探索人工智能代理框架

人工智能代理框架是一类软件平台，旨在简化AI代理的创建、部署和管理过程。这些框架为开发者提供了预构建的组件、抽象层和工具，帮助他们更高效地开发复杂的AI系统。

通过标准化解决AI代理开发中的常见难题，这些框架使开发者能够专注于应用的独特功能，提升系统的可扩展性、易用性和开发效率。

课程介绍

本课内容包括：

• 什么是人工智能代理框架，它们能帮助开发者实现什么？
• 团队如何利用这些框架快速原型设计、迭代并提升代理能力？
• 微软提供的不同框架和工具（如Azure AI Agent Service和Microsoft Agent Framework）有何区别？
• 是否可以直接整合现有的Azure生态工具，还是需要独立解决方案？
• Azure AI Agent Service是什么，它如何助力开发？

学习目标

本课旨在帮助你理解：

• AI代理框架在人工智能开发中的作用。
• 如何利用AI代理框架构建智能代理。
• AI代理框架支持的关键功能。
• Microsoft Agent Framework与Azure AI Agent Service的区别。

什么是AI代理框架？它们能实现什么？

传统AI框架帮助你将AI集成到应用中，提升应用的以下方面：

• 个性化：分析用户行为和偏好，提供个性化推荐和内容。例如，Netflix利用AI根据观看历史推荐影视作品，提升用户体验。
• 自动化与效率：自动执行重复任务，优化工作流程，提高运营效率。例如，客服应用中的AI聊天机器人处理常见问题，缩短响应时间。
• 增强用户体验：通过语音识别、自然语言处理和预测文本等智能功能改善整体体验。例如，Siri和Google Assistant通过理解语音指令简化用户操作。

那么，为什么还需要AI代理框架？

AI代理框架不仅仅是AI框架，它们支持创建能够与用户、其他代理及环境交互的智能代理。这些代理具备自主行为、决策能力，并能适应环境变化。关键功能包括：

• 代理协作与协调：支持多个代理协同工作、沟通与协调，解决复杂任务。
• 任务自动化与管理：自动化多步骤工作流，支持任务分配和动态管理。
• 上下文理解与适应：具备理解上下文、适应环境变化并基于实时信息做决策的能力。

总结来说，代理框架让自动化更智能，系统更具适应性和学习能力。

如何快速原型设计、迭代和提升代理能力？

AI代理领域发展迅速，但大多数框架都支持以下通用方法，助你快速开发和迭代：

• 使用模块化组件：利用预构建的AI连接器、记忆模块、函数调用接口和提示模板等组件。
• 借助协作工具：设计具备特定角色和任务的代理，测试并优化协作流程。
• 实时学习：实现反馈机制，让代理从交互中学习并动态调整行为。

使用模块化组件

微软Agent Framework提供了如AI连接器、工具定义和代理管理等预构建组件。团队可以快速组合这些组件，避免从零开始，支持快速实验和迭代。

示例代码展示了如何使用Microsoft Agent Framework中的AzureAIProjectAgentProvider，通过工具调用响应用户输入：

import asyncio
from agent_framework.azure import AzureAIProjectAgentProvider
from azure.identity import AzureCliCredential

def book_flight(date: str, location: str) -> str:
    return f"Travel was booked to {location} on {date}"

async def main():
    provider = AzureAIProjectAgentProvider(credential=AzureCliCredential())
    agent = await provider.create_agent(
        name="travel_agent",
        instructions="Help the user book travel. Use the book_flight tool when ready.",
        tools=[book_flight],
    )

    response = await agent.run("I'd like to go to New York on January 1, 2025")
    print(response)

