Agent Framework | The .NET Blog

CodeAct di Agent Framework: Cara Memotong Latensi Agen Anda Setengahnya

Emiliano Montesdeoca — Sat, 25 Apr 2026 00:00:00 +0000

Posting ini telah diterjemahkan secara otomatis. Untuk versi aslinya, klik di sini.

Ada momen dalam setiap proyek agen di mana Anda melihat trace dan berpikir: “kenapa ini lama sekali?” Model tidak masalah. Alat-alat bekerja. Tapi ada tujuh round trip untuk mendapatkan hasil yang bisa dihitung dalam satu langkah.

Itulah persis masalah yang dipecahkan CodeAct — dan tim Agent Framework baru saja merilis dukungan alpha melalui paket baru agent-framework-hyperlight.

Apa itu CodeAct?

Pola CodeAct secara elegan sederhana: alih-alih memberi model daftar alat untuk dipanggil satu per satu, Anda memberinya satu alat execute_code dan membiarkannya mengekspresikan seluruh rencana sebagai program Python singkat.

Pendekatan	Waktu	Token
Tradisional	27,81d	6.890
CodeAct	13,23d	2.489
Peningkatan	52,4%	63,9%

Keamanan: Micro-VM Hyperlight

Paket agent-framework-hyperlight menggunakan micro-VM Hyperlight. Setiap pemanggilan execute_code mendapat micro-VM baru yang baru dibuat. Startup diukur dalam milidetik. Isolasi hampir gratis.

Alat Anda tetap berjalan di host. Kode lem yang dihasilkan model berjalan di sandbox. Itulah pembagian yang benar.

Pengaturan Minimal

from agent_framework import Agent, tool
from agent_framework_hyperlight import HyperlightCodeActProvider

codeact = HyperlightCodeActProvider(
 tools=[get_weather],
 approval_mode="never_require",
)

agent = Agent(
 client=client,
 name="CodeActAgent",
 instructions="You are a helpful assistant.",
 context_providers=[codeact],
)

Kapan Menggunakan CodeAct (dan Kapan Tidak)

Gunakan CodeAct ketika:

Tugas merantai banyak pemanggilan alat kecil (pencarian, penggabungan, perhitungan)
Latensi dan biaya token penting
Anda ingin isolasi kuat per pemanggilan untuk kode yang dihasilkan model

Tetap gunakan tool-calling tradisional ketika:

Agen hanya melakukan satu atau dua pemanggilan alat per giliran
Setiap pemanggilan memiliki efek samping yang perlu disetujui secara individual

Coba Sekarang

pip install agent-framework-hyperlight --pre

Baca posting lengkap di blog Agent Framework.

Di Mana Agen Anda Mengingat Hal-hal? Panduan Praktis Penyimpanan Riwayat Obrolan

Emiliano Montesdeoca — Sat, 25 Apr 2026 00:00:00 +0000

Posting ini diterjemahkan secara otomatis. Untuk versi aslinya, klik di sini.

Saat membangun agen AI, Anda menghabiskan sebagian besar energi pada model, alat, dan prompt. Pertanyaan di mana riwayat percakapan disimpan tampak seperti detail implementasi — tetapi itu adalah salah satu keputusan arsitektur terpenting yang akan Anda buat.

Hal ini menentukan apakah pengguna dapat memisahkan percakapan, membatalkan jawaban, melanjutkan sesi setelah restart, dan apakah data Anda pernah meninggalkan infrastruktur Anda. Tim Agent Framework menerbitkan analisis mendalam.

Dua pola mendasar

Dikelola layanan: Layanan AI menyimpan status percakapan. Aplikasi Anda menyimpan referensi dan layanan secara otomatis menyertakan riwayat yang relevan dalam setiap permintaan.

Dikelola klien: Aplikasi Anda mempertahankan riwayat lengkap dan mengirim pesan yang relevan dengan setiap permintaan. Layanan tidak memiliki status. Anda mengontrol segalanya.

