ramework。很多开发者可能会有疑问：为什么微软要推出这么多框架？它们之间有什么区别？本文将通过一个实际的AI美女聊天群组项目，带你深入理解Microsoft Agent Framework，掌握多智能体开发的核心概念。
本文的示例代码已开源：agent-framework-tutorial-code/agent-groupchat
效果截图
视频演示
为什么微软要推出Microsoft Agent Framework？
AutoGen vs Semantic Kernel vs Agent Framework
在讲解新框架之前，我们先理解一下微软AI框架的演进路径：
AutoGen（研究导向）
最早期的多智能体研究框架
侧重学术研究和实验性功能
Python为主，生态相对独立
Semantic Kernel（应用导向）
面向生产环境的AI应用开发框架
强大的插件系统和内存管理
多语言支持（C#、Python、Java）
适合单一智能体应用
Microsoft Agent Framework（企业导向）
专为多智能体协作设计
内置工作流编排能力(Sequential、Concurrent、Handoff、GroupChat)
支持Handoff转移模式和GroupChat管理模式
与Azure AI Foundry深度集成
同时支持.NET和Python
Agent Framework的核心优势
原生多智能体支持：无需手动管理智能体间的通信,框架自动处理消息路由
声明式工作流：通过AgentWorkflowBuilder构建复杂协作场景
内置编排模式：
Handoff模式：智能体通过function calling实现控制权转移
GroupChat模式：通过GroupChatManager选择下一个发言智能体(支持RoundRobin、Prompt-based等策略)
状态管理：支持checkpoint存储,可恢复中断的工作流
大模型基础知识科普
在使用框架之前，我们需要理解大模型的工作原理。很多开发者对大模型有神秘感，其实它本质上就是一个HTTP API调用。
LLM API的本质
让我们用curl演示一个最简单的OpenAI API调用：
curl https://api.openai.com/v1/chat/completions \
-H "Content-Type: application/json" \
-H "Authorization: Bearer YOUR_API_KEY" \
-d '{
"model": "gpt-4o-mini",
"messages": [
{
"role": "user",
"content": "你好，请介绍一下自己"
}
]
}'
响应结果：
{
"id": "chatcmpl-abc123",
"object": "chat.completion",
"created": 1677652288,
"model": "gpt-4o-mini",
"choices": [{
"index": 0,
"message": {
"role": "assistant",
"content": "你好！我是一个AI助手，可以回答问题、提供建议..."
},
"finish_reason": "stop"
}]
}
关键点：
LLM就是一个普通的HTTP接口
输入：对话历史（messages数组）
输出：AI生成的回复（content字段）
所有复杂的Agent功能都是框架基于这个简单API构建的
函数调用（Function Calling）
函数调用是让LLM能够操作外部工具的关键机制。
工作流程：
开发者定义可用的函数（工具）
LLM根据用户意图决定调用哪个函数
框架执行函数并获取结果
将结果返回给LLM继续对话
示例 - 定义天气查询函数：
{
"name": "get_weather",
"description": "查询指定城市的天气信息",
"parameters": {
"type": "object",
"properties": {
"city": {
"type": "string",
"description": "城市名称，例如：北京"
}
},
"required": ["city"]
}
}
LLM的调用响应：
{
"role": "assistant",
"content": null,
"function_call": {
"name": "get_weather",
"arguments": "{\"city\": \"北京\"}"
}
}
重点理解：
LLM不会直接执行函数，只是"建议"调用
框架负责解析并执行函数
执行结果需要再次发送给LLM才能生成最终回复
MCP（Model Context Protocol）
MCP是新兴的标准化协议，用于LLM与外部工具的通信。
MCP的优势：
标准化接口：不同工具遵循统一协议
动态工具发现：运行时加载工具
安全隔离：工具在独立进程运行
在我们的示例项目中，使用MCP集成了阿里云通义万相图片生成能力。
agent-groupchat项目解析
项目架构
项目采用.NET Aspire编排,前后端分离架构:
agent-groupchat/
├── AgentGroupChat.AppHost/ # Aspire编排入口
│ └── Program.cs # 服务编排配置
│
├── AgentGroupChat.AgentHost/ # 后端API服务（.NET 9）
│ ├── Services/
│ │ ├── AgentChatService.cs # 核心聊天服务
│ │ ├── WorkflowManager.cs # 工作流管理
│ │ ├── AgentRepository.cs # 智能体配置管理
