使用 Microsoft Agent Framework 工作流构建多智能体应用

本教程将引导您理解并构建使用 Microsoft Agent Framework 的多智能体应用。我们将探索多智能体系统的核心概念，深入了解框架的工作流组件架构，并通过 Python 和 .NET 中的实际示例演示不同的工作流模式。

1. 理解多智能体系统

AI 智能体是一个超越标准大型语言模型（LLM）能力的系统。它可以感知环境、做出决策并采取行动以实现特定目标。多智能体系统涉及多个这样的智能体协作解决单个智能体难以或无法独立处理的问题。

常见应用场景

复杂问题解决：将一个大型任务（例如规划公司范围内的活动）拆分为多个由专门智能体处理的子任务（如预算智能体、物流智能体、市场营销智能体）。
虚拟助理：一个主助理智能体将调度、研究和预订等任务委托给其他专门智能体。
自动内容创作：一个智能体起草内容，另一个审查其准确性和语气，再由第三个智能体发布内容的工作流。

多智能体模式

多智能体系统可通过多种模式组织，这些模式决定了它们如何交互：

顺序型：智能体按照预定义顺序工作，像装配线一样。一个智能体的输出成为下一个的输入。
并发型：智能体并行处理任务的不同部分，最终汇总结果。
条件型：工作流根据智能体的输出决定不同路径，类似 if-then-else 语句。

2. Microsoft Agent Framework 工作流架构

Agent Framework 的工作流系统是一个先进的编排引擎，用于管理多个智能体之间的复杂交互。它基于图形架构，采用Pregel 风格的执行模型，处理在称为“超步骤（supersteps）”的同步步骤中进行。

核心组件

架构由三个主要部分组成：

执行器：这是基本的处理单元。在我们的示例中，Agent 是一种执行器。每个执行器可以有多个消息处理器，基于接收的消息类型自动调用。
边（Edges）：定义消息在执行器之间的传递路径。边可以带有条件，实现信息在工作流图中的动态路由。
工作流：协调整个流程，管理执行器、边及整体执行流。确保消息按正确顺序处理，并流式传输事件以便观察。

一张展示工作流系统核心组件的图示。

该结构允许通过基本模式如顺序链、并行处理的分发汇聚（fan-out/fan-in）以及条件分支逻辑，构建健壮且可扩展的应用。

3. 实际示例与代码解析

接下来，我们将探讨如何使用该框架实现不同的工作流模式。每个示例将包括 Python 和 .NET 代码。

案例 1：基础顺序工作流

这是最简单的模式，一个智能体的输出直接传递给另一个。场景中，一个酒店的 FrontDesk 智能体给出旅行推荐，随后由 Concierge 智能体审查。

基础 FrontDesk -> Concierge 工作流的图示。

场景背景

旅行者询问巴黎的推荐。

设计简洁的 FrontDesk 智能体建议参观卢浮宫博物馆。
注重真实体验的 Concierge 智能体接收建议，审查并反馈，推荐更接地气、不那么游客化的替代方案。

Python 实现分析

在 Python 示例中，我们首先定义并创建两个智能体，各自带有具体指令。

python

# 01.python-agent-framework-workflow-ghmodel-basic.ipynb

# 定义代理角色和指令
REVIEWER_NAME = "Concierge"
REVIEWER_INSTRUCTIONS = """
    You are a hotel concierge who has opinions about providing the most local and authentic experiences for travelers...
    """

FRONTDESK_NAME = "FrontDesk"
FRONTDESK_INSTRUCTIONS = """
    You are a Front Desk Travel Agent with ten years of experience and are known for brevity...
    """

# 创建代理实例
reviewer_agent = chat_client.as_agent(
    instructions=(REVIEWER_INSTRUCTIONS),
    name=REVIEWER_NAME,
)

front_desk_agent = chat_client.as_agent(
    instructions=(FRONTDESK_INSTRUCTIONS),
    name=FRONTDESK_NAME,
)

接着使用 WorkflowBuilder 构建图。将 front_desk_agent 设为起点，并创建边将其输出连接到 reviewer_agent。

python

# 01.python-agent-framework-workflow-ghmodel-basic.ipynb

workflow = WorkflowBuilder(start_executor=front_desk_agent).add_edge(front_desk_agent, reviewer_agent).build()