Cara Agent Framework mengabstraksi ini

AgentSession session = await agent.CreateSessionAsync();
var first = await agent.RunAsync("Nama saya Alice.", session);
var second = await agent.RunAsync("Siapa nama saya?", session);

session = agent.create_session()
first = await agent.run("Nama saya Alice.", session=session)
second = await agent.run("Siapa nama saya?", session=session)

Referensi cepat penyedia

Penyedia	Penyimpanan	Model	Kompaksi
OpenAI/Azure Chat Completions	Klien	N/A	Anda
Foundry Agent Service	Layanan	Linear	Layanan
Responses API (default)	Layanan	Percabangan	Layanan
Anthropic Claude, Ollama	Klien	N/A	Anda

Cara memilih

Butuh percabangan atau “batalkan”? → Responses API dikelola layanan
Butuh kedaulatan data? → Dikelola klien dengan backend database
Chatbot sederhana? → Linear dikelola layanan sudah cukup

Baca posting lengkap untuk pohon keputusan lengkap.

GPT-5.5 Hadir di Azure Foundry — Yang Perlu Diketahui Developer .NET

Emiliano Montesdeoca — Sat, 25 Apr 2026 00:00:00 +0000

Posting ini diterjemahkan secara otomatis. Untuk versi aslinya, klik di sini.

Microsoft baru saja mengumumkan bahwa GPT-5.5 tersedia umum di Microsoft Foundry. Jika Anda membangun agent di Azure, inilah pembaruan yang Anda tunggu.

Evolusi GPT-5

GPT-5: menyatukan penalaran dan kecepatan dalam satu sistem
GPT-5.4: penalaran multi-langkah yang lebih kuat, kemampuan agentik awal untuk enterprise
GPT-5.5: penalaran konteks panjang yang lebih dalam, eksekusi agentik yang lebih andal, efisiensi token yang lebih baik

Yang Benar-benar Berubah

Pengkodean agentik yang ditingkatkan: GPT-5.5 mempertahankan konteks di seluruh basis kode besar, mendiagnosis kegagalan tingkat arsitektur, dan mengantisipasi persyaratan pengujian. Model bernalar tentang apa lagi yang dipengaruhi perbaikan sebelum bertindak.

Efisiensi token: Output berkualitas lebih tinggi dengan lebih sedikit token dan lebih sedikit percobaan ulang. Biaya dan latensi langsung lebih rendah untuk deployment produksi.

Harga

Model	Input ($/M token)	Input Cache	Output ($/M token)
GPT-5.5	$5,00	$0,50	$30,00
GPT-5.5 Pro	$30,00	$3,00	$180,00

Mengapa Foundry Penting

Foundry Agent Service memungkinkan Anda mendefinisikan agent dalam YAML atau menghubungkannya dengan Microsoft Agent Framework, GitHub Copilot SDK, LangGraph, atau OpenAI Agents SDK — dan menjalankannya sebagai agent yang di-host secara terisolasi dengan sistem file persisten, identitas Microsoft Entra tersendiri, dan harga scale-to-zero.

AIAgent agent = aiProjectClient
 .AsAIAgent("gpt-5.5", instructions: "Anda adalah asisten yang membantu.", name: "AgentSaya");

Lihat pengumuman lengkap untuk semua detail.

Agent Skills di .NET Kini Benar-Benar Fleksibel

Emiliano Montesdeoca — Tue, 14 Apr 2026 00:00:00 +0000

Postingan ini diterjemahkan secara otomatis. Untuk versi aslinya, klik di sini.

Jika Anda membangun agen dengan Microsoft Agent Framework, Anda sudah tahu caranya: Anda mendefinisikan skill, menghubungkannya ke provider, dan membiarkan agen menentukan mana yang harus dipanggil. Yang baru adalah bagaimana Anda menulis skill tersebut — dan lompatan fleksibilitasnya signifikan.

Pembaruan terbaru memperkenalkan tiga pola authoring berbeda untuk agent skill: berbasis file, berbasis kelas, dan didefinisikan kode inline. Ketiganya terhubung ke satu AgentSkillsProviderBuilder, artinya Anda bisa mix and match tanpa logika routing.

Skill berbasis file: titik awal

Skill berbasis file persis seperti namanya — direktori di disk dengan file SKILL.md, skrip opsional, dan dokumen referensi:

skills/
└── onboarding-guide/
├── SKILL.md
├── scripts/
│ └── check-provisioning.py
└── references/
└── onboarding-checklist.md

Frontmatter SKILL.md mendeklarasikan nama dan deskripsi skill, dan bagian instruksi memberi tahu agen cara menggunakan skrip dan referensi.

