework.azure import AzureOpenAIResponsesClient

client = AzureOpenAIResponsesClient(
    project_endpoint="https://<your-project>.services.ai.azure.com",
    deployment_name="gpt-4o-mini",
    credential=DefaultAzureCredential(),
)

🔴 Middleware `call_next` já não aceita `context`

PR:#3829

A continuação do middleware agora não aceita discussões. Se o seu middleware ainda chama call_next(context), atualize-o para call_next().

Before:

async def telemetry_middleware(context, call_next):
    # ...
    return await call_next(context)

After:

async def telemetry_middleware(context, call_next):
    # ...
    return await call_next()

python-1.0.0b260210 (10 de fevereiro de 2026)

Notas de Lançamento:python-1.0.0b260210

🔴 Métodos de fábrica de fluxo de trabalho removidos de `WorkflowBuilder`

PR:#3781

register_executor() e register_agent() foram removidos de WorkflowBuilder. Todos os métodos builder (add_edge, add_fan_out_edges, add_fan_in_edges, add_chain, add_switch_case_edge_group, add_multi_selection_edge_group, start_executor) já não aceitam nomes de string — exigem instâncias de executor ou agente diretamente.

Para isolamento de estados, envolva a instanciação do executor/agente e a construção do workflow dentro de um método auxiliar para que cada chamada produza novas instâncias.

`WorkflowBuilder` com executores

Before:

workflow = (
    WorkflowBuilder(start_executor="UpperCase")
    .register_executor(lambda: UpperCaseExecutor(id="upper"), name="UpperCase")
    .register_executor(lambda: ReverseExecutor(id="reverse"), name="Reverse")
    .add_edge("UpperCase", "Reverse")
    .build()
)

After:

upper = UpperCaseExecutor(id="upper")
reverse = ReverseExecutor(id="reverse")

workflow = WorkflowBuilder(start_executor=upper).add_edge(upper, reverse).build()

`WorkflowBuilder` com agentes

Before:

builder = WorkflowBuilder(start_executor="writer_agent")
builder.register_agent(factory_func=create_writer_agent, name="writer_agent")
builder.register_agent(factory_func=create_reviewer_agent, name="reviewer_agent")
builder.add_edge("writer_agent", "reviewer_agent")

workflow = builder.build()

After:

writer_agent = create_writer_agent()
reviewer_agent = create_reviewer_agent()

workflow = WorkflowBuilder(start_executor=writer_agent).add_edge(writer_agent, reviewer_agent).build()

Isolamento de estado com métodos auxiliares

Para fluxos de trabalho que necessitam de estado isolado por invocação, envolva a construção num método auxiliar:

def create_workflow() -> Workflow:
    """Each call produces fresh executor instances with independent state."""
    upper = UpperCaseExecutor(id="upper")
    reverse = ReverseExecutor(id="reverse")

    return WorkflowBuilder(start_executor=upper).add_edge(upper, reverse).build()

workflow_a = create_workflow()
workflow_b = create_workflow()

🔴 `ChatAgent` renomeado para `Agent`, `ChatMessage` renomeado para `Message`

PR:#3747

Os tipos Python principais foram simplificados ao remover o prefixo redundante Chat . Não são fornecidos alias de retrocompatibilidade.

Antes	Depois
`ChatAgent`	`Agent`
`RawChatAgent`	`RawAgent`
`ChatMessage`	`Message`
`ChatClientProtocol`	`SupportsChatGetResponse`

Atualizar importações

Before:

from agent_framework import ChatAgent, ChatMessage

After:

from agent_framework import Agent, Message

Atualizar referências de tipo

Before:

agent = ChatAgent(
    chat_client=client,
    name="assistant",
    instructions="You are a helpful assistant.",
)

message = ChatMessage(role="user", contents=[Content.from_text("Hello")])

After:

agent = Agent(
    client=client,
    name="assistant",
    instructions="You are a helpful assistant.",
)

message = Message(role="user", contents=[Content.from_text("Hello")])

Observação

ChatClient, ChatResponse, ChatOptions, e ChatMessageStorenão são renomeados por esta alteração.

🔴 Tipos de atualizações de revisão de APIs em diferentes modelos de resposta/mensagem

PR:#3647

Esta versão inclui uma limpeza ampla e fragmentada da tipagem de mensagens/respostas e das APIs auxiliares.

Role e FinishReason são agora NewType envoltórios de str com RoleLiteral/FinishReasonLiteral para valores conhecidos. Trata-os como strings (sem uso de .value).
Message a construção é padronizada em Message(role, contents=[...]); as cadeias em contents são convertidas automaticamente para conteúdo de texto.
ChatResponse e AgentResponse os construtores agora centram-se em messages= (único Message ou sequência); o uso de construtores legados text= foi removido das respostas.
ChatResponseUpdate e AgentResponseUpdate já não aceitam text=; usar contents=[Content.from_text(...)].
Os nomes dos ajudantes de combinação de atualizações foram simplificados.
try_parse_value foi removido de ChatResponse e AgentResponse.

Renomeação do método Helper

Antes	Depois
`ChatResponse.from_chat_response_updates(...)`	`ChatResponse.from_updates(...)`
`ChatResponse.from_chat_response_generator(...)`	`ChatResponse.from_update_generator(...)`
`AgentResponse.from_agent_run_response_updates(...)`	`AgentResponse.from_updates(...)`

Atualização da construção de resposta e atualização

Before:

update = AgentResponseUpdate(text="Processing...", role="assistant")

After:

from agent_framework import AgentResponseUpdate, Content

update = AgentResponseUpdate(
    contents=[Content.from_text("Processing...")],
    role="assistant",
)

Substituir `try_parse_value` por `try/except` em `.value`

Before:

if parsed := response.try_parse_value(MySchema):
    print(parsed.name)

After:

from pydantic import ValidationError

try:
    parsed = response.value
    if parsed:
        print(parsed.name)
except ValidationError as err:
    print(f"Validation failed: {err}")

🔴 Modelo e uso unificados `run`/`get_response` e `ResponseStream`

PR:#3379

As APIs Python foram consolidadas em torno de agent.run(...) e client.get_response(...), com o streaming representado por ResponseStream.

