Esta publicación fue traducida automáticamente. Para la versión original, haz clic aquí.
Si has seguido la serie Building Blocks for AI en .NET, sabes que la Parte 1 nos dio IChatClient (la interfaz universal de modelos) y la Parte 2 nos dio Microsoft.Extensions.VectorData (búsqueda semántica y RAG). Ambas son fundamentales y útiles por sí solas. Pero aquí es donde todo empieza a conectarse.
La Parte 3 trata del Microsoft Agent Framework — y sinceramente, es la pieza que estaba esperando ver en .NET. La versión 1.0 se publicó en abril. La API es estable. Es hora de construir agentes de verdad.
Qué es un Agente (vs. un Chatbot)
Antes de entrar en el código, dejemos esto claro. Un chatbot recibe input, llama a un modelo, devuelve output. Bucle simple.
Un agente tiene autonomía. Puede razonar sobre una tarea, decidir qué herramientas usar, llamarlas, evaluar resultados y decidir qué hacer a continuación — todo sin que tú escribas lógica paso a paso para cada escenario. Le das herramientas e instrucciones, y él se encarga de la orquestación.
Piénsalo así: IChatClient es como tener una conversación. Un agente es como delegarle una lista de tareas a alguien.
Tu Primer Agente en 10 Líneas
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 método de extensión .AsAIAgent() es el puente. Mismo patrón que .AsIChatClient() de MEAI — envuelve el SDK del proveedor en una abstracción estable. Funciona con Azure OpenAI, OpenAI, GitHub Models, Microsoft Foundry o modelos locales.
El streaming también funciona:
await foreach (var update in agent.RunStreamingAsync("Tell me a joke about a pirate."))
{
Console.Write(update);
}
Dando Herramientas al Agente
Aquí es donde los agentes dejan de ser chatbots sofisticados. Las herramientas son funciones que el modelo puede decidir llamar según lo que el usuario pida. No necesitas lógica de enrutamiento — el modelo lo descifra solo.
[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)]);
Dos cosas a notar. Primero, AIFunctionFactory es de MEAI — la misma fábrica de herramientas que usarías con un IChatClient normal. Si ya tienes herramientas definidas para escenarios de chat, funcionan aquí también.
Segundo, los atributos Description importan mucho. Son cómo el modelo entiende qué hace una herramienta y cuándo usarla. Trátalos como documentación para tu IA, no para humanos.
Sesiones: Conversaciones con Memoria 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));
Sin sesión, cada llamada a RunAsync es sin estado. Con sesión, el agente sabe a qué chiste te refieres. AgentSession preserva el historial de conversación entre turnos.
Para servicios sin estado en producción, las sesiones se serializan de forma limpia:
JsonElement sessionState = await agent.SerializeSessionAsync(session);
// ... guárdalo en algún lugar ...
var restoredSession = await agent.DeserializeSessionAsync(sessionState);
Console.WriteLine(await agent.RunAsync("What were we just talking about?", restoredSession));
Esto es crítico si tu agente se ejecuta en entornos serverless o con escalado horizontal.
AIContextProvider: Memoria Persistente Entre Sesiones
Las sesiones preservan el historial dentro de una sesión. Pero ¿qué hay de conocer cosas sobre un usuario entre sesiones? AIContextProvider maneja eso.
Tiene dos ganchos:
ProvideAIContextAsync— se ejecuta antes de cada interacción, inyecta contexto en el agenteStoreAIContextAsync— se ejecuta después de cada interacción, permite aprender y persistir
El patrón es elegante: puedes apilar múltiples proveedores — uno para preferencias del usuario, uno para interacciones recientes, uno que consulta tu almacén de VectorData para documentos relevantes. Ese último es exactamente el patrón RAG de la Parte 2, ahora ejecutándose automáticamente en cada llamada al agente.
Workflows Multiagente
Aquí es donde el framework se gana su nombre. Incluye un sistema de workflows basado en grafos donde los ejecutores (agentes, funciones, lo que sea) se conectan mediante aristas.
Algunos patrones soportados nativamente:
- Secuencial: La salida del Agente A alimenta al Agente B
- Concurrente (fan-out/fan-in): Despacha a múltiples agentes en paralelo, recoge resultados
- Enrutamiento condicional: Enruta trabajo a diferentes agentes según el output
- Bucles escritor-crítico: Un agente escribe, otro evalúa, bucle hasta aprobación
- Sub-workflows: Compone workflows jerárquicamente
Un ejemplo de escritor-crítico:
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();
Limpio, legible, y el enrutamiento basado en condiciones significa que no escribes la lógica del bucle tú mismo.
Human-in-the-Loop
No todo debería ejecutarse de forma completamente autónoma. Para operaciones sensibles — escrituras en bases de datos, transacciones financieras, envío de comunicaciones — quieres que un humano apruebe antes de que el agente ejecute.
El framework tiene soporte integrado para esto mediante FunctionApprovalRequestContent y FunctionApprovalResponseContent. El agente propone la llamada a la herramienta, tu código la presenta al usuario, y la respuesta determina si la ejecución procede.
Esta es la forma correcta de pensar en agentes en entornos empresariales: no completamente autónomos, sino autonomía con barandillas.
El Cuadro Completo
Si das un paso atrás:
- MEAI te da una interfaz universal para cualquier modelo
- VectorData da a tus agentes acceso al conocimiento de tu organización mediante búsqueda semántica
- Agent Framework orquesta todo — usa
IChatClientinternamente, se compone con proveedores de contexto y coordina mediante workflows
Cada pieza fue diseñada para componerse con las otras. Consulta el post original de Jeremy Likness y el repositorio de GitHub del Agent Framework para los ejemplos completos.
Conclusión
El post de la Parte 3 del Microsoft Agent Framework cierra el bucle de la serie de bloques de construcción. Para los desarrolladores .NET que quieren construir agentes AI — no solo chatbots, sino agentes reales que usan herramientas, recuerdan cosas y coordinan — este es el camino.
La versión estable 1.0 significa que puedes construir con esto en producción. Si has estado esperando para saltar al desarrollo de agentes en .NET, el momento es ahora.