Kemudian Anda menghubungkannya dengan SubprocessScriptRunner.RunAsync:

var skillsProvider = new AgentSkillsProvider(
 Path.Combine(AppContext.BaseDirectory, "skills"),
 SubprocessScriptRunner.RunAsync);

Skill berbasis kelas: kirim via NuGet

Di sinilah yang menarik bagi tim. Skill berbasis kelas mewarisi dari AgentClassSkill<T> dan menggunakan atribut seperti [AgentSkillResource] dan [AgentSkillScript]:

public sealed class BenefitsEnrollmentSkill : AgentClassSkill<BenefitsEnrollmentSkill>
{
 public override AgentSkillFrontmatter Frontmatter { get; } = new(
 "benefits-enrollment",
 "Enroll an employee in health, dental, or vision plans.");

 [AgentSkillScript("enroll")]
 private static string Enroll(string employeeId, string planCode)
 {
 bool success = HrClient.EnrollInPlan(employeeId, planCode);
 return JsonSerializer.Serialize(new { success, employeeId, planCode });
 }
}

Sebuah tim bisa mengemas ini sebagai paket NuGet. Tambahkan ke proyek, masukkan ke builder, dan bekerja bersama skill berbasis file Anda.

Skill inline: jembatan cepat

Saat tim lain membangun skill yang persis Anda butuhkan tapi tidak akan siap dalam satu sprint? AgentInlineSkill adalah jembatan Anda:

var timeOffSkill = new AgentInlineSkill(
 name: "time-off-balance",
 description: "Calculate remaining vacation and sick days.",
 instructions: "1. Minta ID karyawan. 2. Gunakan calculate-balance. 3. Sajikan hasilnya.")
 .AddScript("calculate-balance", (string employeeId, string leaveType) =>
 {
 int remaining = HrDatabase.GetAnnualAllowance(employeeId, leaveType)
 - HrDatabase.GetDaysUsed(employeeId, leaveType);
 return JsonSerializer.Serialize(new { employeeId, leaveType, remaining });
 });

Ketika paket NuGet akhirnya dikirim, Anda mengganti skill inline dengan yang berbasis kelas. Agen tidak tahu perbedaannya.

Persetujuan skrip: human-in-the-loop

Bagi developer .NET yang membangun agen produksi, inilah bagian yang benar-benar membuka percakapan deployment. Aktifkan UseScriptApproval dan agen berhenti sebelum menjalankan skrip apapun:

var skillsProvider = new AgentSkillsProviderBuilder()
 .UseFileSkill(Path.Combine(AppContext.BaseDirectory, "skills"))
 .UseSkill(new BenefitsEnrollmentSkill())
 .UseSkill(timeOffSkill)
 .UseFileScriptRunner(SubprocessScriptRunner.RunAsync)
 .UseScriptApproval(true)
 .Build();

Kesimpulan

Agent skills di .NET kini memiliki model authoring yang benar-benar fleksibel. Baik Anda membuat prototip dengan skill berbasis file atau mengirim kemampuan yang dikemas via NuGet, semua pola disusun melalui AgentSkillsProviderBuilder.

Lihat pengumuman asli dan contoh GitHub.

Membangun UI Multi-Agen Real-Time yang Tidak Terasa Seperti Kotak Hitam

Emiliano Montesdeoca — Fri, 10 Apr 2026 00:00:00 +0000

Postingan ini diterjemahkan secara otomatis. Untuk versi aslinya, klik di sini.

Begini kenyataan tentang sistem multi-agen: tampilannya luar biasa dalam demo. Tiga agen saling mengoper pekerjaan, memecahkan masalah, mengambil keputusan. Lalu Anda mencoba menampilkannya kepada pengguna nyata dan… sunyi. Indikator yang berputar. Tidak ada yang tahu agen mana yang melakukan apa atau mengapa sistem berhenti. Ini bukan produk — ini masalah kepercayaan.

Tim Microsoft Agent Framework baru saja menerbitkan panduan yang luar biasa tentang cara memadukan alur kerja MAF dengan AG-UI, protokol terbuka untuk mengalirkan peristiwa eksekusi agen ke frontend melalui Server-Sent Events. Dan jujur saja? Inilah jembatan yang selama ini kita butuhkan.