Before:

async for update in agent.run_stream("Hello"):
    print(update)

After:

stream = agent.run("Hello", stream=True)
async for update in stream:
    print(update)

🔴 Renomeação de tipos de contexto/protocolo core

Pedidos de Pull:#3714, #3717

Antes	Depois
`AgentRunContext`	`AgentContext`
`AgentProtocol`	`SupportsAgentRun`

Atualize as importações e as anotações de tipo em conformidade.

🔴 Parâmetro de continuação do middleware renomeado para `call_next`

PR:#3735

As assinaturas do middleware devem agora usar call_next em vez de next.

Before:

async def my_middleware(context, next):
    return await next(context)

After:

async def my_middleware(context, call_next):
    return await call_next(context)

🔴 Nomes TypeVar padronizados (`TName` → `NameT`)

PR:#3770

A base de código segue agora um estilo de nomenclatura TypeVar consistente onde é usado o sufixo T .

Before:

TMessage = TypeVar("TMessage")

After:

MessageT = TypeVar("MessageT")

Se mantiver envoltórios personalizados em torno dos genéricos do framework, alinhe os nomes locais do TypeVar com a nova convenção para reduzir a movimentação de anotações.

🔴 Saída do fluxo de trabalho como agente e alterações em streaming

PR:#3649

workflow.as_agent() O comportamento foi atualizado para alinhar a saída e o streaming com os padrões padrão de resposta dos agentes. Revise os consumidores de "workflow-como-agente" que dependem do tratamento legado de saída/atualizações e atualize-os para o fluxo atual AgentResponse/AgentResponseUpdate.

🔴 Os métodos de construtor fluente passaram para parâmetros de construtor

PR:#3693

Métodos fluentes de configuração única em 6 construtores (WorkflowBuilder, SequentialBuilder, ConcurrentBuilder, GroupChatBuilder, MagenticBuilder, ) HandoffBuilderforam migrados para parâmetros de construtor. Métodos fluentes que eram o único caminho de configuração para um cenário são removidos em favor de argumentos de construtor.

`WorkflowBuilder`

set_start_executor(), with_checkpointing(), e with_output_from() são removidos. Use antes parâmetros de construtor.

Before:

upper = UpperCaseExecutor(id="upper")
reverse = ReverseExecutor(id="reverse")

workflow = (
    WorkflowBuilder(start_executor=upper)
    .add_edge(upper, reverse)
    .set_start_executor(upper)
    .with_checkpointing(storage)
    .build()
)

After:

upper = UpperCaseExecutor(id="upper")
reverse = ReverseExecutor(id="reverse")

workflow = (
    WorkflowBuilder(start_executor=upper, checkpoint_storage=storage)
    .add_edge(upper, reverse)
    .build()
)

`SequentialBuilder` / `ConcurrentBuilder`

participants(), register_participants(), with_checkpointing(), e with_intermediate_outputs() são removidos. Use antes parâmetros de construtor.

Before:

workflow = SequentialBuilder().participants([agent_a, agent_b]).with_checkpointing(storage).build()

After:

workflow = SequentialBuilder(participants=[agent_a, agent_b], checkpoint_storage=storage).build()

`GroupChatBuilder`

participants(), register_participants(), with_orchestrator(), with_termination_condition(), with_max_rounds(), with_checkpointing() e with_intermediate_outputs() são removidos. Use antes parâmetros de construtor.

Before:

workflow = (
    GroupChatBuilder()
    .with_orchestrator(selection_func=selector)
    .participants([agent1, agent2])
    .with_termination_condition(lambda conv: len(conv) >= 4)
    .with_max_rounds(10)
    .build()
)

After:

workflow = GroupChatBuilder(
    participants=[agent1, agent2],
    selection_func=selector,
    termination_condition=lambda conv: len(conv) >= 4,
    max_rounds=10,
).build()

`MagenticBuilder`

participants(), register_participants(), with_manager(), with_plan_review(), with_checkpointing(), e with_intermediate_outputs() são removidos. Use antes parâmetros de construtor.

Before:

workflow = (
    MagenticBuilder()
    .participants([researcher, coder])
    .with_manager(agent=manager_agent)
    .with_plan_review()
    .build()
)

After:

workflow = MagenticBuilder(
    participants=[researcher, coder],
    manager_agent=manager_agent,
    enable_plan_review=True,
).build()

`HandoffBuilder`

with_checkpointing() e with_termination_condition() são removidos. Use antes parâmetros de construtor.

Before:

workflow = (
    HandoffBuilder(participants=[triage, specialist])
    .with_start_agent(triage)
    .with_termination_condition(lambda conv: len(conv) > 5)
    .with_checkpointing(storage)
    .build()
)

After:

workflow = (
    HandoffBuilder(
        participants=[triage, specialist],
        termination_condition=lambda conv: len(conv) > 5,
        checkpoint_storage=storage,
    )
    .with_start_agent(triage)
    .build()
)

Alterações na validação

WorkflowBuilder agora requer start_executor como argumento construtor (anteriormente definido via método fluente)
SequentialBuilder, ConcurrentBuilder, GroupChatBuilder, e MagenticBuilder agora requerem ou participants ou participant_factories em tempo de construção — não passar nenhum deles aciona ValueError

Observação

HandoffBuilder já aceite participants/participant_factories como parâmetros construtores e não foi alterado nesse aspeto.

🔴 Eventos de fluxo de trabalho unificados num único `WorkflowEvent` com `type` discriminador

PR:#3690

Todas as subclasses individuais de eventos de workflow foram substituídas por uma única classe genérica WorkflowEvent[DataT] . Em vez de usar isinstance() verificações para identificar tipos de eventos, agora verifica a string literal event.type (por exemplo, "output", "request_info", "status"). Isto segue o mesmo padrão da Content consolidação de classes a partir de python-1.0.0b260123.

