一、为什么要关注 Microsoft Agent Framework

2026 年 2 月 19 日，微软正式宣布 Microsoft Agent Framework 达到 Release Candidate（RC）状态（据 Microsoft Foundry 官方博客），这是继 Semantic Kernel 和 AutoGen 之后的统一继任框架。GA（正式版）预计在 3 月底发布（据 GitHub Discussion #4262 中维护者回复）。

核心定位

• 统一接口：合并 Semantic Kernel + AutoGen 的能力，提供 .NET 和 Python 双语言一致的编程模型
• 稳定 API：RC 阶段意味着 API 表面已锁定，不会有重大破坏性变更
• 生态整合：原生支持 MCP（Model Context Protocol）、A2A（Agent-to-Agent）、AG-UI 三大协议标准
• 多提供商：支持 Microsoft Foundry、Azure OpenAI、OpenAI、Anthropic Claude、AWS Bedrock、Ollama 等

与 Semantic Kernel / AutoGen 的关系

维度	Semantic Kernel	AutoGen	Agent Framework
状态	已合并，进入维护模式	已合并，仅修复 Bug	活跃开发，即将 GA
Agent 创建	Plugin + Planner	ConversableAgent	统一 BaseAgent API
编排模式	有限	多 Agent 对话	Graph 工作流 + 多种编排模式
协议支持	无	有限	MCP + A2A + AG-UI

据 Microsoft 官方迁移指南（据 learn.microsoft.com），建议所有 Semantic Kernel 和 AutoGen 项目尽早迁移到 Agent Framework。

二、环境搭建

2.1 安装依赖

# 创建虚拟环境
python -m venv agent-fw-env
source agent-fw-env/bin/activate  # Linux/macOS
# agent-fw-env\Scripts\activate  # Windows

# 安装 RC 版本（截至 2026 年 3 月，最新为 rc6）
pip install agent-framework-core==1.0.0rc6
pip install agent-framework-azure-ai==1.0.0rc6

# 如果使用 OpenAI 直连
pip install agent-framework-openai==1.0.0rc6

# 如果需要 MCP 支持
pip install agent-framework-mcp==1.0.0rc6

2.2 配置凭据

import os

# 方式一：Azure OpenAI
os.environ["AZURE_OPENAI_ENDPOINT"] = "https://your-resource.openai.azure.com/"
os.environ["AZURE_OPENAI_API_KEY"] = "your-api-key"
os.environ["AZURE_OPENAI_DEPLOYMENT"] = "gpt-4o"  # 你的部署名称

# 方式二：OpenAI 直连
os.environ["OPENAI_API_KEY"] = "sk-your-key"

三、Step 1：创建第一个 Agent

3.1 最小可用示例

from agent_framework import Agent, AgentOptions
from agent_framework.azure_ai import AzureAIChatClient

# 1. 创建模型客户端
client = AzureAIChatClient(
    endpoint=os.environ["AZURE_OPENAI_ENDPOINT"],
    api_key=os.environ["AZURE_OPENAI_API_KEY"],
    deployment=os.environ["AZURE_OPENAI_DEPLOYMENT"],
)

# 2. 创建 Agent
agent = Agent(
    options=AgentOptions(
        name="CodeReviewer",
        instructions="""你是一个专业的代码审查助手。
        针对用户提交的代码，给出：
        1. 潜在 Bug 和安全风险
        2. 性能优化建议
        3. 代码风格改进建议
        请用中文回复，使用 Markdown 格式。""",
        chat_client=client,
    )
)

# 3. 调用 Agent
async def main():
    response = await agent.invoke(
        "请审查这段代码：\n"
        "def get_user(id):\n"
        "    return db.execute(f'SELECT * FROM users WHERE id={id}')\n"
    )
    print(response.content)

import asyncio
asyncio.run(main())

仅需约 15 行核心代码即可创建一个可用的 Agent，这是 Agent Framework 强调的"简洁优先"设计哲学。

四、Step 2：添加 Function Tool

Agent 的核心能力来自工具调用（Tool Calling）。Agent Framework 提供类型安全的 Tool 定义：

from agent_framework import Agent, AgentOptions, tool
from agent_framework.azure_ai import AzureAIChatClient
import subprocess
import json