Mengapa ini penting bagi developer .NET

Jika Anda membangun aplikasi bertenaga AI, Anda mungkin sudah pernah menabrak dinding ini. Orkestrasi backend Anda bekerja dengan baik — agen saling meneruskan pekerjaan, alat berjalan, keputusan dibuat. Tapi frontend tidak tahu apa yang terjadi di balik layar. AG-UI mengatasi ini dengan mendefinisikan protokol standar untuk mengalirkan peristiwa agen (RUN_STARTED, STEP_STARTED, TOOL_CALL_*, TEXT_MESSAGE_*) langsung ke lapisan UI Anda melalui SSE.

Demo yang mereka bangun adalah alur kerja dukungan pelanggan dengan tiga agen: agen triase yang merutekan permintaan, agen pengembalian dana yang menangani urusan keuangan, dan agen pesanan yang mengelola penggantian. Setiap agen memiliki alat-alatnya sendiri, dan topologi handoff didefinisikan secara eksplisit — tidak ada nuansa “cari tahu dari prompt”.

Topologi handoff adalah bintang sesungguhnya

Yang menarik perhatian saya adalah bagaimana HandoffBuilder memungkinkan Anda mendeklarasikan graf perutean berarah antar agen:

builder = HandoffBuilder(
 name="ag_ui_handoff_workflow_demo",
 participants=[triage, refund, order],
 termination_condition=termination_condition,
)

(
 builder
 .add_handoff(triage, [refund], description="Refunds, damaged-item claims...")
 .add_handoff(triage, [order], description="Replacement, exchange...")
 .add_handoff(refund, [order], description="Replacement logistics needed after refund.")
 .add_handoff(order, [triage], description="After replacement/shipping tasks complete.")
)

Setiap add_handoff membuat sisi berarah dengan deskripsi bahasa alami. Framework menghasilkan alat handoff untuk setiap agen berdasarkan topologi ini. Jadi keputusan perutean didasarkan pada struktur orkestrasi Anda, bukan pada apa yang ingin dilakukan LLM. Ini sangat penting untuk keandalan produksi.

Human-in-the-loop yang benar-benar bekerja

Demo ini memperlihatkan dua pola interupsi yang dibutuhkan oleh aplikasi agen mana pun di dunia nyata:

Interupsi persetujuan alat — ketika agen memanggil alat yang ditandai dengan approval_mode="always_require", alur kerja dijeda dan mengeluarkan peristiwa. Frontend merender modal persetujuan dengan nama alat dan argumennya. Tidak ada loop percobaan ulang yang membakar token — hanya alur jeda-setujui-lanjutkan yang bersih.

Interupsi permintaan informasi — ketika agen membutuhkan lebih banyak konteks dari pengguna (seperti ID pesanan), agen berhenti dan bertanya. Frontend menampilkan pertanyaan, pengguna merespons, dan eksekusi dilanjutkan dari tepat di mana ia berhenti.

Kedua pola dialirkan sebagai peristiwa AG-UI standar, sehingga frontend Anda tidak memerlukan logika khusus per agen — cukup merender peristiwa apa pun yang masuk melalui koneksi SSE.

Menghubungkannya sangat sederhana

Integrasi antara MAF dan AG-UI adalah satu panggilan fungsi:

from agent_framework.ag_ui import (
 AgentFrameworkWorkflow,
 add_agent_framework_fastapi_endpoint,
)

app = FastAPI()

demo_workflow = AgentFrameworkWorkflow(
 workflow_factory=lambda _thread_id: create_handoff_workflow(),
 name="ag_ui_handoff_workflow_demo",
)

add_agent_framework_fastapi_endpoint(
 app=app, agent=demo_workflow, path="/handoff_demo",
)

workflow_factory membuat alur kerja baru per thread, sehingga setiap percakapan mendapat status yang terisolasi. Endpoint menangani semua plumbing SSE secara otomatis. Jika Anda sudah menggunakan FastAPI (atau bisa menambahkannya sebagai lapisan ringan), ini hampir tanpa gesekan.

