Esta publicação foi traduzida automaticamente. Para a versão original, clique aqui.
Se você tem seguido a série Building Blocks for AI no .NET, sabe que a Parte 1 nos deu IChatClient (a interface universal de modelos) e a Parte 2 nos deu Microsoft.Extensions.VectorData (busca semântica e RAG). Ambos são fundamentais e úteis por si só. Mas é aqui que tudo começa a se conectar.
A Parte 3 é sobre o Microsoft Agent Framework — e honestamente, é a peça que eu estava esperando ver chegar no .NET. A versão 1.0 foi lançada em abril. A API é estável. É hora de construir agentes de verdade.
O que é um Agente (vs. um Chatbot)
Antes de mergulhar no código, vamos esclarecer essa distinção. Um chatbot recebe input, chama um modelo, retorna output. Loop simples.
Um agente tem autonomia. Ele pode raciocinar sobre uma tarefa, decidir quais ferramentas usar, chamá-las, avaliar resultados e decidir o que fazer a seguir — tudo sem que você escreva lógica passo a passo para cada cenário. Você dá a ele ferramentas e instruções, e ele cuida da orquestração.
Pense assim: IChatClient é como ter uma conversa. Um agente é como delegar uma lista de tarefas para alguém.
Seu Primeiro Agente em 10 Linhas
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."));
O método de extensão .AsAIAgent() é a ponte. Mesmo padrão que .AsIChatClient() do MEAI — envolve o SDK do provedor em uma abstração estável. Funciona com Azure OpenAI, OpenAI, GitHub Models, Microsoft Foundry ou modelos locais.
Streaming também funciona:
await foreach (var update in agent.RunStreamingAsync("Tell me a joke about a pirate."))
{
Console.Write(update);
}
Dando Ferramentas ao Agente
É aqui que os agentes param de ser chatbots sofisticados. Ferramentas são funções que o modelo pode decidir chamar com base no que o usuário pede. Sem lógica de roteamento da sua parte — o modelo descobre por si mesmo.
[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)]);
Duas coisas a notar. Primeiro, AIFunctionFactory é do MEAI — a mesma factory de ferramentas que você usaria com um IChatClient normal. Se você já tem ferramentas definidas para cenários de chat, elas funcionam aqui também.
Segundo, os atributos Description importam muito. É como o modelo entende o que uma ferramenta faz e quando usá-la. Trate-os como documentação para sua IA, não para humanos.
Sessões: Conversas com Memória 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));
Sem sessão, cada chamada a RunAsync é stateless. Com sessão, o agente sabe a qual piada você está se referindo. AgentSession preserva o histórico de conversa entre os turnos.
Para serviços sem estado em produção, as sessões serializam de forma limpa:
JsonElement sessionState = await agent.SerializeSessionAsync(session);
// ... armazene em algum lugar ...
var restoredSession = await agent.DeserializeSessionAsync(sessionState);
Console.WriteLine(await agent.RunAsync("What were we just talking about?", restoredSession));
Isso é crítico se seu agente roda em ambiente serverless ou com escalonamento horizontal.
AIContextProvider: Memória Persistente Entre Sessões
Sessões preservam o histórico dentro de uma sessão. Mas e sobre conhecer coisas sobre um usuário entre sessões? AIContextProvider cuida disso.
Tem dois hooks:
ProvideAIContextAsync— executa antes de cada interação, injeta contexto no agenteStoreAIContextAsync— executa depois de cada interação, permite aprender e persistir
O padrão é elegante: você pode empilhar múltiplos providers — um para preferências do usuário, um para interações recentes, um que consulta seu store VectorData para documentos relevantes. Este último é exatamente o padrão RAG da Parte 2, agora executando automaticamente a cada chamada do agente.
Workflows Multiagente
É aqui que o framework merece seu nome. Inclui um sistema de workflows baseado em grafos onde executors (agentes, funções, o que for) se conectam via arestas.
Alguns padrões suportados nativamente:
- Sequencial: A saída do Agente A alimenta o Agente B
- Concorrente (fan-out/fan-in): Despacha para múltiplos agentes em paralelo, coleta resultados
- Roteamento condicional: Roteia trabalho para diferentes agentes com base na saída
- Loops escritor-crítico: Um agente escreve, outro avalia, loop até aprovação
- Sub-workflows: Compõe workflows hierarquicamente
Um exemplo 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();
Limpo, legível, e o roteamento baseado em condições significa que você não escreve a lógica do loop você mesmo.
Human-in-the-Loop
Nem tudo deve rodar de forma completamente autônoma. Para operações sensíveis — escritas em banco de dados, transações financeiras, envio de comunicações — você quer que um humano aprove antes do agente executar.
O framework tem suporte integrado para isso via FunctionApprovalRequestContent e FunctionApprovalResponseContent. O agente propõe a chamada de ferramenta, seu código de aplicação a apresenta ao usuário, e a resposta determina se a execução prossegue.
Essa é a forma correta de pensar em agentes em ambientes corporativos: não completamente autônomos, mas autonomia com guardrails.
O Quadro Completo
Se você der um passo atrás:
- MEAI te dá uma interface universal para qualquer modelo
- VectorData dá aos seus agentes acesso ao conhecimento da sua organização através de busca semântica
- Agent Framework orquestra tudo — usa
IChatClientinternamente, compõe com context providers, e coordena através de workflows
Cada peça foi projetada para se compor com as outras. Confira o post original de Jeremy Likness e o repositório GitHub do Agent Framework para os exemplos completos.
Conclusão
O post Parte 3 do Microsoft Agent Framework fecha o loop da série de building blocks. Para desenvolvedores .NET que querem construir agentes de IA — não apenas chatbots, mas agentes reais que usam ferramentas, lembram coisas e coordenam — este é o caminho.
O lançamento estável 1.0 significa que você pode construir isso em produção. Se você estava esperando para mergulhar no desenvolvimento de agentes em .NET, o momento é agora.
