本文介绍了两种动态配置ChatOptions的方法：1)通过ConfigureOptionsChatClient中间件动态切换AI模型，示例展示了交替使用gpt-5.2-chat和DeepSeek-V4-Pro模型生成幽默回复；2)通过AIContextProviderChatClient中间件结合CompactionProvider实现对话历史摘要功能，利用SummarizationCompac

LoggingChatClient是一个用于记录LLM调用的中间件，继承自DelegatingChatClient。它会在调用前后输出日志，记录输入输出内容、时间戳等信息，支持通过日志级别控制输出详细程度。演示代码展示了如何将其与OpenAIClient集成，在Debug级别记录调用状态，在Trace级别还会输出完整的请求响应内容，便于调试和监控Agent行为。

本文介绍了基于DelegatingAIAgent的中间件管道架构，通过装饰器模式实现对AIAgent调用的功能扩展。核心内容包括： DelegatingAIAgent作为抽象基类，通过嵌套代理模式构建中间件管道，每个中间件只需重写需要增强的方法，其余调用自动转发给内部代理。 系统提供了完整的中间件构建体系，包括AIAgentBuilder类支持链式注册中间件，最终构建出完整的代理管道。 预定义了多

本文对比了LangChain和MAF框架中Agent管道的设计差异。LangChain通过create_agent函数构建基于状态图的Agent，核心是包含模型节点和工具节点的双节点结构，通过动态条件边实现ReAct循环。中间件机制允许扩展状态字段、添加节点、包装模型/工具调用等功能，增强了管道的灵活性。相比之下，MAF的Agent管道设计更侧重于消息交换模式，而非简单的请求-响应模式。两种框架都

基于角色的消息机制是Chat Agent的核心技术，通过System、User、Assistant和Tool四种角色实现结构化对话。System设定AI人格与行为准则，User提供任务请求，Assistant维护对话历史，Tool处理外部工具交互。LangChain设计了BaseMessage基类和四种预设消息类型（SystemMessage、HumanMessage、AIMessage、Tool

本文介绍了ChatClientAgent的构建过程，它整合了IChatClient管道、ChatHistoryProvider和AIContextProvider三大核心组件。通过两种构造函数方式，开发者可以灵活配置Agent属性，包括名称、描述、指令和工具集等。重点解析了ChatClientAgentOptions的配置选项及其构建规则，包括默认使用InMemoryChatHistoryProv

ChatClientAgent通过封装IChatClient实现与LLM的交互，其核心在于灵活定制输入消息和配置选项的机制。该机制主要由ChatHistoryProvider和AIContextProvider两个组件实现，前者管理基于Session的对话历史，后者作为中间件在调用前后执行定制逻辑。ChatHistoryProvider通过InvokingAsync和InvokedAsync方法分

本文介绍了IChatClient接口作为Agent与LLM交互的连接器，类比数据库中的IDbConnection。文章详细解析了IChatClient的两个核心方法：阻塞式调用的GetResponseAsync和流式调用的GetStreamingResponseAsync，以及用于配置对话选项的ChatOptions类。ChatOptions标准化了各大模型供应商的常用参数，包括对话ID、温度值、

本文介绍了IChatClient接口作为Agent与LLM交互的连接器，类比数据库中的IDbConnection。文章详细解析了IChatClient的两个核心方法：阻塞式调用的GetResponseAsync和流式调用的GetStreamingResponseAsync，以及用于配置对话选项的ChatOptions类。ChatOptions标准化了各大模型供应商的常用参数，包括对话ID、温度值、

MAF框架采用多态设计哲学，通过继承AIAgent基类创建不同类型的Agent，其中核心的ChatClientAgent采用管道式设计构建与LLM的消息交换通道。框架定义了关键基础类型：AgentRunContext承载运行时上下文，AgentRunOptions控制运行行为（如支持流式恢复的ContinuationToken和结构化输出的ResponseFormat），AgentSession管