Pandangan saya

Bagi developer .NET, pertanyaan langsung adalah: “Bisakah saya melakukan ini di C#?” Agent Framework tersedia untuk .NET dan Python, dan protokol AG-UI bersifat language-agnostic (ini hanyalah SSE). Jadi meskipun demo ini menggunakan Python dan FastAPI, polanya langsung dapat diterapkan. Anda bisa menghubungkan ASP.NET Core minimal API dengan endpoint SSE mengikuti skema peristiwa AG-UI yang sama.

Kesimpulan yang lebih besar adalah bahwa UI multi-agen menjadi perhatian kelas satu, bukan renungan. Jika Anda membangun apa pun di mana agen berinteraksi dengan manusia — dukungan pelanggan, alur kerja persetujuan, pemrosesan dokumen — kombinasi orkestrasi MAF dan transparansi AG-UI adalah pola yang harus diikuti.

Kesimpulan

AG-UI + Microsoft Agent Framework memberi Anda yang terbaik dari kedua dunia: orkestrasi multi-agen yang kuat di backend dan visibilitas real-time di frontend. Tidak ada lagi interaksi agen sebagai kotak hitam.

Lihat panduan lengkap dan repositori protokol AG-UI untuk mendalami lebih jauh.

Microsoft Agent Framework Mencapai Versi 1.0 — Inilah yang Benar-Benar Penting bagi Developer .NET

Emiliano Montesdeoca — Fri, 03 Apr 2026 00:00:00 +0000

Postingan ini diterjemahkan secara otomatis. Untuk versi aslinya, klik di sini.

Jika Anda telah mengikuti perjalanan Agent Framework dari hari-hari awal Semantic Kernel dan AutoGen, ini adalah momen yang berarti. Microsoft Agent Framework baru saja mencapai versi 1.0 — siap produksi, API stabil, komitmen dukungan jangka panjang. Tersedia untuk .NET dan Python, dan benar-benar siap untuk beban kerja nyata.

Mari kita potong kebisingan pengumuman dan fokus pada apa yang penting jika Anda membangun aplikasi bertenaga AI dengan .NET.

Versi singkat

Agent Framework 1.0 menyatukan apa yang dulu Semantic Kernel dan AutoGen menjadi satu SDK open-source. Satu abstraksi agen. Satu mesin orkestrasi. Beberapa penyedia AI. Jika Anda bolak-balik antara Semantic Kernel untuk pola enterprise dan AutoGen untuk alur kerja multi-agen tingkat penelitian, Anda bisa berhenti. Inilah satu SDK-nya sekarang.

Memulai hampir terlalu mudah

Berikut agen yang berfungsi di .NET:

// dotnet add package Microsoft.Agents.AI.OpenAI --prerelease
using Microsoft.Agents.AI;
using Microsoft.Agents.AI.Foundry;
using Azure.Identity;

var agent = new AIProjectClient(endpoint: "https://your-project.services.ai.azure.com")
 .GetResponsesClient("gpt-5.3")
 .AsAIAgent(
 name: "HaikuBot",
 instructions: "You are an upbeat assistant that writes beautifully."
 );

Console.WriteLine(await agent.RunAsync("Write a haiku about shipping 1.0."));

Hanya itu. Beberapa baris dan Anda memiliki agen AI yang berjalan di Azure Foundry. Padanannya dalam Python sama singkatnya. Tambahkan function tools, percakapan multi-turn, dan streaming seiring kemajuan Anda — permukaan API berkembang tanpa menjadi aneh.

Orkestrasi multi-agen — inilah yang nyata

Agen tunggal cocok untuk demo, tapi skenario produksi biasanya membutuhkan koordinasi. Agent Framework 1.0 hadir dengan pola orkestrasi yang telah teruji langsung dari Microsoft Research dan AutoGen:

Sequential — agen memproses secara berurutan (penulis → reviewer → editor)
Concurrent — fan out ke beberapa agen secara paralel, konvergensi hasil
Handoff — satu agen mendelegasikan ke agen lain berdasarkan intent
Group chat — beberapa agen berdiskusi dan berkonvergensi pada solusi
Magentic-One — pola multi-agen tingkat penelitian dari MSR

Semuanya mendukung streaming, checkpointing, persetujuan human-in-the-loop, dan pause/resume. Bagian checkpointing sangat penting — alur kerja yang berjalan lama bertahan dari restart proses.