最后，执行工作流并传入初始用户提示。

python

# 01.python-agent-framework-workflow-ghmodel-basic.ipynb

result =''
# run 执行工作流程；get_outputs() 返回输出执行器的结果。
events = await workflow.run('I would like to go to Paris.')
outputs = events.get_outputs()
result = outputs[0].text if outputs else ''

.NET (C#) 实现分析

.NET 实现遵循相似逻辑。首先定义智能体名称和指令的常量。

csharp

// 01.dotnet-agent-framework-workflow-ghmodel-basic.ipynb

const string ReviewerAgentName = "Concierge";
const string ReviewerAgentInstructions = @"
    You are a hotel concierge who has opinions about providing the most local and authentic experiences for travelers...";

const string FrontDeskAgentName = "FrontDesk";
const string FrontDeskAgentInstructions = @"""
    You are a Front Desk Travel Agent with ten years of experience and are known for brevity...";

使用 AzureOpenAIClient（Responses API）创建智能体，然后用 WorkflowBuilder 通过添加一个从 frontDeskAgent 到 reviewerAgent 的边，定义顺序流程。

csharp

// 01.dotnet-agent-framework-workflow-ghmodel-basic.ipynb

// Create AIAgent instances
AIAgent reviewerAgent = azureClient.GetChatClient(deployment).AsAIAgent(
    name:ReviewerAgentName,instructions:ReviewerAgentInstructions);
AIAgent frontDeskAgent  = azureClient.GetChatClient(deployment).AsAIAgent(
    name:FrontDeskAgentName,instructions:FrontDeskAgentInstructions);

// Build the workflow
var workflow = new WorkflowBuilder(frontDeskAgent)
            .AddEdge(frontDeskAgent, reviewerAgent)
            .Build();

之后运行工作流，传入用户消息，并将结果流式返回。

案例 2：多步顺序工作流

此模式在基础顺序上扩展更多智能体，适合需要多阶段优化或转换的流程。

场景背景

用户提供一张客厅图片，要求给出家具报价。

Sales-Agent：识别图中家具项目并列出清单。
Price-Agent：根据清单给出详细价格分解，包含经济型、中档、豪华选项。
Quote-Agent：接收价格清单并格式化为 Markdown 格式的正式报价文件。

销售 -> 价格 -> 报价工作流的图示。

Python 实现分析

定义三个智能体，各自专责一个环节。使用 add_edge 构造链条：sales_agent -> price_agent -> quote_agent。

python

# 02.python-agent-framework-workflow-ghmodel-sequential.ipynb

# 创建三个专门代理
sales_agent = chat_client.as_agent(...)
price_agent = chat_client.as_agent(...)
quote_agent = chat_client.as_agent(...)

# 构建顺序工作流
workflow = WorkflowBuilder(start_executor=sales_agent).add_edge(sales_agent, price_agent).add_edge(price_agent, quote_agent).build()

输入是包含文本和图片 URI 的 ChatMessage。框架负责将每个智能体的输出传给下一个，直至生成最终报价。

python

# 02.python-agent-framework-workflow-ghmodel-sequential.ipynb

# 用户消息包含文本和图像
message = ChatMessage(
        role=Role.USER,
        contents=[
            TextContent(text="Please find the relevant furniture..."),
            DataContent(uri=image_uri, media_type="image/png")
        ]
)

# 运行工作流
events = await workflow.run(message)

.NET (C#) 实现分析

.NET 示例与 Python 版本类似。创建三个智能体（salesagent，priceagent，quoteagent）。使用 WorkflowBuilder 顺序连接。

csharp

// 02.dotnet-agent-framework-workflow-ghmodel-sequential.ipynb

// Create agent instances
AIAgent salesagent = azureClient.GetChatClient(deployment).AsAIAgent(...);
AIAgent priceagent  = azureClient.GetChatClient(deployment).AsAIAgent(...);
AIAgent quoteagent = azureClient.GetChatClient(deployment).AsAIAgent(...);

