我要投稿

微软：探索AI Agent框架

发布日期：2025-03-02 22:16:31 浏览次数： 1758 作者：PaperIdea

AI Agent框架是为简化AI Agent的创建、部署和管理而设计的软件平台。这些框架为开发人员提供了预构建的组件、抽象和工具，以简化复杂AI系统的开发。

这些框架通过为常见的AI Agent开发挑战提供标准化的方法，帮助开发人员专注于其应用程序的独特方面。它们增强了构建AI系统的可扩展性、可访问性和效率。

涵盖以下内容：

AI Agent框架是什么，它们使开发人员能够做什么？
团队如何使用这些框架快速原型设计、迭代并提升Agent的能力？
Microsoft AutoGen、Semantic Kernel和Azure AI Agent框架和工具之间的区别是什么？

AI Agent框架是什么，能够做什么？

传统的AI框架可以帮助将AI集成到应用程序中，并通过以下方式提升这些应用程序的性能：

个性化：AI可以分析用户行为和偏好，提供个性化的推荐、内容和体验。
示例：像Netflix这样的流媒体服务使用AI根据观看历史推荐电影和节目，提升用户参与度和满意度。
自动化和效率：AI可以自动化重复性任务，简化工作流程，提高运营效率。
示例：客户服务应用程序使用AI驱动的聊天机器人处理常见问题，减少响应时间，并释放人工代理处理更复杂的问题。
增强用户体验：AI可以通过提供语音识别、自然语言处理和预测性文本等智能功能来改善整体用户体验。
示例：像Siri和Google Assistant这样的虚拟助手使用AI理解并响应语音指令，让用户更轻松地与设备交互。

为什么需要AI Agent框架呢？

AI Agent框架不仅仅是AI框架。它们旨在实现能够与用户、其他Agent和环境交互以实现特定目标的智能Agent。这些Agent可以表现出自主行为，做出决策，并适应变化的条件。让我们来看看AI Agent框架所支持的一些关键能力：

Agent协作与协调：支持创建多个能够协同工作、通信和协调以解决复杂任务的AI Agent。
任务自动化与管理：提供机制以自动化多步骤工作流程、任务委派以及Agent之间的动态任务管理。
上下文理解与适应：为Agent配备理解上下文、适应变化环境并基于实时信息做出决策的能力。

总之，Agent使能够做更多事情，将自动化提升到更高层次，创建能够适应并从环境中学习的更智能系统。

如何快速原型设计、迭代并提升Agent的能力？

这是一个快速发展的领域，但大多数AI Agent框架有一些共同点，可以帮助快速原型设计和迭代，即模块化组件、协作工具和实时学习。让我们深入探讨这些内容：

使用模块化组件：AI框架提供了预构建的组件，例如提示、解析器和内存管理。
利用协作工具：设计具有特定角色和任务的Agent，使它们能够测试和优化协作工作流程。
实时学习：实现反馈循环，Agent可以从交互中学习并动态调整其行为。

使用模块化组件

像LangChain和Microsoft Semantic Kernel这样的框架提供了预构建的组件，例如提示、解析器和内存管理。

团队如何使用这些组件：团队可以快速组装这些组件，无需从头开始，从而实现快速实验和迭代。

实际操作方式：可以使用预构建的解析器从用户输入中提取信息，使用内存模块存储和检索数据，以及使用提示生成器与用户交互，而无需从头构建这些组件。

示例代码。让我们看看如何使用预构建的解析器从用户输入中提取信息：

// Semantic Kernel example
ChatHistory chatHistory = [];chatHistory.AddUserMessage("I'd like to go To New York");
// Define a plugin that contains the function to book travelpublic class BookTravelPlugin(    IPizzaService pizzaService,    IUserContext userContext,    IPaymentService paymentService){
    [KernelFunction("book_flight")]    [Description("Book travel given location and date")]    public async Task<Booking> BookFlight(        DateTime date,        string location,    )    {        // book travel given date,location    }}
IKernelBuilder kernelBuilder = new KernelBuilder();kernelBuilder..AddAzureOpenAIChatCompletion(    deploymentName: "NAME_OF_YOUR_DEPLOYMENT",    apiKey: "YOUR_API_KEY",    endpoint: "YOUR_AZURE_ENDPOINT");kernelBuilder.Plugins.AddFromType<BookTravelPlugin>("BookTravel");Kernel kernel = kernelBuilder.Build();
/*Behind the scenes, it recognizes the tool to call, what arguments it already has (location) and what it needs (date){
"tool_calls": [    {        "id": "call_abc123",        "type": "function",        "function": {            "name": "BookTravelPlugin-book_flight",            "arguments": "{\n\"location\": \"New York\",\n\"date\": \"\"\n}"        }    }]*/
ChatResponse response = await chatCompletion.GetChatMessageContentAsync(    chatHistory,    executionSettings: openAIPromptExecutionSettings,    kernel: kernel)

Console.WriteLine(response);chatHistory.AddAssistantMessage(response);
// AI Response: "Before I can book your flight, I need to know your departure date. When are you planning to travel?"// That is, in the previous code it figures out the tool to call, what arguments it already has (location) and what it needs (date) from the user input, at this point it ends up asking the user for the missing information