│ │ └── AgentGroupRepository.cs # 群组管理
│ ├── Models/
│ │ ├── AgentProfile.cs # 智能体模型
│ │ └── AgentGroup.cs # 群组模型
│ └── Program.cs # API端点
│
├── AgentGroupChat.Web/ # Blazor WebAssembly前端
│ ├── Components/
│ │ ├── Pages/
│ │ │ ├── Home.razor # 聊天主页面
│ │ │ └── Admin.razor # 管理后台
│ │ └── Layout/
│ │ └── MainLayout.razor # 主布局
│ ├── Services/
│ │ └── AgentHostClient.cs # API客户端
│ └── Program.cs # 前端入口
│
└── AgentGroupChat.ServiceDefaults/ # 共享服务配置
└── Extensions.cs # OpenTelemetry/健康检查
Aspire编排说明
什么是.NET Aspire？
.NET Aspire是微软推出的云原生应用编排框架,简化分布式应用的开发和部署：
服务发现：自动解析服务地址,前端无需硬编码API地址
统一启动：一个命令启动所有服务
可观测性：内置OpenTelemetry遥测数据收集
Dashboard：实时查看服务状态、日志、指标
AppHost配置（AgentGroupChat.AppHost/Program.cs）：
var builder = DistributedApplication.CreateBuilder(args);
// 添加后端API服务
var agentHost = builder.AddProject<Projects.AgentGroupChat_AgentHost>("agenthost");
// 添加Blazor前端,引用后端服务
builder.AddProject<Projects.AgentGroupChat_Web>("webfrontend")
.WithExternalHttpEndpoints() // 暴露外部访问端口
.WithReference(agentHost) // 注入agenthost服务发现信息
.WaitFor(agentHost); // 等待后端启动完成
builder.Build().Run();
服务发现原理：
前端通过Aspire自动获取后端地址（Program.cs）：
// Web项目的Program.cs
var agentHostUrl = builder.Configuration["AgentHostUrl"] ?? "https://localhost:7390";
builder.Services.AddScoped(sp => new HttpClient { BaseAddress = new Uri(agentHostUrl) });
Aspire会自动将agenthost服务的实际地址注入到配置中。
智能体定义
项目创建了6个性格各异的AI美女角色，组成"AI世界公馆"：
艾莲 (Elena)
new PersistedAgentProfile
{
Id = "elena",
Name = "艾莲",
Avatar = "🧠",
SystemPrompt = "你是艾莲，一位来自巴黎的人文学者，专注于哲学、艺术和文学研究...",
Description = "巴黎研究员，擅长哲学、艺术与思辨分析",
Personality = "理性、深邃，喜欢引经据典，用哲学视角看世界"
}
莉子 (Rina)
new PersistedAgentProfile
{
Id = "rina",
Name = "莉子",
Avatar = "🎮",
SystemPrompt = "你是莉子，来自东京的元气少女，热爱动漫、游戏和可爱的事物...",
Description = "东京元气少女，热爱动漫、游戏和可爱事物",
Personality = "活泼、热情，说话带感叹号，喜欢用可爱的emoji"
}
其他角色：
克洛伊 (Chloe)：纽约科技极客
安妮 (Annie)：洛杉矶时尚博主
苏菲 (Sophie)：伦敦哲学诗人
智能路由实现
这是项目的核心亮点 - Triage Agent自动将用户消息路由到最合适的AI角色。
Triage Agent配置：
var triageSystemPrompt = @"你是AI世界公馆的智能路由系统。
【核心规则】
1. 永远不要生成文本回复 - 你对用户完全透明
2. 立即调用handoff函数，不需要解释
3. 不要确认、问候或回应 - 只默默路由
【路由策略】
1. **直接提及**：用户用 @ 提到角色名，立即路由到该角色
2. **话题匹配**：
- 哲学/艺术/文学 → 艾莲
- 动漫/游戏/萌文化 → 莉子
- 科技/编程/AI → 克洛伊
- 时尚/美妆/生活 → 安妮
- 诗歌/文学/情感 → 苏菲
3. **语气风格**：活泼→莉子，理性→艾莲，冷静→克洛伊
4. **上下文连贯**：查看对话历史，如果上一条是某专家回复且话题相关，继续路由到该专家
示例：
- ""@莉子 推荐动漫"" → handoff_to_rina
- ""如何学习机器学习？"" → handoff_to_chloe
- ""最新的时尚趋势是什么？"" → handoff_to_annie
";
Handoff实现：
// 创建Handoff工作流
var workflow = _workflowManager.GetOrCreateWorkflow(groupId);
// 运行工作流