// Build the workflow by adding edges sequentially
var workflow = new WorkflowBuilder(salesagent)
            .AddEdge(salesagent,priceagent)
            .AddEdge(priceagent, quoteagent)
            .Build();

用户消息包含图片数据（以字节形式）和文本提示。调用 InProcessExecution.RunStreamingAsync 启动工作流，最终输出从流中获取。

案例 3：并发工作流

当任务可同时执行以节省时间时，使用此模式。它涉及“分发”到多个智能体和“汇总”结果。

场景背景

用户请求规划一次西雅图旅行。

调度器（分发）：用户请求同时发送给两个智能体。
Researcher-Agent：研究西雅图十二月的景点、天气和关键注意事项。
Plan-Agent：独立制定详细的日程旅行计划。
汇总器（汇总）：收集研究者和规划者的输出，共同呈现最终结果。

并发的 Researcher 和 Planner 工作流图示。

Python 实现分析

ConcurrentBuilder 简化了此模式的创建。只需列出参与智能体，构建器自动创建必要的分发和汇聚逻辑。

python

# 03.python-agent-framework-workflow-ghmodel-concurrent.ipynb

research_agent = chat_client.as_agent(name="Researcher-Agent", ...)
plan_agent = chat_client.as_agent(name="Plan-Agent", ...)

# ConcurrentBuilder 处理扇出/扇入逻辑
workflow = ConcurrentBuilder().participants([research_agent, plan_agent]).build()

# 运行工作流
events = await workflow.run("Plan a trip to Seattle in December")

框架确保 research_agent 和 plan_agent 并行执行，最终输出汇总为列表。

.NET (C#) 实现分析

在 .NET 中，此模式需要更明确的定义。创建自定义执行器（ConcurrentStartExecutor 和 ConcurrentAggregationExecutor）处理分发和汇聚逻辑。

csharp

// 03.dotnet-agent-framework-workflow-ghmodel-concurrent.ipynb

// Custom executor to broadcast the message to all agents
public class ConcurrentStartExecutor() : ...
{
    public async ValueTask HandleAsync(string message, IWorkflowContext context)
    {
        // Send message to all connected agents
        await context.SendMessageAsync(new ChatMessage(ChatRole.User, message));
        // Send a token to start processing
        await context.SendMessageAsync(new TurnToken(emitEvents: true));
    }
}

// Custom executor to collect results
public class ConcurrentAggregationExecutor() : ...
{
    private readonly List<ChatMessage> _messages = [];
    public async ValueTask HandleAsync(ChatMessage message, IWorkflowContext context)
    {
        this._messages.Add(message);
        // Once both agents have responded, yield the final output
        if (this._messages.Count == 2)
        {
            ...
            await context.YieldOutputAsync(formattedMessages);
        }
    }
}

之后，WorkflowBuilder 通过 AddFanOutEdge 和 AddFanInEdge 使用这些自定义执行器和智能体构建图。

csharp

// 03.dotnet-agent-framework-workflow-ghmodel-concurrent.ipynb

var workflow = new WorkflowBuilder(startExecutor)
            .AddFanOutEdge(startExecutor, targets: [researcherAgent, plannerAgent])
            .AddFanInEdge(aggregationExecutor, sources: [researcherAgent, plannerAgent])
            .WithOutputFrom(aggregationExecutor)
            .Build();

案例 4：条件工作流

条件工作流引入分支逻辑，允许系统基于中间结果选择不同路径。

场景背景

该工作流自动创建和发布技术教程。

Evangelist-Agent：根据给定大纲和 URL 草拟教程。
ContentReviewer-Agent：审查草稿。检查字数是否超过 200 字。
条件分支：
- 如果通过（Yes）：工作流继续到 Publisher-Agent。
- 如果未通过（No）：工作流停止并输出拒绝原因。
Publisher-Agent：若草稿通过，该智能体将内容保存为 Markdown 文件。