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

该示例展示了如何利用预构建解析器提取用户输入中的关键信息，实现模块化开发。

利用协作工具

微软Agent Framework支持创建多个协同工作的代理。团队可以设计不同职责的代理，测试并优化协作流程，提高系统效率。

示例代码展示了如何创建数据检索和分析代理，并协同完成任务：

import os
from agent_framework.azure import AzureAIProjectAgentProvider
from azure.identity import AzureCliCredential

provider = AzureAIProjectAgentProvider(credential=AzureCliCredential())

agent_retrieve = await provider.create_agent(
    name="dataretrieval",
    instructions="Retrieve relevant data using available tools.",
    tools=[retrieve_tool],
)

agent_analyze = await provider.create_agent(
    name="dataanalysis",
    instructions="Analyze the retrieved data and provide insights.",
    tools=[analyze_tool],
)

retrieval_result = await agent_retrieve.run("Retrieve sales data for Q4")
analysis_result = await agent_analyze.run(f"Analyze this data: {retrieval_result}")
print(analysis_result)

实时学习

高级框架支持实时上下文理解和适应。团队可实现反馈循环，让代理根据交互动态调整行为，持续提升能力。

代理可分析用户反馈、环境数据和任务结果，更新知识库和决策算法，增强系统适应性和效果。

Microsoft Agent Framework与Azure AI Agent Service的区别

两者在设计理念、功能和应用场景上存在差异：

Microsoft Agent Framework (MAF)

提供简洁的SDK，通过AzureAIProjectAgentProvider构建AI代理，支持工具调用、对话管理及企业级安全认证。

• 适用场景：构建具备工具调用、多步骤工作流和企业集成的生产级AI代理。
• 核心概念：代理、工具、Azure身份认证。

示例代码创建一个简单代理：

import os
from agent_framework.azure import AzureAIProjectAgentProvider
from azure.identity import AzureCliCredential

provider = AzureAIProjectAgentProvider(credential=AzureCliCredential())
agent = await provider.create_agent(
    name="my_agent",
    instructions="You are a helpful assistant.",
)

response = await agent.run("Hello, World!")
print(response)

Azure AI Agent Service

微软于2024 Ignite推出的服务，支持调用多种模型（如Llama 3、Mistral、Cohere），提供更强的企业安全和数据存储方案，适合企业级应用。

• 特点：与Microsoft Agent Framework无缝集成，支持Python和C#，方便构建和部署代理。
• 核心概念：代理、线程与消息、模块化、协作、流程编排。

示例代码展示了如何使用Azure AI Agent Service创建带工具的代理：

import asyncio
from azure.identity import DefaultAzureCredential
from azure.ai.projects import AIProjectClient

def get_specials() -> str:
    return "Special Soup: Clam Chowder\nSpecial Salad: Cobb Salad\nSpecial Drink: Chai Tea"

def get_item_price(menu_item: str) -> str:
    return "$9.99"

async def main() -> None:
    credential = DefaultAzureCredential()
    project_client = AIProjectClient.from_connection_string(
        credential=credential,
        conn_str="your-connection-string",
    )

    agent = project_client.agents.create_agent(
        model="gpt-4o-mini",
        name="Host",
        instructions="Answer questions about the menu.",
        tools=[get_specials, get_item_price],
    )

    thread = project_client.agents.create_thread()

    user_inputs = [
        "Hello",
        "What is the special soup?",
        "How much does that cost?",
        "Thank you",
    ]

    for user_input in user_inputs:
        print(f"# User: '{user_input}'")
        message = project_client.agents.create_message(
            thread_id=thread.id,
            role="user",
            content=user_input,
        )
        run = project_client.agents.create_and_process_run(
            thread_id=thread.id, agent_id=agent.id
        )
        messages = project_client.agents.list_messages(thread_id=thread.id)
        print(f"# Agent: {messages.data[0].content[0].text.value}")

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

选择建议

• 如果你想快速构建生产级AI代理，Microsoft Agent Framework是理想选择。
• 需要企业级部署、集成Azure搜索和代码执行等功能时，Azure AI Agent Service更合适。
• 初学者可先用Microsoft Agent Framework开发代理，后续再通过Azure AI Agent Service进行规模化部署。

Azure生态工具整合

你可以直接将现有Azure生态工具与Azure AI Agent Service整合，如Bing、Azure AI搜索和Azure Functions。Microsoft Agent Framework也支持通过AzureAIProjectAgentProvider和Azure身份认证调用Azure服务。