Microsoft Agent Framework 实战示例
用 Python 和 .NET 学习构建、编排与调试 Microsoft Agent Framework 智能体。
- Star 数
- ★ 390
- 最近更新
- 5 个月前
- License
- MIT
- 主语言
- Jupyter Notebook
- FA 评分
- 50/100 · 缺口较多
30 秒速览
- 运行形态
- 可在哪里用
- 兼容但需适配
- 费用
- 软件免费，模型调用费用自付
- 上手难度
- 中 · 需要几步配置
- 开始前需要
- 典型场景
- 一名 Python 开发者想从零实现旅行规划智能体，并希望先运行 GitHub Models 示例来理解基本流程。
- 不适合
- 需要开箱即用、可直接部署的成品智能体的团队
- 不愿配置多个云服务、密钥与 CLI 认证的初学者
这个 Agent 能做什么，适合哪些场景？
这是一个围绕 Microsoft Agent Framework 的教学与示例仓库，而不是可直接部署的单一智能体产品。它按从入门到高级的路径组织内容，覆盖基础概念、旅行规划智能体、工具、RAG、提供程序、工作流、评估与追踪，以及案例。示例同时提供 Python 与 .NET 实现，部分内容使用 Azure OpenAI、GitHub Models、Microsoft Foundry 或 Foundry Local。输出形态主要是教程、Notebook、.NET 代码样例和 DevUI 示例，读者需要在本地配置运行时、凭据和所选服务后自行运行。适合希望评估或学习 Microsoft Agent Framework 集成方式的开发者；若需要开箱即用的生产级智能体，还需自行选择示例、补齐部署与应用逻辑。
仓库通过章节化 README、Python Notebook 和 .NET 代码样例，演示创建旅行规划智能体、连接不同模型提供程序、加入 Vision、Code Interpreter、Bing Grounding、File Search 和自定义工具。RAG 相关示例以 File Search 构建知识增强流程；05.Providers 包含使用 Microsoft Learn 的 MCP 示例；07.Workflow 展示 Basic Workflow、Sequential、Concurrent 和 Conditional 工作流。08.EvaluationAndTracing 提供 GitHub Models Workflow DevUI，以及单智能体和多智能体的 Microsoft Foundry、GitHub Models、Foundry Local DevUI 示例。使用者先安装依赖、在根目录创建 .env 并填入端点、模型部署名和令牌，再进入所选代码样例或 Notebook 执行相应教程。
- 一名 Python 开发者想从零实现旅行规划智能体，并希望先运行 GitHub Models 示例来理解基本流程。
- 一名 .NET 开发者需要比较 Azure OpenAI、GitHub Models、Microsoft Foundry 和 Foundry Local 的示例配置方式。
- 正在构建知识问答功能的团队想参考 File Search RAG 样例，将文件搜索接入智能体流程。
- 需要把多个智能体按顺序、并发或条件分支编排的工程师，可参考 07.Workflow 的对应示例。
- 需要调试或观察智能体工作流的开发者，可试用 08.EvaluationAndTracing 中的 DevUI 样例。
如何安装或部署这个 Agent？
运行环境要求为 Python 3.10+ 或 .NET 9.0+。可安装发布版本：Python 使用 pip install agent-framework --pre；.NET 在项目中使用 dotnet add package Microsoft.Agents.AI。如需从源码获取最新功能，Python 使用 pip install -r ./Installation/requirement.txt -U；.NET 使用 git clone https://github.com/microsoft/agent-framework.git，进入 agent-framework/dotnet 后运行 dotnet build agent-framework-dotnet.slnx。
如何使用这个 Agent？
在仓库根目录创建 .env，按所选示例填写凭据与配置：GitHub Models 使用 GITHUB_TOKEN、GITHUB_ENDPOINT、GITHUB_MODEL_ID；Azure OpenAI 使用 AZURE_OPENAI_ENDPOINT、AZURE_OPENAI_CHAT_DEPLOYMENT_NAME；Microsoft Foundry 使用 AZURE_AI_PROJECT_ENDPOINT、AZURE_AI_MODEL_DEPLOYMENT_NAME。按需要设置 FOUNDRYLOCAL_ENDPOINT、FOUNDRYLOCAL_MODEL_DEPLOYMENT_NAME、BING_CONNECTION_ID、BING_CONNECTION_NAME 和 OTEL_EXPORTER_OTLP_ENDPOINT。随后选择 README 表中链接的 Python Notebook 或 .NET 代码样例运行；仓库未提供统一的顶层启动命令或单一部署命令。
这个 Agent 有哪些优点和局限？