Python 实现分析

示例中使用自定义函数 select_targets 实现条件逻辑。该函数传递给 add_multi_selection_edge_group，根据审阅者输出的 review_result 字段指导工作流。

python

# 04.python-agent-framework-workflow-aifoundry-condition.ipynb

# 此函数根据审核结果确定下一步
def select_targets(review: ReviewResult, target_ids: list[str]) -> list[str]:
    handle_review_id, save_draft_id = target_ids
    if review.review_result == "Yes":
        # 如果审核通过，继续执行 'save_draft' 执行器
        return [save_draft_id]
    else:
        # 如果审核不通过，继续执行 'handle_review' 执行器以报告失败
        return [handle_review_id]

# 工作流构建器使用选择函数进行路由
workflow = (
    WorkflowBuilder()
        .set_start_executor(evangelist_agent)
        .add_edge(evangelist_agent, reviewer_agent)
        .add_edge(reviewer_agent, to_reviewer_result)
        # 多选择边实现条件逻辑
        .add_multi_selection_edge_group(
            to_reviewer_result,
            [handle_review, save_draft],
            selection_func=select_targets,
        )
        .add_edge(save_draft, publisher_agent)
        .build()
)

使用诸如 to_reviewer_result 的自定义执行器解析智能体的 JSON 输出，转换为强类型对象供选择函数检视。

.NET (C#) 实现分析

.NET 版本采用类似方法，定义了一个 Func<object?, bool> 来检查 ReviewResult 对象的 Result 属性。

csharp

// 04.dotnet-agent-framework-workflow-aifoundry-condition.ipynb

// This function creates a lambda for the condition check
public Func<object?, bool> GetCondition(string expectedResult) =>
        reviewResult => reviewResult is ReviewResult review && review.Result == expectedResult;

// The workflow is built with conditional edges
var workflow = new WorkflowBuilder(draftExecutor)
            .AddEdge(draftExecutor, contentReviewerExecutor)
            // Add an edge to the publisher only if the review result is "Yes"
            .AddEdge(contentReviewerExecutor, publishExecutor, condition: GetCondition(expectedResult: "Yes"))
            // Add an edge to the reviewer feedback executor if the result is "No"
            .AddEdge(contentReviewerExecutor, sendReviewerExecutor, condition: GetCondition(expectedResult: "No"))
            .Build();

AddEdge 方法的 condition 参数使 WorkflowBuilder 能创建分支路径。只有当条件 GetCondition(expectedResult: "Yes") 返回真时，工作流才会执行到 publishExecutor，否则走向 sendReviewerExecutor。

结论

Microsoft Agent Framework 工作流为编排复杂多智能体系统提供了强大且灵活的基础。通过其基于图形的架构和核心组件，开发者可以在 Python 和 .NET 中设计并实现复杂工作流。无论应用需求是简单的顺序处理、并行执行，还是动态的条件逻辑，该框架均提供构建强大、可扩展且类型安全 AI 驱动解决方案的工具。

使用 Microsoft Agent Framework 工作流构建多智能体应用 ​

1. 理解多智能体系统 ​

常见应用场景 ​

多智能体模式 ​

2. Microsoft Agent Framework 工作流架构 ​

核心组件 ​

3. 实际示例与代码解析 ​

案例 1：基础顺序工作流 ​

场景背景 ​

Python 实现分析 ​

.NET (C#) 实现分析 ​

案例 2：多步顺序工作流 ​

场景背景 ​

Python 实现分析 ​

.NET (C#) 实现分析 ​

案例 3：并发工作流 ​

场景背景 ​

Python 实现分析 ​

.NET (C#) 实现分析 ​

案例 4：条件工作流 ​

场景背景 ​

Python 实现分析 ​

.NET (C#) 实现分析 ​

结论 ​

使用 Microsoft Agent Framework 工作流构建多智能体应用

1. 理解多智能体系统

常见应用场景

多智能体模式

2. Microsoft Agent Framework 工作流架构

核心组件

3. 实际示例与代码解析

案例 1：基础顺序工作流

场景背景

Python 实现分析

.NET (C#) 实现分析

案例 2：多步顺序工作流

场景背景

Python 实现分析

.NET (C#) 实现分析

案例 3：并发工作流

场景背景

Python 实现分析

.NET (C#) 实现分析

案例 4：条件工作流

场景背景

Python 实现分析

.NET (C#) 实现分析

结论