在大部分情况下，我们会借助LLM的能力来评估Agent的输出，我们将这种评估模式成为**LLM-as-a-Judge**。这是一种利用大型语言模型对生成式AI输出进行自动化评估的范式，其核心思想是让模型承担**裁判**角色，对候选答案进行打分、排序或选择，能够在开放式任务中判断质量、相关性、逻辑性、事实性与有用性等更细腻的属性。由于LLM是一个概率模型，所以评估的结果本质上是一个概率分布，所以代表

AG‑UI是微软在Microsoft Agent Framework (MAF)中定义的标准化前后端通信协议，用来构建Web/移动端的AI Agent UI。它让Agent不再只是后端逻辑，而是能以统一格式与前端实时交互、流式输出、同步状态，并渲染交互式组件。本系列将对协议本身以及背后的执行原理对AG-UI进行系统介绍。

AG‑UI是微软在Microsoft Agent Framework (MAF)中定义的标准化前后端通信协议，用来构建Web/移动端的AI Agent UI。它让Agent不再只是后端逻辑，而是能以统一格式与前端实时交互、流式输出、同步状态，并渲染交互式组件。本系列将对协议本身以及背后的执行原理对AG-UI进行系统介绍。

Loop Engineering是2026年人工智能圈最火爆的核心概念，它指的是设计、运营和持续改进反馈循环（Feedback Loops）的AI工程化实践。NVIDIA 首席执行官黄仁勋将其形容为定义2026下半年AI发展的重大转变为：**现在没人写提示词了，大家都在编写和管理循环（Loops）**。它的核心思想是让你从一个**向AI发送指令的人**，变成一个**设计自动运转系统，让AIAgen

虽然我们在很多情况下都在强调LangChain在设计上要由于MAF，但是不可否认，MAF在一些方法也有其独到之处，其中就包括针对服务端托管并运行工具的支持。也就是说，我们不仅仅可以利用`AIFunctionFactory`创建在Agent端本地执行的`AIFunction`，或者利用`McpClientTool`来远程调用MCP服务提供的工具外，还可以使用一系列预定义在服务端托管并运行工具。

Handoff（交接模式）允许Agent根据上下文或用户请求相互转移控制权。每个Agent都可以将对话“交接”给具有相应专业知识的其他Agent，确保任务的每个环节都由合适的Agent处理。这在客户支持、专家系统或任何需要动态委派任务的场景中尤为有用。

本文介绍了如何利用OpenTelemetryAgent中间件实现LLM（大语言模型）调用的链路跟踪和性能监控。通过搭建本地Jaeger（链路跟踪）、Prometheus（指标收集）和Grafana（数据可视化）的Docker环境，结合OpenTelemetry框架，开发者可以轻松监控Agent调用链和性能指标。文章提供了一个C#示例程序，展示了如何配置TracerProvider（输出到Jaege

在前文中，我们详细介绍了MAF的Workflow框架中的Checkpointing机制，并且通过一个示例程序演示了如何利用Checkpointing来实现Agent的状态持久化和恢复功能。其中提到一个关于FanInEdge的bug，我认为这是一个非常严重的bug，它会导致只要涉及到FanInEdge的Checkpointing功能就无法正常工作。我为此在github上提交了一个Issue,我们现在

`AIFunction`通过绑定一个方法实现了在Agent本地执行工具，当时更多的情况下，我们会利用一个MCP服务来为一个或者多个Agent提供工具。这种情况下，我们就需要利用`McpClientTool`来远程调用MCP服务提供的工具。`McpClientTool`自身是一个`AIFunction`，它通过MCP协议来调用远程的MCP服务提供的工具。在正式介绍`McpClientTool`之前，

Pregel由Node和Channel这两个核心部件组成，Channel不仅维护了整个图的状态，还是驱动Node执行的 “原力” 。