Classes de evento removidas

As seguintes subclasses de evento exportadas já não existem:

Classe Antiga	Novo `event.type` Valor
`WorkflowOutputEvent`	`"output"`
`RequestInfoEvent`	`"request_info"`
`WorkflowStatusEvent`	`"status"`
`WorkflowStartedEvent`	`"started"`
`WorkflowFailedEvent`	`"failed"`
`ExecutorInvokedEvent`	`"executor_invoked"`
`ExecutorCompletedEvent`	`"executor_completed"`
`ExecutorFailedEvent`	`"executor_failed"`
`SuperStepStartedEvent`	`"superstep_started"`
`SuperStepCompletedEvent`	`"superstep_completed"`

Atualizar importações

Before:

from agent_framework import (
    WorkflowOutputEvent,
    RequestInfoEvent,
    WorkflowStatusEvent,
    ExecutorCompletedEvent,
)

After:

from agent_framework import WorkflowEvent
# Individual event classes no longer exist; use event.type to discriminate

Atualizar verificações do tipo de evento

Before:

async for event in workflow.run_stream(input_message):
    if isinstance(event, WorkflowOutputEvent):
        print(f"Output from {event.executor_id}: {event.data}")
    elif isinstance(event, RequestInfoEvent):
        requests[event.request_id] = event.data
    elif isinstance(event, WorkflowStatusEvent):
        print(f"Status: {event.state}")

After:

async for event in workflow.run_stream(input_message):
    if event.type == "output":
        print(f"Output from {event.executor_id}: {event.data}")
    elif event.type == "request_info":
        requests[event.request_id] = event.data
    elif event.type == "status":
        print(f"Status: {event.state}")

Streaming com `AgentResponseUpdate`

Before:

from agent_framework import AgentResponseUpdate, WorkflowOutputEvent

async for event in workflow.run_stream("Write a blog post about AI agents."):
    if isinstance(event, WorkflowOutputEvent) and isinstance(event.data, AgentResponseUpdate):
        print(event.data, end="", flush=True)
    elif isinstance(event, WorkflowOutputEvent):
        print(f"Final output: {event.data}")

After:

from agent_framework import AgentResponseUpdate

async for event in workflow.run_stream("Write a blog post about AI agents."):
    if event.type == "output" and isinstance(event.data, AgentResponseUpdate):
        print(event.data, end="", flush=True)
    elif event.type == "output":
        print(f"Final output: {event.data}")

Anotações de tipos

Before:

pending_requests: list[RequestInfoEvent] = []
output: WorkflowOutputEvent | None = None

After:

from typing import Any
from agent_framework import WorkflowEvent

pending_requests: list[WorkflowEvent[Any]] = []
output: WorkflowEvent | None = None

Observação

WorkflowEvent é genérico (WorkflowEvent[DataT]), mas para coleções de eventos mistos, usar WorkflowEvent[Any] ou não parametrizar WorkflowEvent.

🔴 `workflow.send_responses*` removido; Utilização `workflow.run(responses=...)`

PR:#3720

send_responses() e send_responses_streaming() foram removidos de Workflow. Continue os fluxos de trabalho pausados passando respostas diretamente para run().

Before:

async for event in workflow.send_responses_streaming(
    checkpoint_id=checkpoint_id,
    responses=[approved_response],
):
    ...

After:

async for event in workflow.run(
    checkpoint_id=checkpoint_id,
    responses=[approved_response],
):
    ...

🔴 `SharedState` renomeadas para `State`; as APIs de estado do fluxo de trabalho são síncronas

PR:#3667

As APIs de estado já não requerem await, e a nomenclatura foi padronizada:

Antes	Depois
`ctx.shared_state`	`ctx.state`
`await ctx.get_shared_state("k")`	`ctx.get_state("k")`
`await ctx.set_shared_state("k", v)`	`ctx.set_state("k", v)`
`checkpoint.shared_state`	`checkpoint.state`

🔴 Os construtores de orquestração foram movidos para `agent_framework.orchestrations`

PR:#3685

Os construtores de orquestração estão agora num espaço de nomes dedicado para paquetes.

Before:

from agent_framework import SequentialBuilder, GroupChatBuilder

After:

from agent_framework.orchestrations import SequentialBuilder, GroupChatBuilder

🟡 Respostas em segundo plano de longa duração e tokens de continuação

PR:#3808

As respostas em segundo plano são agora suportadas para execuções de agentes Python através de options={"background": True} e continuation_token.

response = await agent.run("Long task", options={"background": True})
while response.continuation_token is not None:
    response = await agent.run(options={"continuation_token": response.continuation_token})

🟡 Tipos de pré-visualização do provedor de sessão/contexto adicionados lado a lado

PR:#3763

Novos tipos de pipeline de sessão/contexto foram introduzidos juntamente com APIs legadas para migração incremental, incluindo SessionContext e BaseContextProvider.

🟡 O streaming de interpretação de código inclui agora deltas incrementais no código

PR:#3775

O interpretador de código em streaming executa agora atualizações delta de código de superfície no conteúdo transmitido, permitindo que as interfaces de utilizador possam renderizar o código gerado progressivamente.

🟡 `@tool` suporta o tratamento explícito de esquemas

PR:#3734

As definições de ferramentas podem agora usar o tratamento explícito do esquema quando a saída do esquema inferida necessita de personalização.

python-1.0.0b260130 (30 de janeiro de 2026)

Notas de Lançamento:python-1.0.0b260130

🟡 `ChatOptions` e `ChatResponse`/`AgentResponse` agora suportam formatos genéricos de resposta

PR:#3305

ChatOptions, ChatResponse, e AgentResponse são agora tipos genéricos parametrizados pelo tipo de formato de resposta. Isto permite uma melhor inferência de tipos ao usar saídas estruturadas com response_format.

Before:

from agent_framework import ChatOptions, ChatResponse
from pydantic import BaseModel

class MyOutput(BaseModel):
    name: str
    score: int

options: ChatOptions = {"response_format": MyOutput}  # No type inference
response: ChatResponse = await client.get_response("Query", options=options)
result = response.value  # Type: Any

After:

from agent_framework import ChatOptions, ChatResponse
from pydantic import BaseModel

class MyOutput(BaseModel):
    name: str
    score: int

options: ChatOptions[MyOutput] = {"response_format": MyOutput}  # Generic parameter
response: ChatResponse[MyOutput] = await client.get_response("Query", options=options)
result = response.value  # Type: MyOutput | None (inferred!)

