AI Agents | The .NET Blog

Microsoft Agent Framework Part 3: De les Eines als Workflows — Les Peces Encaixen

Emiliano Montesdeoca — Tue, 05 May 2026 00:00:00 +0000

Aquesta publicació ha estat traduïda automàticament. Per a la versió original, fes clic aquí.

Si has seguit la sèrie Building Blocks for AI en .NET, saps que la Part 1 ens va donar IChatClient (la interfície universal de models) i la Part 2 ens va donar Microsoft.Extensions.VectorData (cerca semàntica i RAG). Ambdues són fonamentals i útils per si soles. Però aquí és on tot comença a connectar-se.

La Part 3 tracta del Microsoft Agent Framework — i sincerament, és la peça que estava esperant veure arribar a .NET. La versió 1.0 es va publicar a l’abril. L’API és estable. És hora de construir agents de veritat.

Què és un Agent (vs. un Chatbot)

Abans d’entrar al codi, aclarim aquesta distinció. Un chatbot rep input, crida un model, retorna output. Bucle simple.

Un agent té autonomia. Pot raonar sobre una tasca, decidir quines eines usar, cridar-les, avaluar resultats i decidir què fer a continuació — tot sense que tu escriguis lògica pas a pas per a cada escenari. Li dónes eines i instruccions, i s’encarrega de l’orquestració.

Pensa-hi així: IChatClient és com tenir una conversa. Un agent és com delegar una llista de tasques a algú.

El Teu Primer Agent en 10 Línies

dotnet add package Microsoft.Agents.AI

AIAgent agent = new AzureOpenAIClient(
 new Uri(endpoint),
 new DefaultAzureCredential())
 .GetChatClient(deploymentName)
 .AsAIAgent(
 instructions: "You are good at telling jokes.",
 name: "Joker");

Console.WriteLine(await agent.RunAsync("Tell me a joke about a pirate."));

El mètode d’extensió .AsAIAgent() és el pont. Mateix patró que .AsIChatClient() de MEAI — embolica el SDK del proveïdor en una abstracció estable. Funciona amb Azure OpenAI, OpenAI, GitHub Models, Microsoft Foundry o models locals.

L’streaming també funciona:

await foreach (var update in agent.RunStreamingAsync("Tell me a joke about a pirate."))
{
 Console.Write(update);
}

Donant Eines a l’Agent

Aquí és on els agents deixen de ser chatbots sofisticats. Les eines són funcions que el model pot decidir cridar segons el que l’usuari demani. No necessites lògica d’enrutament — el model ho descobreix sol.

[Description("Get the weather for a given location.")]
static string GetWeather(
 [Description("The location to get the weather for.")] string location)
 => $"The weather in {location} is cloudy with a high of 15°C.";

AIAgent agent = chatClient.AsAIAgent(
 instructions: "You are a helpful assistant",
 tools: [AIFunctionFactory.Create(GetWeather)]);

Dues coses a tenir en compte. Primer, AIFunctionFactory és de MEAI — la mateixa fàbrica d’eines que usaries amb un IChatClient normal. Si ja tens eines definides per a escenaris de xat, funcionen aquí també.

Segon, els atributs Description importen molt. Són com el model entén què fa una eina i quan usar-la. Tracta’ls com a documentació per a la teva IA, no per a humans.

Sessions: Converses amb Memòria Real

AgentSession session = await agent.CreateSessionAsync();

Console.WriteLine(await agent.RunAsync("Tell me a joke about a pirate.", session));

Console.WriteLine(await agent.RunAsync(
 "Now add some emojis and tell it in the voice of a pirate's parrot.",
 session));

Sense sessió, cada crida a RunAsync és sense estat. Amb sessió, l’agent sap a quin acudit et refereixes. AgentSession preserva l’historial de conversa entre torns.

Per a serveis sense estat en producció, les sessions es serialitzen de forma neta:

JsonElement sessionState = await agent.SerializeSessionAsync(session);
// ... guarda-ho en algun lloc ...
var restoredSession = await agent.DeserializeSessionAsync(sessionState);
Console.WriteLine(await agent.RunAsync("What were we just talking about?", restoredSession));

Això és crític si el teu agent s’executa en entorns serverless o amb escalat horitzontal.

AIContextProvider: Memòria Persistent Entre Sessions

Les sessions preserven l’historial dins d’una sessió. Però què passa amb conèixer coses d’un usuari entre sessions? AIContextProvider s’encarrega d’això.

