Microsoft Agent Framework Часть 3: От инструментов к воркфлоу — строительные блоки встают на место

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

Этот пост переведён автоматически. Чтобы прочитать оригинал, нажмите здесь.

Если вы следили за серией Building Blocks for AI в .NET, вы знаете: Часть 1 дала нам IChatClient (универсальный интерфейс модели), а Часть 2 — Microsoft.Extensions.VectorData (семантический поиск и RAG). Оба — фундаментальные, оба полезны сами по себе. Но здесь всё начинает соединяться.

Часть 3 — о Microsoft Agent Framework. Честно говоря, это именно тот кусочек, которого я ждал в .NET. Версия 1.0 вышла в апреле. API стабильный. Пора строить настоящих агентов.

Что такое агент (vs. чат-бот)

Прежде чем нырять в код, разберёмся с этим различием. Чат-бот получает ввод, вызывает модель, возвращает вывод. Простой цикл.

Агент имеет автономию. Он может рассуждать о задаче, решать, какие инструменты использовать, вызывать их, оценивать результаты и решать, что делать дальше — всё это без написания явной пошаговой логики для каждого сценария. Вы даёте ему инструменты и инструкции, а он сам занимается оркестрацией.

Думайте об этом так: IChatClient — как вести разговор. Агент — как поручить кому-то список задач.

Первый агент в 10 строках

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."));

Метод расширения .AsAIAgent() — это мост. Тот же паттерн, что и .AsIChatClient() из MEAI — оборачивает SDK провайдера в стабильную абстракцию. Работает с Azure OpenAI, OpenAI, GitHub Models, Microsoft Foundry или локальными моделями.

Стриминг тоже работает:

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

Даём агенту инструменты

Здесь агенты перестают быть продвинутыми чат-ботами. Инструменты — это функции, которые модель может решить вызвать в зависимости от запроса пользователя. Логика маршрутизации не нужна — модель разберётся сама.

[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)]);

Два момента. Первый: AIFunctionFactory из MEAI — та же фабрика инструментов, что используется с обычным IChatClient. Если вы уже определили инструменты для сценариев чата, здесь они тоже работают.

Второй: атрибуты Description имеют большое значение. Именно через них модель понимает, что делает инструмент и когда его применять. Относитесь к ним как к документации для ИИ, а не для людей.

Сессии: разговоры с настоящей памятью

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));

Без сессии каждый вызов RunAsync — безсостоянческий. С сессией агент знает, о каком анекдоте вы говорите. AgentSession сохраняет историю разговора между ходами.

Для stateless-сервисов в продакшне сессии сериализуются чисто:

JsonElement sessionState = await agent.SerializeSessionAsync(session);
// ... сохраните куда-нибудь ...
var restoredSession = await agent.DeserializeSessionAsync(sessionState);
Console.WriteLine(await agent.RunAsync("What were we just talking about?", restoredSession));

Это критично, если ваш агент работает в serverless или горизонтально масштабируемой среде.

AIContextProvider: постоянная память между сессиями

Сессии сохраняют историю разговора внутри сессии. Но что насчёт знания о пользователе между сессиями? Этим занимается AIContextProvider.

У него два хука:

ProvideAIContextAsync — выполняется перед каждым взаимодействием, внедряет контекст в агента
StoreAIContextAsync — выполняется после каждого взаимодействия, позволяет учиться и сохранять

Паттерн элегантный: можно складывать несколько провайдеров — один для предпочтений пользователя, один для недавних взаимодействий, один который запрашивает VectorData-хранилище на предмет релевантных документов. Последний — это именно RAG-паттерн из Части 2, теперь автоматически выполняющийся при каждом вызове агента.

Мультиагентные воркфлоу

Здесь фреймворк оправдывает своё название. Он включает графовую систему воркфлоу, где исполнители (агенты, функции, что угодно) соединяются рёбрами.

Некоторые поддерживаемые паттерны:

Последовательный: вывод Агента A поступает в Агент B
Параллельный (fan-out/fan-in): диспетчеризация нескольким агентам параллельно, сбор результатов
Условная маршрутизация: направление работы разным агентам в зависимости от вывода
Циклы писатель-критик: один агент пишет, другой оценивает, цикл до одобрения
Подворкфлоу: иерархическая композиция воркфлоу

Пример писатель-критик:

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();

Чисто, читаемо, и маршрутизация на основе условий означает, что логику цикла писать самому не нужно.

Human-in-the-Loop

Не всё должно выполняться полностью автономно. Для чувствительных операций — записи в БД, финансовых транзакций, отправки сообщений — нужно человеческое одобрение перед выполнением агентом.

Фреймворк имеет встроенную поддержку через FunctionApprovalRequestContent и FunctionApprovalResponseContent. Агент предлагает вызов инструмента, ваш код приложения показывает его пользователю, и ответ определяет, будет ли выполнение продолжено.

Это правильный способ думать об агентах в корпоративной среде: не полная автономия, а автономия с ограничителями.

Общая картина

Если сделать шаг назад:

MEAI даёт универсальный интерфейс к любой модели
VectorData открывает агентам доступ к знаниям организации через семантический поиск
Agent Framework оркестрирует всё — использует IChatClient под капотом, компонуется с провайдерами контекста, координирует через воркфлоу

Каждая часть разработана для компоновки с другими. Смотрите оригинальный пост Джереми Ликнесса и GitHub-репозиторий Agent Framework для полных примеров.

Итог

Пост Часть 3 Microsoft Agent Framework закрывает цикл серии строительных блоков. Для .NET-разработчиков, которые хотят строить агентов ИИ — не просто чат-ботов, а настоящих агентов, использующих инструменты, помнящих и координирующих — это ваш путь вперёд.

Стабильный релиз 1.0 означает, что это можно использовать в продакшне. Если вы ждали момента, чтобы войти в разработку агентов в .NET, этот момент — сейчас.

Microsoft Agent Framework | The .NET Blog