Sugestão

Esta é uma melhoria que não afeta a compatibilidade. O código existente sem parâmetros de tipo continua a funcionar. Não precisa de especificar os tipos no excerto de código acima para as opções e resposta; São mostrados aqui para maior clareza.

🟡 `BaseAgent` Suporte adicionado para o Claude Agent SDK

PR:#3509

O SDK Python inclui agora uma BaseAgent implementação para o Claude Agent SDK, permitindo o uso baseado em adaptadores de primeira classe no Agent Framework.

python-1.0.0b260128 (28 de janeiro de 2026)

Notas de Lançamento:python-1.0.0b260128

🔴 `AIFunction` renomeado para `FunctionTool` e `@ai_function` renomeado para `@tool`

PR:#3413

A turma e o decorador foram renomeados para maior clareza e consistência com a terminologia do setor.

Before:

from agent_framework.core import ai_function, AIFunction

@ai_function
def get_weather(city: str) -> str:
    """Get the weather for a city."""
    return f"Weather in {city}: Sunny"

# Or using the class directly
func = AIFunction(get_weather)

After:

from agent_framework.core import tool, FunctionTool

@tool
def get_weather(city: str) -> str:
    """Get the weather for a city."""
    return f"Weather in {city}: Sunny"

# Or using the class directly
func = FunctionTool(get_weather)

🔴 Padrão de fábrica adicionado ao GroupChat e à Magentic; Renomeações de APIs

PR:#3224

Adicionei a fábrica de participantes e a fábrica de orquestradores ao chat em grupo. Inclui também renomeações:

with_standard_manager → with_manager
participant_factories → register_participant

Before:

from agent_framework.workflows import MagenticBuilder

builder = MagenticBuilder()
builder.with_standard_manager(manager)
builder.participant_factories(factory1, factory2)

After:

from agent_framework.workflows import MagenticBuilder

builder = MagenticBuilder()
builder.with_manager(manager)
builder.register_participant(factory1)
builder.register_participant(factory2)

🔴 `Github` renomeado para `GitHub`

PR:#3486

Os nomes das classes e pacotes foram atualizados para usar a capitalização correta.

Before:

from agent_framework_github_copilot import GithubCopilotAgent

agent = GithubCopilotAgent(...)

After:

from agent_framework_github_copilot import GitHubCopilotAgent

agent = GitHubCopilotAgent(...)

python-1.0.0b260127 (27 de janeiro de 2026)

Notas de Lançamento:python-1.0.0b260127

🟡 `BaseAgent` Adicionado suporte para o GitHub Copilot SDK

PR:#3404

O SDK Python inclui agora uma BaseAgent implementação para integrações do SDK do GitHub Copilot.

python-1.0.0b260123 (23 de janeiro de 2026)

Notas de Lançamento:python-1.0.0b260123

🔴 Tipos de conteúdo simplificados para uma única classe com construtores de método de classe

PR:#3252

Substituiu todos os tipos de conteúdo antigos (derivados de BaseContent) por uma única Content classe com classmethods para criar tipos específicos.

Referência Completa de Migração

Tipo Antigo	Novo Método
`TextContent(text=...)`	`Content.from_text(text=...)`
`DataContent(data=..., media_type=...)`	`Content.from_data(data=..., media_type=...)`
`UriContent(uri=..., media_type=...)`	`Content.from_uri(uri=..., media_type=...)`
`ErrorContent(message=...)`	`Content.from_error(message=...)`
`HostedFileContent(file_id=...)`	`Content.from_hosted_file(file_id=...)`
`FunctionCallContent(name=..., arguments=..., call_id=...)`	`Content.from_function_call(name=..., arguments=..., call_id=...)`
`FunctionResultContent(call_id=..., result=...)`	`Content.from_function_result(call_id=..., result=...)`
`FunctionApprovalRequestContent(...)`	`Content.from_function_approval_request(...)`
`FunctionApprovalResponseContent(...)`	`Content.from_function_approval_response(...)`

Métodos adicionais novos (sem antecessor direto):

Content.from_text_reasoning(...) — Para conteúdo de raciocínio/pensamento
Content.from_hosted_vector_store(...) — Para referências de armazenamento vetorial
Content.from_usage(...) — Para informações sobre o uso/token
Content.from_mcp_server_tool_call(...) / Content.from_mcp_server_tool_result(...) — Para ferramentas de servidor MCP
Content.from_code_interpreter_tool_call(...) / Content.from_code_interpreter_tool_result(...) — Para interpretador de código
Content.from_image_generation_tool_call(...) / Content.from_image_generation_tool_result(...) — Para geração de imagens

Verificação de Tipos

Em vez de isinstance() verificações, use a type propriedade:

Before:

from agent_framework.core import TextContent, FunctionCallContent

if isinstance(content, TextContent):
    print(content.text)
elif isinstance(content, FunctionCallContent):
    print(content.name)

After:

from agent_framework.core import Content

if content.type == "text":
    print(content.text)
elif content.type == "function_call":
    print(content.name)

Exemplo básico

Before:

from agent_framework.core import TextContent, DataContent, UriContent

text = TextContent(text="Hello world")
data = DataContent(data=b"binary", media_type="application/octet-stream")
uri = UriContent(uri="https://example.com/image.png", media_type="image/png")

After:

from agent_framework.core import Content

text = Content.from_text("Hello world")
data = Content.from_data(data=b"binary", media_type="application/octet-stream")
uri = Content.from_uri(uri="https://example.com/image.png", media_type="image/png")

🔴 Tipos de anotação simplificados para `Annotation` e `TextSpanRegion` TypedDicts

PR:#3252

Substituíram os tipos de anotação baseados em classes por definições mais TypedDict simples.