- 同时提供 Python 和 .NET 样例，便于跨技术栈学习相同主题。
- 覆盖从基础智能体到 RAG、MCP、多智能体工作流和评估追踪的一条明确学习路径。
- 为 Azure OpenAI、GitHub Models、Microsoft Foundry 和 Foundry Local 提供了具体示例入口。
- 工作流示例明确包含基础、顺序、并发和条件编排模式，并配有 DevUI 方向的调试示例。
- 仓库是教程和样例集合，不是一个可直接部署、统一配置的单一智能体应用。
- 许多示例依赖外部服务、端点、模型部署和认证，包括 Azure OpenAI、Microsoft Foundry、GitHub Models、Azure CLI 和 Azure Developer CLI。
- README 未提供统一的顶层运行命令，也未说明每个样例的完整部署流程。
- 部分能力与提供程序绑定，例如 Bing Grounding、Microsoft Foundry Agent Service 和 Foundry Local，迁移时可能需要调整配置或实现。
这个 Agent 与同类方案有什么区别？
仓库展示 Azure OpenAI、GitHub Models、Microsoft Foundry 与 Foundry Local 的不同示例路径；它没有给出这些提供程序之间的性能、价格或功能对比结论。
与相关度最高的同类 agent 并排比较关键指标。
| Agent | 源码审查 | 形态 / 费用 | Star | 最近更新 | 主语言 | 完整支持的平台 |
|---|---|---|---|---|---|---|
| Microsoft Agent Framework 实战示例 当前 | 50 · 缺口较多 | 代码库 / SDK免费 + 模型费 | ★ 390 | 5 个月前 | Jupyter Notebook | — |
| PraisonAI | 42 · 缺口较多 | 代码库 / SDK免费 + 模型费 | ★ 9.3k | 今天 | Python | Codex · Claude Code · OpenAI API · Claude API |
| Agent Craft 智能体教程 | 49 · 缺口较多 | 命令行工具免费 + 模型费 | ★ 535 | 10 天前 | Python | OpenAI API |
| BeeAI Framework | 51 · 缺口较多 | 代码库 / SDK免费 + 模型费 | ★ 3.5k | 3 天前 | Python | — |
FollowAgents 如何评估这个 Agent？
查看各维度的扣分理由
证据显示：仓库由微软官方组织发布，MIT许可证，SECURITY.md提供安全报告渠道，README明确要求用户提供API密钥等敏感信息，但未提供权限最小化、用户确认、数据流透明、敏感数据处理、依赖安全、外部影响、回滚等机制。扣分原因：这些安全机制在静态审查中未体现，且示例代码可能直接使用用户提供的密钥，存在权限过度风险。
证据显示：README结构清晰，教程分级，代码示例与说明一致，依赖项（Python 3.10+、.NET 9.0+）明确列出，但未提供失败处理或错误消息的详细说明。扣分原因：失败消息仅提及检查README和开issue，缺乏具体错误处理指导。
证据显示：面向初学者到高级开发者，覆盖多种场景（旅行规划、RAG、多智能体等），提供Python和.NET示例，支持多种提供商（Azure OpenAI、GitHub Models、Foundry），环境要求明确。扣分原因：触发精度（如何时使用哪个示例）未明确，能力边界（如各示例的限制）未详细说明。
证据显示：README提供详细目录结构、安装说明、环境变量配置、快速开始、教程进度、贡献指南、许可证，信息架构清晰。扣分原因：已知限制未明确列出，版本变更日志缺失，维护责任仅通过贡献指南暗示。
证据显示：示例代码可直接运行，输出为可用的智能体应用，提供了多种实用场景，边际价值高（节省开发时间），成本效益合理（免费开源，但需云服务费用）。扣分原因：输出可用性未经过实际运行验证，成本效益未量化。
证据显示：README中的声明（如功能、支持提供商）与代码示例一致，但未提供外部验证或测试结果，事实与推断未明确区分。扣分原因：跨来源佐证不足，未提供测试报告或独立验证。
- 源码中未见：最小权限约束只授予完成任务所需的权限：用专用账号或只读令牌，并限定可访问的目录和仓库。
- 源码中未见：执行前用户确认开启或自行加上执行前确认；先在沙箱或测试环境跑通，确认行为后再接入真实数据。
- 源码中未见：数据流向说明运行时观察它连接了哪些外部服务（代理或防火墙日志）；弄清数据去向之前不要输入敏感数据。
- 源码中未见：敏感信息处理使用专用、低权限、可随时吊销的 API 密钥，不要复用生产凭据，也不要让密钥出现在日志里。
- 源码中未见：依赖安全审查安装前固定版本并做一次依赖扫描（如 npm audit、pip-audit）；优先放在容器里运行。
- 源码中未见：外部影响披露先弄清它会写入、发送或修改哪些外部系统，用测试账号或测试仓库验证后再接入正式环境。
- 源码中未见：回滚或恢复路径运行前先备份，或在 git 分支、快照上操作，确保改动可以撤销。
- 示例代码可能直接使用用户提供的API密钥，请确保在安全环境中运行，并遵循最小权限原则。
- 依赖项（如OpenSSL）可能需要额外配置，特别是在Windows ARM64上，请仔细阅读安装说明。
- 仓库未提供版本变更日志，升级时可能遇到兼容性问题，请关注官方文档。