从这个示例中，可以看到如何利用预构建的解析器从用户输入中提取关键信息，例如航班预订请求的出发地、目的地和日期。这种模块化方法使能够专注于高层次的逻辑。

利用协作工具

像CrewAI和Microsoft AutoGen这样的框架促进了多个Agent的创建，这些Agent可以协同工作。

团队如何使用这些工具：团队可以设计具有特定角色和任务的Agent，使它们能够测试和优化协作工作流程，从而提升整体系统效率。

实际操作方式：可以创建一个Agent团队，每个Agent都有专门的功能，例如数据检索、分析或决策。这些Agent可以通信和共享信息以实现共同目标，例如回答用户查询或完成任务。

示例代码（AutoGen）：

# creating agents, then create a round robin schedule where they can work together, in this case in order
# Data Retrieval Agent# Data Analysis Agent# Decision Making Agent
agent_retrieve = AssistantAgent(    name="dataretrieval",    model_client=model_client,    tools=[retrieve_tool],    system_message="Use tools to solve tasks.")
agent_analyze = AssistantAgent(    name="dataanalysis",    model_client=model_client,    tools=[analyze_tool],    system_message="Use tools to solve tasks.")
# conversation ends when user says "APPROVE"termination = TextMentionTermination("APPROVE")
user_proxy = UserProxyAgent("user_proxy", input_func=input)
team = RoundRobinGroupChat([agent_retrieve, agent_analyze, user_proxy], termination_condition=termination)
stream = team.run_stream(task="Analyze data", max_turns=10)# Use asyncio.run(...) when running in a script.await Console(stream)

在之前的代码中，可以看到如何创建一个涉及多个Agent协同工作的任务，以分析数据。每个Agent执行特定功能，通过协调Agent来实现期望的结果。通过创建具有专门角色的专用Agent，可以提升任务的效率和性能。

实时学习

先进的框架提供了实时上下文理解和适应的能力。

团队如何使用这些能力：团队可以实现反馈循环，Agent可以从交互中学习并动态调整其行为，从而实现能力的持续改进和优化。

实际操作方式：Agent可以分析用户反馈、环境数据和任务结果，更新其知识库，调整决策算法，并随着时间的推移提升性能。这种迭代学习过程使Agent能够适应变化的条件和用户偏好，提升整体系统的有效性。

AutoGen、Semantic Kernel与Azure AI Agent Service区别

这些框架听起来确实有很多重叠之处，但在设计、功能和目标用例方面存在一些关键差异：

AutoGen：专注于事件驱动的分布式Agent应用，支持多个LLM（大语言模型）和SLM（小语言模型）、工具以及先进的多Agent设计模式。
Semantic Kernel：专注于通过捕捉更深层的语义含义来理解和生成类似人类的文本内容。它旨在基于项目目标自动化复杂的工作流程并启动任务。
Azure AI Agent Service：提供更灵活的模型，例如直接调用像Llama 3、Mistral和Cohere这样的开源LLM。它提供了更强的企业级安全机制和数据存储方法，适合企业级应用。

仍然不确定该选择哪一个？

使用场景

让我们通过一些常见使用场景来帮助您做出选择：

问题：我的团队正在从事一个涉及代码生成和数据分析任务自动化的项目。我们应该选择哪个框架？
回答：AutoGen是这个场景的不错选择，因为它专注于事件驱动的分布式Agent应用，并支持先进的多Agent设计模式。
问题：为什么AutoGen比Semantic Kernel和Azure AI Agent服务更适合这个用例？
回答：AutoGen专门针对事件驱动的分布式Agent应用设计，非常适合自动化代码生成和数据分析任务。它提供了必要的工具和功能，能够高效地构建复杂的多Agent系统。
问题：听起来Azure AI Agent服务在这里也能用，它也有代码生成的工具，对吧？
回答：是的，Azure AI Agent服务也支持代码生成和数据分析任务，但它可能更适合需要安全、可扩展且灵活的AI Agent部署的企业级应用。AutoGen更专注于事件驱动的分布式Agent应用和先进的多Agent设计模式。
问题：所以你是说，如果我想走企业级路线，就应该选择Azure AI Agent服务？
回答：是的，Azure AI Agent服务专为企业级应用设计，适合需要安全、可扩展且灵活的AI Agent部署。它提供了更强的企业级安全机制和数据存储方法，适合企业级用例。

让我们用表格总结一下这些框架的关键差异：

框架	重点	核心概念	使用场景
AutoGen	事件驱动的分布式Agent应用	Agent、角色、功能、数据	代码生成、数据分析任务
Semantic Kernel	理解和生成类似人类的文本内容	Agent、模块化组件、协作	自然语言理解、内容生成
Azure AI Agent服务	灵活的模型、企业级安全、代码生成、工具调用	模块化、协作、流程编排	安全、可扩展且灵活的AI Agent部署

这些框架的理想使用场景是什么？

AutoGen：事件驱动的分布式Agent应用、先进的多Agent设计模式。适合自动化代码生成和数据分析任务。
Semantic Kernel：理解和生成类似人类的文本内容、自动化复杂工作流程、基于项目目标启动任务。适合自然语言理解和内容生成。
Azure AI Agent服务：灵活的模型、企业级安全机制、数据存储方法。适合企业级应用中安全、可扩展且灵活的AI Agent部署。

https://github.com/microsoft/ai-agents-for-beginners/tree/main

53AI，企业落地大模型首选服务商

产品：场景落地咨询+大模型应用平台+行业解决方案

承诺：免费场景POC验证，效果验证后签署服务协议。零风险落地应用大模型，已交付160+中大型企业