Tipo Antigo	Novo Tipo
`CitationAnnotation` (classe)	`Annotation` (DicionárioTipado com `type="citation"`)
`BaseAnnotation` (classe)	`Annotation` (TypedDict)
`TextSpanRegion` (classe com `SerializationMixin`)	`TextSpanRegion` (TypedDict)
`Annotations` (alias de tipo)	`Annotation`
`AnnotatedRegions` (alias de tipo)	`TextSpanRegion`

Before:

from agent_framework import CitationAnnotation, TextSpanRegion

region = TextSpanRegion(start_index=0, end_index=25)
citation = CitationAnnotation(
    annotated_regions=[region],
    url="https://example.com/source",
    title="Source Title"
)

After:

from agent_framework import Annotation, TextSpanRegion

region: TextSpanRegion = {"start_index": 0, "end_index": 25}
citation: Annotation = {
    "type": "citation",
    "annotated_regions": [region],
    "url": "https://example.com/source",
    "title": "Source Title"
}

Observação

Como Annotation e TextSpanRegion são agora TypedDict, criam-se como dicionários em vez de instâncias de classe.

🔴 `response_format` Erros de validação agora visíveis para os utilizadores

PR:#3274

ChatResponse.value e AgentResponse.value agora elevam ValidationError quando a validação do esquema falhar, em vez de silenciosamente devolver None.

Before:

response = await agent.run(query, options={"response_format": MySchema})
if response.value:  # Returns None on validation failure - no error details
    print(response.value.name)

After:

from pydantic import ValidationError

# Option 1: Catch validation errors
try:
    print(response.value.name)  # Raises ValidationError on failure
except ValidationError as e:
    print(f"Validation failed: {e}")

# Option 2: Safe parsing (returns None on failure)
if result := response.try_parse_value(MySchema):
    print(result.name)

🔴 AG-UI lógica de execução simplificada; Correções para clientes MCP e Anthropic

PR:#3322

A run assinatura e o comportamento do método em AG-UI foram simplificados.

Before:

from agent_framework.ag_ui import AGUIEndpoint

endpoint = AGUIEndpoint(agent=agent)
result = await endpoint.run(
    request=request,
    run_config={"streaming": True, "timeout": 30}
)

After:

from agent_framework.ag_ui import AGUIEndpoint

endpoint = AGUIEndpoint(agent=agent)
result = await endpoint.run(
    request=request,
    streaming=True,
    timeout=30
)

🟡 O cliente Anthropic agora suporta `response_format` saídas estruturadas

PR:#3301

Agora pode usar análise estruturada de saída com clientes Anthropic via response_format, semelhante aos clientes OpenAI e Azure.

🟡 Configuração da Azure AI expandida (`reasoning`, `rai_config`)

Pedidos de Pull:#3403, #3265

O suporte a IA do Azure foi expandido com suporte à configuração de raciocínio e rai_config durante a criação de agentes.

python-1.0.0b260116 (16 de janeiro de 2026)

Notas de Lançamento:python-1.0.0b260116

🔴 `create_agent` renomeado para `as_agent`

PR:#3249

Método renomeado para maior clareza sobre o seu propósito.

Before:

from agent_framework.core import ChatClient

client = ChatClient(...)
agent = client.create_agent()

After:

from agent_framework.core import ChatClient

client = ChatClient(...)
agent = client.as_agent()

🔴 `WorkflowOutputEvent.source_executor_id` renomeado para `executor_id`

PR:#3166

Propriedade renomeada para consistência da API.

Before:

async for event in workflow.run_stream(...):
    if isinstance(event, WorkflowOutputEvent):
        executor = event.source_executor_id

After:

async for event in workflow.run_stream(...):
    if isinstance(event, WorkflowOutputEvent):
        executor = event.executor_id

🟡 AG-UI suporta continuidade de sessão gerida por serviços

PR:#3136

AG-UI agora preserva a identidade de conversa gerida por serviços (por exemplo, sessões/threads geridos pela Foundry) para manter a continuidade de múltiplas interações.

python-1.0.0b260114 (14 de janeiro de 2026)

Notas de Lançamento:python-1.0.0b260114

🔴 Orquestrações refatoradas

PR:#3023

Refatoração e simplificação extensivas das orquestrações nos workflows do Agent Framework:

Chat de Grupo: Dividir o executor do orquestrador em dedicado baseado em agentes e baseado em funções (BaseGroupChatOrchestrator, GroupChatOrchestrator, AgentBasedGroupChatOrchestrator). Simplificado para topologia em estrela com modelo de difusão.
Handoff: Removido o suporte para nível único, coordenador e executor personalizado. Mudei para o modelo de transmissão com HandoffAgentExecutor.
Sequencial & Concorrente: Mecanismo simplificado de informação de pedidos para depender de subfluxos de trabalho via AgentApprovalExecutor e AgentRequestInfoExecutor.

Before:

from agent_framework.workflows import GroupChat, HandoffOrchestrator

# Group chat with custom coordinator
group = GroupChat(
    participants=[agent1, agent2],
    coordinator=my_coordinator
)

# Handoff with single tier
handoff = HandoffOrchestrator(
    agents=[agent1, agent2],
    tier="single"
)

After:

from agent_framework.workflows import (
    GroupChatOrchestrator,
    HandoffAgentExecutor,
    AgentApprovalExecutor
)

# Group chat with star topology
group = GroupChatOrchestrator(
    participants=[agent1, agent2]
)

# Handoff with executor-based approach
handoff = HandoffAgentExecutor(
    agents=[agent1, agent2]
)

🔴 Opções introduzidas como TypedDict e Generic

PR:#3140

As opções agora são tipificadas usando TypedDict para melhor segurança de tipos e autocompletar no IDE.

📖 Para instruções completas de migração, consulte o Guia de Opções Digitadas.