Fitur yang paling penting

Hook Middleware. Tahu pipeline middleware di ASP.NET Core? Konsep yang sama, tapi untuk eksekusi agen. Cegat setiap tahap — tambahkan keamanan konten, logging, kebijakan kepatuhan — tanpa menyentuh prompt agen.

Memori yang dapat dicolokkan. Riwayat percakapan, status key-value persisten, pengambilan berbasis vektor. Pilih backend Anda: Foundry Agent Service, Mem0, Redis, Neo4j, atau buat sendiri.

Agen YAML deklaratif. Definisikan instruksi, alat, memori, dan topologi orkestrasi agen Anda dalam file YAML yang dikontrol versi. Muat dan jalankan dengan satu panggilan API.

Dukungan A2A dan MCP. MCP (Model Context Protocol) memungkinkan agen menemukan dan memanggil alat eksternal secara dinamis. A2A (Agent-to-Agent protocol) memungkinkan kolaborasi lintas runtime.

Fitur preview yang layak ditonton

DevUI — debugger lokal berbasis browser untuk memvisualisasikan eksekusi agen, aliran pesan, dan panggilan alat secara real-time.
GitHub Copilot SDK dan Claude Code SDK — gunakan Copilot atau Claude sebagai harness agen langsung dari kode orkestrasi Anda.
Agent Harness — runtime lokal yang dapat dikustomisasi yang memberi agen akses ke shell, sistem file, dan loop pesan.
Skills — paket kemampuan domain yang dapat digunakan kembali.

Migrasi dari Semantic Kernel atau AutoGen

Jika Anda memiliki kode Semantic Kernel atau AutoGen yang ada, tersedia asisten migrasi khusus yang menganalisis kode Anda dan menghasilkan rencana migrasi langkah demi langkah.

Kesimpulan

Agent Framework 1.0 adalah tonggak produksi yang telah ditunggu oleh tim enterprise. API stabil, dukungan multi-penyedia, dan pola orkestrasi yang benar-benar bekerja pada skala besar.

Framework ini sepenuhnya open source di GitHub. Jika Anda menunggu sinyal “aman digunakan di produksi” — inilah saatnya.

Respons Latar Belakang di Microsoft Agent Framework: Tidak Ada Lagi Kecemasan Timeout

Emiliano Montesdeoca — Thu, 26 Mar 2026 00:00:00 +0000

Postingan ini diterjemahkan secara otomatis. Untuk versi aslinya, klik di sini.

Jika Anda pernah membangun sesuatu dengan model penalaran seperti o3 atau GPT-5.2, Anda tahu rasa sakitnya. Agen Anda mulai memproses tugas yang kompleks, klien menunggu, dan di suatu titik koneksi habis waktu.

Microsoft Agent Framework baru saja merilis respons latar belakang — dan sejujurnya, ini adalah salah satu fitur yang seharusnya ada sejak hari pertama.

Cara token kelanjutan bekerja

Alih-alih memblokir, Anda memulai tugas agen dan mendapatkan kembali token kelanjutan. Anggap seperti klaim tiket di bengkel reparasi:

Kirim permintaan Anda dengan AllowBackgroundResponses = true
Jika agen mendukung pemrosesan latar belakang, Anda mendapat token kelanjutan
Poll sesuai jadwal Anda hingga token kembali null

AgentRunOptions options = new()
{
 AllowBackgroundResponses = true
};

AgentSession session = await agent.CreateSessionAsync();
AgentResponse response = await agent.RunAsync(
 "Write a detailed market analysis for the Q4 product launch.", session, options);

while (response.ContinuationToken is not null)
{
 await Task.Delay(TimeSpan.FromSeconds(2));
 options.ContinuationToken = response.ContinuationToken;
 response = await agent.RunAsync(session, options);
}

Console.WriteLine(response.Text);

Kapan sebenarnya menggunakan ini

Tugas penalaran kompleks — analisis multi-langkah, penelitian mendalam
Pembuatan konten panjang — laporan terperinci, dokumen multi-bagian
Jaringan tidak dapat diandalkan — klien mobile, deployment edge
Pola UX asinkron — kirim tugas, lakukan hal lain, kembali untuk hasil

Lihat dokumentasi lengkap.