在[上篇]中，我们刻意漏掉了如下所示的两个部分:一是在`extend`方法中用来包装当前`context`对象的`getTraceable`函数，还有就是`Context`构造函数中将自己包装成代理的`ReflectService.handler`。其实这两者最终的目的只有一个：让绑定到固定`Context`上的同一个服务实例在执行的过程在能过自动跟踪当前提供的`Context`。换句话说，当我们

本文介绍了如何利用AsyncSubAgentMiddleware构建异步Sub-Agent系统。通过将transport_agent和accommodation_agent部署为独立服务，Main-Agent可以异步调用这些Sub-Agent执行机票购买和酒店预订任务，同时保持与用户交互的能力。文章详细展示了Agent服务器的构建过程、配置方法以及Main-Agent如何通过AsyncSubAge

Agent剔除LLM后的部分，就是Harness，即`Agent = Model + Harness`。LangChain平台的所有Harness手段都体现在相应的中间件中，这些中间件利用Deep Agents的`create_deep_agent`函数被整合在一起，所以Deep Agents又被称为LangChain平台的Harness。与之类似，MAF下的Harness通过`HarnessAg

[基于OpenEvals的自动化评估-14:以静态代码分析方式评估Coding Agent生成的代码]着重介绍了基于MyPy和Pyright这两种广受欢迎的基于Python的静态代码分析引擎器来评估Agent生成的代码，其实提取出来的代码还可以直接交给LLM进行评估。相关的评估器可以利用create_code_llm_as_judge这个工厂函数来创建，本篇文章就来介绍如何利用这种方式实施针对代码

单纯从消息交互的角度来看待Agent中的model节点，可以看出它旨在利用`AIMessage`提供两种类型的响应： 在需要调用一个或者多个工具情况下，利用`ToolCall`返回针对工具调用意图的描述；做出最终的答复。我们可以利用一个假的模型组件来验证这一点

在本系列前面的文章中，我介绍如何利用OpenEvals提供的预定义提示词，结合LLM-as-a-Judge评估器进行输出文本质量([上篇]、[下篇])、[安全]以及专门[面向RAG的评估]。这篇和下篇则专门聚焦针对用户和Agent之间对话的评估，具体指标包括Agent的语气、是否记住对话历史的内容，以及通过分析用户的言辞和清晰评估用户是否认为Agent犯了错误、答非所问或走错了方向。

[Agent的评估-05：MEAI用来评估LLM响应质量的9种评估器]介绍了定义在NuGet包`Microsoft.Extensions.AI.Evaluation.Quality`中与质量相关指标（包括完整性、一致性、相关性和等效性等）的各种评估器。除此之外，在NuGet包`Microsoft.Extensions.AI.Evaluation.NLP`还包含两个与自然语言处理（NLP）相关的评估

中文的安全其实对应**Safety**和**Security**两个单词，它们的侧重点和防御的对象截然不同。Safety指的是防止系统出错或失控对人类或环境造成伤害，核心是防范无意的意外、错误或故障。。核心是防范有意的恶意行为。本文将介绍如何利用OpeEvals提供的提示词，结合LLM-as-a-Judge评估器，针对五个安全指标的评估，**分别有害性（Toxicity）**、**公平性（Fair

如果您正在构建Agent，OpenEvals包含用于评估Agent完整执行轨迹的评估器，即Agent在解决任务过程中发出的消息和工具调用序列。由于用户与Agent之间采用基于消息的通信方式，所以Agent的执行轨迹通过返回的消息列表来体现。执行轨迹在OpenEvals中以OpenAI风格的消息列表格式呈现。此外，也支持LangChain的`BaseMessage`对象。在进行两个消息的比较时，只考

MAF（Microsoft Agent Framework）建立在MEAI（`Microsoft.Extensions.AI`）这个AI基础框架之上。MEAI是更加基础和通用的基础框架，以`LLM`/`IChatClient`为核心，MAF建立在MEAI之上，并在此基础上构建Agent。MEAI自身也需要一套评估系统用来评估`LLM`/`IChatClient`的产出。`MeaiEvaluator