Before:

response = await client.get_response(
    "Hello!",
    model_id="gpt-4",
    temperature=0.7,
    max_tokens=1000,
)

After:

response = await client.get_response(
    "Hello!",
    options={
        "model_id": "gpt-4",
        "temperature": 0.7,
        "max_tokens": 1000,
    },
)

🔴 `display_name` removido; `context_provider` ao singular; `middleware` deve ser uma lista

PR:#3139

display_name parâmetro removido dos agentes
context_providers (plural, lista de aceitação) alterado para context_provider (singular, apenas 1 permitido)
middleware Agora requer uma lista (já não aceita uma única instância)
AggregateContextProvider removido do código (use exemplo de implementação se necessário)

Before:

from agent_framework.core import Agent, AggregateContextProvider

agent = Agent(
    name="my-agent",
    display_name="My Agent",
    context_providers=[provider1, provider2],
    middleware=my_middleware,  # single instance was allowed
)

aggregate = AggregateContextProvider([provider1, provider2])

After:

from agent_framework.core import Agent

# Only one context provider allowed; combine manually if needed
agent = Agent(
    name="my-agent",  # display_name removed
    context_provider=provider1,  # singular, only 1
    middleware=[my_middleware],  # must be a list now
)

# For multiple context providers, create your own aggregate
class MyAggregateProvider:
    def __init__(self, providers):
        self.providers = providers
    # ... implement aggregation logic

🔴 `AgentRunResponse` renomeado para `AgentResponse`

PR:#3207

AgentRunResponse e AgentRunResponseUpdate foram renomeados para AgentResponse e AgentResponseUpdate.

Before:

from agent_framework import AgentRunResponse, AgentRunResponseUpdate

After:

from agent_framework import AgentResponse, AgentResponseUpdate

🟡 Tempo de execução declarativo do fluxo de trabalho adicionado para fluxos de trabalho definidos por YAML

PR:#2815

Foi adicionado um runtime baseado em grafos para executar fluxos de trabalho declarativos YAML, permitindo orquestração multi-agente sem código de execução personalizado.

🟡 Melhorias de carga/fiabilidade do MCP

PR:#3154

As integrações MCP melhoraram o comportamento de perda de conexão, suporte para paginação durante o carregamento e opções de controle de exibição.

🟡 A Foundry `A2ATool` agora suporta ligações sem URL de destino

PR:#3127

A2ATool agora pode resolver conexões A2A suportadas pela Foundry utilizando metadados de conexão do projeto, mesmo quando um URL-alvo direto não está configurado.

python-1.0.0b260107 (7 de janeiro de 2026)

Notas de Lançamento:python-1.0.0b260107

Não houve alterações significativas nesta versão.

python-1.0.0b260106 (6 de janeiro de 2026)

Notas de Lançamento:python-1.0.0b260106

Não houve alterações significativas nesta versão.