await using StreamingRun run = await InProcessExecution.StreamAsync(workflow, messages);
await run.TrySendMessageAsync(new TurnToken(emitEvents: true));
// 监听事件流
await foreach (WorkflowEvent evt in run.WatchStreamAsync())
{
if (evt is AgentRunUpdateEvent agentUpdate)
{
// 检测到specialist agent执行
if (agentUpdate.ExecutorId != "triage")
{
var profile = _agentRepository.Get(agentUpdate.ExecutorId);
// 提取LLM生成的文本
var textContent = agentUpdate.Update.Contents
.OfType<TextContent>()
.FirstOrDefault();
// 构建响应
summaries.Add(new ChatMessageSummary
{
AgentId = agentUpdate.ExecutorId,
AgentName = profile?.Name,
AgentAvatar = profile?.Avatar,
Content = textContent?.Text,
IsUser = false
});
}
}
}
关键技术点
1. 动态智能体加载
智能体配置存储在LiteDB中，支持运行时动态更新：
public class AgentRepository
{
public List<PersistedAgentProfile> GetAllEnabled()
{
return _collection
.Find(a => a.Enabled)
.ToList();
}
public void Upsert(PersistedAgentProfile agent)
{
_collection.Upsert(agent);
}
}
2. 工作流管理
每个智能体组有独立的工作流实例：
public class WorkflowManager
{
private readonly Dictionary<string, Workflow> _workflows = new();
public Workflow GetOrCreateWorkflow(string groupId)
{
if (!_workflows.TryGetValue(groupId, out var workflow))
{
var group = _groupRepository.Get(groupId);
workflow = BuildHandoffWorkflow(group);
_workflows[groupId] = workflow;
}
return workflow;
}
}
3. 消息持久化
使用LiteDB存储会话历史：
public class PersistedSessionService
{
public void AddMessage(string sessionId, ChatMessageSummary message)
{
var doc = new BsonDocument
{
["SessionId"] = sessionId,
["AgentId"] = message.AgentId,
["Content"] = message.Content,
["Timestamp"] = message.Timestamp,
["IsUser"] = message.IsUser
};
_messagesCollection.Insert(doc);
}
}
国内用户运行指南
方式一：使用阿里云百炼平台
img
获取API密钥
访问 阿里云百炼，创建应用并获取API Key。
配置appsettings.json
{
"DefaultModelProvider": "OpenAI",
"OpenAI": {
"BaseUrl": "https://dashscope.aliyuncs.com/compatible-mode/v1",
"ModelName": "qwen-plus",
"ApiKey": "sk-your-api-key"
}
}
配置MCP生图
需要开通MCP生图服务
使用的key也是和百炼的模型key一致
img
{
"McpServers": {
"Servers": [
{
"Id": "dashscope-text-to-image",
"Name": "DashScope Text-to-Image",
"Endpoint": "https://dashscope.aliyuncs.com/api/v1/mcps/TextToImage/sse",
"AuthType": "Bearer",
"BearerToken": "",
"TransportMode": "Sse",
"Enabled": true,
"Description": "阿里云 DashScope 文生图服务，用于生成图像"
}
]
}
}
运行项目
方式A：使用Aspire一键启动（推荐）
cd agent-groupchat
dotnet run --project AgentGroupChat.AppHost
Aspire Dashboard会自动打开（http://localhost:15220），显示：
agenthost：后端API服务
webfrontend：Blazor前端
直接点击webfrontend的URL即可访问应用。