# 定义工具函数（使用 @tool 装饰器）
@tool
def run_lint(code: str, language: str = "python") -> str:
    """对代码运行 linter 检查，返回检查结果。
    
    Args:
        code: 待检查的源代码
        language: 编程语言，默认 python
    """
    # 将代码写入临时文件并运行 ruff
    import tempfile
    with tempfile.NamedTemporaryFile(
        mode="w", suffix=".py", delete=False
    ) as f:
        f.write(code)
        f.flush()
        result = subprocess.run(
            ["ruff", "check", f.name, "--output-format=json"],
            capture_output=True, text=True
        )
    try:
        issues = json.loads(result.stdout)
        return json.dumps(issues, indent=2, ensure_ascii=False)
    except json.JSONDecodeError:
        return result.stdout or "检查通过，未发现问题"

@tool
def search_docs(query: str) -> str:
    """搜索 Python 官方文档中的相关内容。
    
    Args:
        query: 搜索关键词
    """
    # 实际项目中对接搜索 API，此处返回示例
    return f"搜索 '{query}' 的结果：建议参考 PEP 8 编码规范..."

# 创建带工具的 Agent
client = AzureAIChatClient(
    endpoint=os.environ["AZURE_OPENAI_ENDPOINT"],
    api_key=os.environ["AZURE_OPENAI_API_KEY"],
    deployment=os.environ["AZURE_OPENAI_DEPLOYMENT"],
)

reviewer = Agent(
    options=AgentOptions(
        name="SmartReviewer",
        instructions="你是一个代码审查助手。在审查前先用 run_lint 工具检查代码质量。",
        chat_client=client,
        tools=[run_lint, search_docs],  # 注册工具
    )
)

Agent 在推理时会根据 instructions 和用户输入自动决定是否调用工具，工具的参数类型由 Python 类型注解自动推断。

五、Step 3：多 Agent 编排（Graph 工作流）

这是 Agent Framework 最强大的特性之一。支持顺序、并发、Handoff、群聊等多种编排模式。

5.1 架构概览

5.2 实现多 Agent 协作

from agent_framework import Agent, AgentOptions
from agent_framework.workflows import (
    GraphWorkflow,
    SequentialWorkflow,
    HandoffWorkflow,
)
from agent_framework.azure_ai import AzureAIChatClient

client = AzureAIChatClient(
    endpoint=os.environ["AZURE_OPENAI_ENDPOINT"],
    api_key=os.environ["AZURE_OPENAI_API_KEY"],
    deployment=os.environ["AZURE_OPENAI_DEPLOYMENT"],
)

# 定义专业 Agent
planner = Agent(
    options=AgentOptions(
        name="Planner",
        instructions="分析用户需求，拆解为具体的编码任务和调研任务。"
                     "输出 JSON 格式的任务列表。",
        chat_client=client,
    )
)

coder = Agent(
    options=AgentOptions(
        name="Coder",
        instructions="根据任务描述编写高质量的 Python 代码。"
                     "包含类型注解、文档字符串和错误处理。",
        chat_client=client,
    )
)

researcher = Agent(
    options=AgentOptions(
        name="Researcher",
        instructions="调研相关的技术方案、最佳实践和潜在风险。"
                     "输出结构化的调研报告。",
        chat_client=client,
    )
)

reviewer = Agent(
    options=AgentOptions(
        name="Reviewer",
        instructions="综合代码实现和调研结果，给出最终的审查意见。"
                     "确保代码质量、安全性和可维护性。",
        chat_client=client,
    )
)

# 构建 Graph 工作流
workflow = GraphWorkflow()

# 添加节点
workflow.add_node("plan", planner)
workflow.add_node("code", coder)
workflow.add_node("research", researcher)
workflow.add_node("review", reviewer)

# 定义边（执行顺序）
workflow.add_edge("plan", "code")       # plan 完成后触发 code
workflow.add_edge("plan", "research")   # plan 完成后并行触发 research
workflow.add_edge("code", "review")     # code 和 research 都完成后触发 review
workflow.add_edge("research", "review")