Quadro de resumo

Release	Notas de lançamento	Tipo	Alteração	PR
post-1.0.0b260212 (não lançado)	N/A	🔴 Últimas	Tipagem de mensagens de chat/agente alinhada: implementações personalizadas `get_response()` devem aceitar `Sequence[Message]`	#3920
post-1.0.0b260212 (não lançado)	N/A	🔴 Últimas	`FunctionTool[Any]` calço de compatibilidade removido para passagem de esquema; usar `FunctionTool` com esquemas explícitos conforme necessário	#3907
post-1.0.0b260212 (não lançado)	N/A	🟡 Melhoria	`workflow.as_agent()` agora injeta `InMemoryHistoryProvider("memory")` por defeito quando os fornecedores de contexto não estão definidos	#3918
1.0.0b260212	Notes	🔴 Últimas	`HostedTool`classes removidas; criar ferramentas alojadas via métodos cliente`get__tool()`	#3634
1.0.0b260212		🔴 Últimas	Pipeline de provedor de sessão/contexto finalizado: `AgentThread` removido, uso `AgentSession` + `context_providers`	#3850
1.0.0b260212		🔴 Últimas	Refatoração do modelo/armazenamento de checkpoint (c0 removido, c1 adicionado, comportamento de armazenamento mudado)	#3744
1.0.0b260212		🟡 Melhoria	`AzureOpenAIResponsesClient` pode ser criado a partir do endpoint do projeto Foundry ou `AIProjectClient`	#3814
1.0.0b260212		🔴 Últimas	A continuidade do middleware já não aceita `context`; atualize `call_next(context)` para `call_next()`	#3829
1.0.0b260210	Notes	🔴 Últimas	`send_responses()` / `send_responses_streaming()` removido; Utilização `workflow.run(responses=...)`	#3720
1.0.0b260210		🔴 Últimas	`SharedState` → `State`; as APIs de estado do fluxo de trabalho são síncronas e o campo de estado do checkpoint é renomeado	#3667
1.0.0b260210		🔴 Últimas	Os construtores de orquestração passaram para `agent_framework.orchestrations` pacote	#3685
1.0.0b260210		🟡 Melhoria	Respostas de segundo plano e `continuation_token` suporte adicionado às respostas do agente em Python	#3808
1.0.0b260210		🟡 Melhoria	Tipos de pré-visualização de sessão/contexto adicionados lado a lado (`SessionContext`, `BaseContextProvider`)	#3763
1.0.0b260210		🟡 Melhoria	As atualizações do interpretador de código para streaming agora incluem deltas incrementais de código	#3775
1.0.0b260210		🟡 Melhoria	`@tool` O Decorator adiciona suporte explícito para manipulação de esquemas	#3734
1.0.0b260210	Notes	🔴 Últimas	`register_executor()` / `register_agent()` removido de `WorkflowBuilder`; usar instâncias diretamente, utilizando métodos auxiliares para isolar o estado	#3781
1.0.0b260210		🔴 Últimas	`ChatAgent` → `Agent`, `ChatMessage` → `Message`, `RawChatAgent` → `RawAgent`, `ChatClientProtocol` → `SupportsChatGetResponse`	#3747
1.0.0b260210		🔴 Últimas	Revisão da API de tipos: alterações de tipo em `Role`/`FinishReason`, restrição no construtor de resposta/atualização, renomeação de auxiliares para `from_updates`, e remoção de `try_parse_value`	#3647
1.0.0b260210		🔴 Últimas	APIs unificadas em torno de `run`/`get_response` e `ResponseStream`	#3379
1.0.0b260210		🔴 Últimas	`AgentRunContext` renomeado para `AgentContext`	#3714
1.0.0b260210		🔴 Últimas	`AgentProtocol` renomeado para `SupportsAgentRun`	#3717
1.0.0b260210		🔴 Últimas	Parâmetro de middleware `next` renomeado para `call_next`	#3735
1.0.0b260210		🔴 Últimas	Nomeação TypeVar padronizada (`TName` → `NameT`)	#3770
1.0.0b260210		🔴 Últimas	Comportamento de saída/fluxo de trabalho como agente alinhado com o fluxo atual de resposta do agente	#3649
1.0.0b260210		🔴 Últimas	Os métodos de construtor fluentes passaram para parâmetros de construtor em 6 construtores	#3693
1.0.0b260210		🔴 Últimas	Eventos de fluxo de trabalho unificados num único `WorkflowEvent` com `type` discriminador; `isinstance()` → `event.type == "..."`	#3690
1.0.0b260130	Notes	🟡 Melhoria	`ChatOptions` / `ChatResponse` / `AgentResponse` Formato genérico de resposta	#3305
1.0.0b260130		🟡 Melhoria	`BaseAgent` Suporte adicionado para integrações do Claude Agent SDK	#3509
1.0.0b260128	Notes	🔴 Últimas	`AIFunction` → `FunctionTool`, `@ai_function` → `@tool`	#3413
1.0.0b260128		🔴 Últimas	Padrão de fábrica para GroupChat/Magentic; `with_standard_manager` → `with_manager`, `participant_factories` → `register_participant`	#3224
1.0.0b260128		🔴 Últimas	`Github` → `GitHub`	#3486
1.0.0b260127	Notes	🟡 Melhoria	`BaseAgent` Adicionado suporte para integrações do SDK do GitHub Copilot	#3404
1.0.0b260123	Notes	🔴 Últimas	Tipos de conteúdo consolidados numa única `Content` classe com métodos de classe	#3252
1.0.0b260123		🔴 Últimas	`response_format` Surgem agora erros de validação `ValidationError`	#3274
1.0.0b260123		🔴 Últimas	AG-UI lógica de execução simplificada	#3322
1.0.0b260123		🟡 Melhoria	O cliente Anthropic acrescenta `response_format` suporte a saídas estruturadas.	#3301
1.0.0b260123		🟡 Melhoria	Configuração do Azure AI expandida com suporte de `reasoning` e `rai_config`	#3403, #3265
1.0.0b260116	Notes	🔴 Últimas	`create_agent` → `as_agent`	#3249
1.0.0b260116		🔴 Últimas	`source_executor_id` → `executor_id`	#3166
1.0.0b260116		🟡 Melhoria	AG-UI oferece suporte à continuidade de sessões/threads gerida por serviços	#3136
1.0.0b260114	Notes	🔴 Últimas	Orquestrações refatoradas (GroupChat, Handoff, Sequencial, Concorrente)	#3023
1.0.0b260114		🔴 Últimas	Opções como TypedDict e Generic	#3140
1.0.0b260114		🔴 Últimas	`display_name` removido; `context_providers` → `context_provider` (singular); `middleware` deve ser uma lista	#3139
1.0.0b260114		🔴 Últimas	`AgentRunResponse` / `AgentRunResponseUpdate` renomeado para `AgentResponse`/`AgentResponseUpdate`	#3207
1.0.0b260114		🟡 Melhoria	Tempo de execução declarativo do fluxo de trabalho adicionado para fluxos de trabalho definidos por YAML	#2815
1.0.0b260114		🟡 Melhoria	Melhorias de carga/fiabilidade do MCP (gestão de perdas de ligação, paginação, controlos de representação)	#3154
1.0.0b260114		🟡 Melhoria	O Foundry `A2ATool` suporta ligações sem URL de destino explícito	#3127
1.0.0b260107	Notes	—	Sem alterações significativas	—
1.0.0b260106	Notes	—	Sem alterações significativas	—

Próximos passos

Descrição geral do suporte

Comentários

Esta página foi útil?

Last updated on 2026-02-23

Partilhar via

Guia de Mudanças Significativas em Python 2026

python-1.0.0rc1 / python-1.0.0b260219 (19 de fevereiro de 2026)

🔴 Tratamento unificado de credenciais Azure em todos os pacotes

🔴 Hierarquia de exceções em Python redesenhada

🔴 Estado do fornecedor definido por source_id

🔴 Alinhamento da digitação de mensagens de chat/agente (run vs get_response)

🔴 FunctionTool[Any] configuração genérica removida para passagem de esquema

🔴 Configurações Pydantic substituídas por TypedDict + load_settings()

🟡 Correção do modelo de raciocínio, fluxo de trabalho de transferência e serialização do histórico

🟡 Bedrock adicionado a core[all] e os padrões de escolha de ferramentas foram corrigidos

🟡 AzureAIClient alerta sobre substituições de runtime não suportadas

🟡 workflow.as_agent() Agora define o histórico local quando os fornecedores não estão definidos

🟡 Contexto de traço OpenTelemetry propagado para requisições MCP

🟡 Suporte duradouro de workflow para Azure Functions

python-1.0.0b260212 (12 de fevereiro de 2026)

🔴 Hosted*ToolAs classes foram substituídas por métodos cliente get_*_tool()

🔴 Pipeline de fornecedor de sessão e de contexto finalizado (AgentSession, context_providers)

🔴 O comportamento de armazenamento e o modelo de checkpoint foram refatorados

🟡 AzureOpenAIResponsesClient suporta endpoints do projeto Microsoft Foundry

🔴 Middleware call_next já não aceita context

python-1.0.0b260210 (10 de fevereiro de 2026)

🔴 Métodos de fábrica de fluxo de trabalho removidos de WorkflowBuilder

WorkflowBuilder com executores

WorkflowBuilder com agentes

Isolamento de estado com métodos auxiliares

🔴 ChatAgent renomeado para Agent, ChatMessage renomeado para Message

Atualizar importações

Atualizar referências de tipo

🔴 Tipos de atualizações de revisão de APIs em diferentes modelos de resposta/mensagem

Renomeação do método Helper

Atualização da construção de resposta e atualização

Substituir try_parse_value por try/except em .value

🔴 Modelo e uso unificados run/get_response e ResponseStream

🔴 Renomeação de tipos de contexto/protocolo core

🔴 Parâmetro de continuação do middleware renomeado para call_next

🔴 Nomes TypeVar padronizados (TName → NameT)

🔴 Saída do fluxo de trabalho como agente e alterações em streaming

🔴 Os métodos de construtor fluente passaram para parâmetros de construtor

WorkflowBuilder

SequentialBuilder / ConcurrentBuilder

GroupChatBuilder

MagenticBuilder

HandoffBuilder

Alterações na validação

🔴 Eventos de fluxo de trabalho unificados num único WorkflowEvent com type discriminador

Classes de evento removidas

Atualizar importações

Atualizar verificações do tipo de evento

Streaming com AgentResponseUpdate

Anotações de tipos

🔴 workflow.send_responses* removido; Utilização workflow.run(responses=...)