Té dos ganxos:

ProvideAIContextAsync — s’executa abans de cada interacció, injecta context a l’agent
StoreAIContextAsync — s’executa després de cada interacció, permet aprendre i persistir

El patró és elegant: pots apillar múltiples proveïdors — un per a preferències d’usuari, un per a interaccions recents, un que consulta el teu magatzem de VectorData per a documents rellevants. Aquest últim és exactament el patró RAG de la Part 2, ara executant-se automàticament a cada crida de l’agent.

Workflows Multi-Agent

Aquí és on el framework es guanya el seu nom. Inclou un sistema de workflows basat en grafs on els executors (agents, funcions, el que sigui) es connecten mitjançant arestes.

Alguns patrons suportats nativament:

Seqüencial: La sortida de l’Agent A alimenta l’Agent B
Concurrent (fan-out/fan-in): Despacha a múltiples agents en paral·lel, recull resultats
Enrutament condicional: Enruta feina a agents diferents segons la sortida
Bucles escriptor-crític: Un agent escriu, un altre avalua, bucle fins a aprovació
Sub-workflows: Compon workflows jeràrquicament

Un exemple escriptor-crític:

WorkflowBuilder builder = new(writerAgent);
builder
 .AddEdge(writerAgent, criticAgent)
 .AddEdge(criticAgent, writerAgent, condition: result => !result.IsApproved)
 .WithOutputFrom(criticAgent, condition: result => result.IsApproved);
var workflow = builder.Build();

Net, llegible, i l’enrutament basat en condicions significa que no escrius la lògica del bucle tu mateix.

Human-in-the-Loop

No tot hauria d’executar-se de forma completament autònoma. Per a operacions sensibles — escriptures a bases de dades, transaccions financeres, enviament de comunicacions — vols que un humà aprovi abans que l’agent executi.

El framework té suport integrat per a això mitjançant FunctionApprovalRequestContent i FunctionApprovalResponseContent. L’agent proposa la crida a l’eina, el teu codi la presenta a l’usuari, i la resposta determina si l’execució continua.

Aquesta és la forma correcta de pensar en agents en entorns empresarials: no completament autònoms, sinó autonomia amb barreres.

El Quadre Complet

Si fas un pas enrere:

MEAI et dóna una interfície universal per a qualsevol model
VectorData dóna als teus agents accés al coneixement de la teva organització mitjançant cerca semàntica
Agent Framework orquestra tot — usa IChatClient internament, es compon amb proveïdors de context i coordina mitjançant workflows

Cada peça va ser dissenyada per compondre’s amb les altres. Consulta el post original de Jeremy Likness i el repositori de GitHub del Agent Framework per als exemples complets.

Conclusió

El post de la Part 3 del Microsoft Agent Framework tanca el bucle de la sèrie de blocs de construcció. Per als desenvolupadors .NET que volen construir agents AI — no sols chatbots, sinó agents reals que usen eines, recorden coses i coordinen — aquest és el camí.

La versió estable 1.0 significa que pots construir amb això en producció. Si has estat esperant per saltar al desenvolupament d’agents en .NET, el moment és ara.

SQL MCP Server a Azure App Service — Sense Contenidors

Emiliano Montesdeoca — Tue, 05 May 2026 00:00:00 +0000

Aquesta publicació ha estat traduïda automàticament. Per a la versió original, fes clic aquí.

Seré honest amb tu: cada cop que veig “requereix un contenidor” en un tutorial, una petita part de mi sospira. Els contenidors són fantàstics, fins que el teu equip no té una estratègia de contenidors, i de cop allò que semblava simple queda bloquejat per una sobrecàrrega d’orquestació que no havies planificat.

Per això aquest em va cridar l’atenció. El SQL MCP Server ara pot executar-se a Azure App Service — sense Docker, sense Kubernetes, únicament amb la mateixa configuració de Data API Builder (DAB) que exposa la teva base de dades SQL a través de MCP, REST i GraphQL.

Què és el SQL MCP Server?

Context ràpid si encara no el coneixes. El SQL MCP Server se situa entre el teu agent d’IA i la teva base de dades SQL. En lloc de donar a l’agent accés directe a la base de dades (una idea terrible), exposa les teves taules i vistes com una capa d’abstracció — entitats amb permisos definits.

Està construït sobre Data API Builder, la qual cosa significa que un únic fitxer de configuració gestiona MCP i REST i GraphQL simultàniament. El teu agent parla amb l’endpoint MCP. La teva aplicació tradicional parla amb REST o GraphQL. Mateixa config, mateix runtime, superfícies diferents.