# 设置入口和出口
workflow.set_entry_point("plan")
workflow.set_finish_point("review")

# 执行工作流
async def run_workflow():
    result = await workflow.invoke(
        "帮我实现一个 FastAPI 中间件，用于限制 API 调用频率，"
        "支持按 IP 和按用户两种维度的限流策略。"
    )
    print(result.content)

import asyncio
asyncio.run(run_workflow())

5.3 Handoff 模式（Agent 间接力）

当需要 Agent 根据对话上下文动态决定下一步由哪个 Agent 处理时，使用 Handoff：

from agent_framework.workflows import HandoffWorkflow

# Handoff 工作流：Agent 可以动态决定将任务交给谁
handoff_workflow = HandoffWorkflow(
    agents=[planner, coder, researcher, reviewer],
    default_agent=planner,  # 默认入口 Agent
    max_turns=10,  # 防止无限循环
)

async def run_handoff():
    result = await handoff_workflow.invoke(
        "请帮我设计并实现一个 Redis 缓存层"
    )
    print(result.content)

六、Step 4：接入 MCP 工具服务

Agent Framework 原生支持 MCP（Model Context Protocol），可以让 Agent 直接调用外部 MCP 服务暴露的工具：

from agent_framework.mcp import McpToolProvider

# 连接到 MCP 服务器（例如本地文件系统 MCP 服务）
mcp_provider = McpToolProvider(
    server_url="http://localhost:3001",
    # 或使用 stdio 模式
    # command=["npx", "-y", "@modelcontextprotocol/server-filesystem", "/tmp"]
)

# 获取 MCP 服务暴露的工具列表
mcp_tools = await mcp_provider.list_tools()

# 创建具备 MCP 工具能力的 Agent
file_agent = Agent(
    options=AgentOptions(
        name="FileAgent",
        instructions="你可以通过 MCP 工具操作文件系统。",
        chat_client=client,
        tools=mcp_tools,  # MCP 工具无缝集成
    )
)

七、从 Semantic Kernel 迁移要点

据微软官方迁移指南（据 learn.microsoft.com），核心变更包括：

1. 凭据处理：从 KernelBuilder 迁移到 ChatClient 模式
2. Plugin → Tool：KernelFunction 替换为 @tool 装饰器
3. Planner → Workflow：从内置 Planner 迁移到显式 Graph/Handoff 工作流
4. 会话管理：新增 Checkpointing 支持，可在工作流中保存和恢复状态

# Semantic Kernel（旧）
kernel = Kernel()
kernel.add_plugin(MyPlugin(), "my_plugin")
result = await kernel.invoke("my_plugin", "my_function", input="...")

# Agent Framework（新）
agent = Agent(
    options=AgentOptions(
        name="MyAgent",
        chat_client=client,
        tools=[my_tool_function],  # 直接注册函数
    )
)
result = await agent.invoke("...")

八、小结与下一步

Microsoft Agent Framework 通过统一 Semantic Kernel 和 AutoGen 的能力，提供了一套从单 Agent 到多 Agent 编排的完整开发栈。对于已有 Semantic Kernel/AutoGen 项目的团队，现在是迁移的最佳窗口期（RC API 已稳定，GA 即将到来）。

下一步学习路径：

1. 官方文档快速上手：https://learn.microsoft.com/en-us/agent-framework/overview/
2. GitHub 仓库关注 GA 发布：https://github.com/microsoft/agent-framework
3. 尝试 Agent Skills 扩展（3 月 18 日发布）：给 Agent 动态加载领域专业知识
4. 探索 A2A 协议实现跨服务 Agent 协作

---

Agent Framework 把构建 AI Agent 的门槛从「框架拼装」降到了「几行代码」，GA 就在眼前，现在上手正是时候。 你的团队目前在用 Semantic Kernel、AutoGen 还是 LangGraph？迁移过程中踩过什么坑？欢迎评论区交流经验！
⭐ 建议收藏本文，GA 发布后对照实操
💬 评论区聊聊你的 Agent 开发技术栈选择
🔔 关注我，后续会更新 Agent Framework GA 正式版实测与迁移踩坑记录！