🔴 SharedState renomeadas para State; as APIs de estado do fluxo de trabalho são síncronas

🔴 Os construtores de orquestração foram movidos para agent_framework.orchestrations

🟡 Respostas em segundo plano de longa duração e tokens de continuação

🟡 Tipos de pré-visualização do provedor de sessão/contexto adicionados lado a lado

🟡 O streaming de interpretação de código inclui agora deltas incrementais no código

🟡 @tool suporta o tratamento explícito de esquemas

python-1.0.0b260130 (30 de janeiro de 2026)

🟡 ChatOptions e ChatResponse/AgentResponse agora suportam formatos genéricos de resposta

🟡 BaseAgent Suporte adicionado para o Claude Agent SDK

python-1.0.0b260128 (28 de janeiro de 2026)

🔴 AIFunction renomeado para FunctionTool e @ai_function renomeado para @tool

🔴 Padrão de fábrica adicionado ao GroupChat e à Magentic; Renomeações de APIs

🔴 Github renomeado para GitHub

python-1.0.0b260127 (27 de janeiro de 2026)

🟡 BaseAgent Adicionado suporte para o GitHub Copilot SDK

python-1.0.0b260123 (23 de janeiro de 2026)

🔴 Tipos de conteúdo simplificados para uma única classe com construtores de método de classe

Referência Completa de Migração

Verificação de Tipos

Exemplo básico

🔴 Tipos de anotação simplificados para Annotation e TextSpanRegion TypedDicts

🔴 response_format Erros de validação agora visíveis para os utilizadores

🔴 AG-UI lógica de execução simplificada; Correções para clientes MCP e Anthropic

🟡 O cliente Anthropic agora suporta response_format saídas estruturadas

🟡 Configuração da Azure AI expandida (reasoning, rai_config)

python-1.0.0b260116 (16 de janeiro de 2026)

🔴 create_agent renomeado para as_agent

🔴 WorkflowOutputEvent.source_executor_id renomeado para executor_id

🔴 Estado do fornecedor definido por `source_id`

🔴 Alinhamento da digitação de mensagens de chat/agente (`run` vs `get_response`)

🔴 `FunctionTool[Any]` configuração genérica removida para passagem de esquema

🔴 Configurações Pydantic substituídas por `TypedDict` + `load_settings()`

🟡 Bedrock adicionado a `core[all]` e os padrões de escolha de ferramentas foram corrigidos

🟡 `workflow.as_agent()` Agora define o histórico local quando os fornecedores não estão definidos

🔴 `HostedTool`As classes foram substituídas por métodos cliente `get__tool()`

🔴 Pipeline de fornecedor de sessão e de contexto finalizado (`AgentSession`, `context_providers`)

🟡 `AzureOpenAIResponsesClient` suporta endpoints do projeto Microsoft Foundry

🔴 Middleware `call_next` já não aceita `context`

🔴 Métodos de fábrica de fluxo de trabalho removidos de `WorkflowBuilder`

`WorkflowBuilder` com executores

`WorkflowBuilder` com agentes

🔴 `ChatAgent` renomeado para `Agent`, `ChatMessage` renomeado para `Message`

Substituir `try_parse_value` por `try/except` em `.value`

🔴 Modelo e uso unificados `run`/`get_response` e `ResponseStream`

🔴 Parâmetro de continuação do middleware renomeado para `call_next`

🔴 Nomes TypeVar padronizados (`TName` → `NameT`)

`WorkflowBuilder`

`SequentialBuilder` / `ConcurrentBuilder`

`GroupChatBuilder`

`MagenticBuilder`

`HandoffBuilder`

🔴 Eventos de fluxo de trabalho unificados num único `WorkflowEvent` com `type` discriminador

Streaming com `AgentResponseUpdate`

🔴 `workflow.send_responses*` removido; Utilização `workflow.run(responses=...)`

🔴 `SharedState` renomeadas para `State`; as APIs de estado do fluxo de trabalho são síncronas

🔴 Os construtores de orquestração foram movidos para `agent_framework.orchestrations`

🟡 `@tool` suporta o tratamento explícito de esquemas

🟡 `ChatOptions` e `ChatResponse`/`AgentResponse` agora suportam formatos genéricos de resposta

🟡 `BaseAgent` Suporte adicionado para o Claude Agent SDK

🔴 `AIFunction` renomeado para `FunctionTool` e `@ai_function` renomeado para `@tool`

🔴 `Github` renomeado para `GitHub`

🟡 `BaseAgent` Adicionado suporte para o GitHub Copilot SDK

🔴 Tipos de anotação simplificados para `Annotation` e `TextSpanRegion` TypedDicts

🔴 `response_format` Erros de validação agora visíveis para os utilizadores

🟡 O cliente Anthropic agora suporta `response_format` saídas estruturadas

🟡 Configuração da Azure AI expandida (`reasoning`, `rai_config`)

🔴 `create_agent` renomeado para `as_agent`

🔴 `WorkflowOutputEvent.source_executor_id` renomeado para `executor_id`

🔴 `display_name` removido; `context_provider` ao singular; `middleware` deve ser uma lista

🔴 `AgentRunResponse` renomeado para `AgentResponse`

🟡 A Foundry `A2ATool` agora suporta ligações sem URL de destino