Això és genuïnament útil. No estàs mantenint dues capes d’API separades.

El Problema del Contenidor (i la Solució)

El model de desplegament original del SQL MCP Server era amb contenidors. Funciona bé en molts equips, però no en tots. Molts equips .NET estandaritzen en Azure App Service o VMs. Requerir un runtime de contenidor únicament per exposar un endpoint SQL afegeix fricció que ningú va demanar.

El nou tutorial mostra com ometre el contenidor per complet. Tot funciona amb una ordre dab start, allotjat a App Service com un procés web .NET 8 estàndard.

# Instal·lar Data API Builder
dotnet tool install microsoft.dataapibuilder --prerelease -g

# Inicialitzar la configuració
dab init --database-type mssql --host-mode Development --connection-string "@env('SQL_CONNECTION_STRING')"

# Afegir una entitat
dab add products --source dbo.products --permissions "authenticated:*"

# Configurar el proveïdor d'autenticació d'App Service
dab configure --runtime.host.authentication.provider AppService

# Iniciar el servidor
dab start

En aquest punt tens MCP a /mcp, REST i GraphQL des del mateix procés, i res executant-se en un contenidor.

Autenticació Sense Claus d’API Compartides

Aquesta és la part que més aprecio. Quan despliegues a App Service, configures Microsoft Entra ID com a proveïdor d’autenticació. Sense secrets compartits als fitxers de configuració, sense claus d’API que rotar.

La cadena de connexió es manté en una variable d’entorn d’App Service (no a dab-config.json), i l’endpoint MCP està protegit per l’autenticació de la plataforma. Si ja estàs alineat amb Entra ID a les teves càrregues de treball d’Azure, això encaixa de manera natural.

Per al desenvolupament local, canvies al mode Simulator i transport STDIO. Tornes al mode AppService quan despliegues. Net i explícit.

Desplegament a App Service

El desplegament real és feina estàndard amb l’Azure CLI:

az appservice plan create \
 --name <plan-name> \
 --resource-group <resource-group> \
 --sku B1 \
 --is-linux

az webapp create \
 --name <app-name> \
 --resource-group <resource-group> \
 --plan <plan-name> \
 --runtime "DOTNETCORE:8.0"

az webapp config set \
 --name <app-name> \
 --resource-group <resource-group> \
 --startup-file "dab start"

Llavors desplegues el teu projecte DAB usant el mètode de desplegament que el teu equip ja utilitza. El detall clau: és un desplegament de codi, no de contenidor.

Per Què Importa per als Desenvolupadors .NET

Si construeixes agents d’IA en .NET, eventualment el teu agent necessitarà parlar amb una base de dades. El SQL MCP Server t’ofereix una manera estructurada de fer-ho sense exposar cadenes de connexió en brut ni escriure una capa d’API personalitzada.

Consulta el tutorial complet al post original i el repositori de mostra a GitHub.

Conclusió

El SQL MCP Server a App Service és una opció pragmàtica sòlida per a equips .NET que volen donar als seus agents accés estructurat a dades SQL sense una estratègia de contenidors. La combinació del model d’entitats de DAB, l’autenticació integrada d’Entra a App Service i la comanda d’inici dab start resulta en un desplegament senzill d’explicar i fàcil d’operar.

Prova-ho. Els teus agents agrairan la superfície d’API neta.

Actualitzacio d'abril de Visual Studio: integracio de Cloud Agent per a fluxos .NET

Emiliano Montesdeoca — Mon, 04 May 2026 00:00:00 +0000

Aquest article s’ha traduit automaticament. Per a la versio original, fes clic aqui.

Actualitzacio d’abril de Visual Studio: integracio de Cloud Agent per a fluxos .NET es rellevant per a equips que construeixen i operen sistemes .NET en produccio.

Des del meu punt de vista, el mes important no es nomes la novetat, sino com convertir-la rapidament en una practica d’enginyeria repetible.

Per que importa per als equips .NET

Aquest canvi ajuda a equilibrar velocitat d’entrega, consistencia de plataforma i governanca.

Seguents passos practics

Valida la funcionalitat en un pilot .NET petit amb dades realistes.
Defineix observabilitat i un pla de rollback abans d’escalar.
Documenta el patro per reutilitzar-lo en altres equips.

Font

Article original: https://devblogs.microsoft.com/visualstudio/visual-studio-april-update-cloud-agent-integration/

Governar les crides d'eines MCP a .NET amb l'Agent Governance Toolkit