ai-agents-for-beginners

Explorando Microsoft Agent Framework

Introducción

Esta lección cubrirá:

• Comprender Microsoft Agent Framework: Características clave y valor
• Explorar los conceptos clave de Microsoft Agent Framework
• Patrones avanzados de MAF: flujos de trabajo, middleware y memoria

Objetivos de aprendizaje

Después de completar esta lección, sabrás cómo:

• Construir agentes de IA listos para producción utilizando Microsoft Agent Framework
• Aplicar las características centrales de Microsoft Agent Framework a tus casos de uso agénticos
• Utilizar patrones avanzados que incluyen flujos de trabajo, middleware y observabilidad

Ejemplos de código

Los ejemplos de código para Microsoft Agent Framework (MAF) se pueden encontrar en este repositorio bajo los archivos xx-python-agent-framework y xx-dotnet-agent-framework.

Comprendiendo Microsoft Agent Framework

Microsoft Agent Framework (MAF) es el framework unificado de Microsoft para construir agentes de IA. Ofrece la flexibilidad para abordar la amplia variedad de casos de uso agénticos observados tanto en entornos de producción como de investigación incluyendo:

• Orquestación secuencial de agentes en escenarios donde se necesitan flujos de trabajo paso a paso.
• Orquestación concurrente en escenarios donde los agentes deben completar tareas al mismo tiempo.
• Orquestación de chat grupal en escenarios donde los agentes pueden colaborar juntos en una tarea.
• Orquestación de transferencia en escenarios donde los agentes pasan la tarea entre ellos a medida que se completan las subtareas.
• Orquestación magnética en escenarios donde un agente gestor crea y modifica una lista de tareas y maneja la coordinación de subagentes para completar la tarea.

Para entregar agentes de IA en producción, MAF también incluye características para:

• Observabilidad mediante el uso de OpenTelemetry donde cada acción del agente de IA, incluyendo la invocación de herramientas, pasos de orquestación, flujos de razonamiento y monitoreo de desempeño a través de los paneles de Microsoft Foundry.
• Seguridad al hospedar agentes de forma nativa en Microsoft Foundry, que incluye controles de seguridad como acceso basado en roles, manejo privado de datos y seguridad de contenido incorporada.
• Durabilidad ya que los hilos y flujos de trabajo de los agentes pueden pausar, reanudar y recuperarse de errores, lo que permite procesos de ejecución prolongada.
• Control ya que se soportan flujos de trabajo con intervención humana donde las tareas se marcan como requeridas de aprobación humana.

Microsoft Agent Framework también se enfoca en ser interoperable mediante:

• Ser agnóstico a la nube - Los agentes pueden ejecutarse en contenedores, on-premises y en múltiples nubes diferentes.
• Ser agnóstico a proveedores - Los agentes pueden crearse a través de tu SDK preferido, incluyendo Azure OpenAI y OpenAI.
• Integrar estándares abiertos - Los agentes pueden utilizar protocolos como Agent-to-Agent (A2A) y Model Context Protocol (MCP) para descubrir y usar otros agentes y herramientas.
• Plugins y conectores - Se pueden establecer conexiones a servicios de datos y memoria como Microsoft Fabric, SharePoint, Pinecone y Qdrant.

Veamos cómo se aplican estas características a algunos de los conceptos clave de Microsoft Agent Framework.

Conceptos clave de Microsoft Agent Framework

Agentes

Creación de Agentes

La creación de agentes se realiza definiendo el servicio de inferencia (Proveedor LLM), un conjunto de instrucciones para que el agente de IA siga, y un nombre asignado:

agent = AzureOpenAIChatClient(credential=AzureCliCredential()).create_agent( instructions="You are good at recommending trips to customers based on their preferences.", name="TripRecommender" )

Lo anterior usa Azure OpenAI pero los agentes pueden crearse utilizando una variedad de servicios incluyendo Microsoft Foundry Agent Service:

AzureAIAgentClient(async_credential=credential).create_agent( name="HelperAgent", instructions="You are a helpful assistant." ) as agent

APIs de OpenAI Responses, ChatCompletion

agent = OpenAIResponsesClient().create_agent( name="WeatherBot", instructions="You are a helpful weather assistant.", )

agent = OpenAIChatClient().create_agent( name="HelpfulAssistant", instructions="You are a helpful assistant.", )

o agentes remotos usando el protocolo A2A:

agent = A2AAgent( name=agent_card.name, description=agent_card.description, agent_card=agent_card, url="https://your-a2a-agent-host" )

Ejecución de Agentes

Los agentes se ejecutan utilizando los métodos .run o .run_stream para respuestas sin streaming o en streaming, respectivamente.

result = await agent.run("What are good places to visit in Amsterdam?")
print(result.text)

async for update in agent.run_stream("What are the good places to visit in Amsterdam?"):
    if update.text:
        print(update.text, end="", flush=True)

Cada ejecución de agente puede también tener opciones para personalizar parámetros como max_tokens que usa el agente, tools que el agente puede invocar, e incluso el propio modelo usado para el agente.

Esto es útil en casos donde se requieren modelos o herramientas específicas para completar la tarea del usuario.

Herramientas

Las herramientas pueden definirse tanto al definir el agente:

def get_attractions( location: Annotated[str, Field(description="The location to get the top tourist attractions for")], ) -> str: """Get the top tourist attractions for a given location.""" return f"The top attractions for {location} are." 


# Al crear un ChatAgent directamente

agent = ChatAgent( chat_client=OpenAIChatClient(), instructions="You are a helpful assistant", tools=[get_attractions]

como también al ejecutar el agente:

result1 = await agent.run( "What's the best place to visit in Seattle?", tools=[get_attractions] # Herramienta proporcionada solo para esta ejecución )

Hilos de Agentes

Los hilos de agentes se usan para manejar conversaciones de múltiples turnos. Los hilos pueden crearse:

• Usando get_new_thread() que permite guardar el hilo a lo largo del tiempo
• Creando un hilo automáticamente al ejecutar un agente y que solo dura durante la ejecución actual.

Para crear un hilo, el código es así:

# Crear un nuevo hilo.
thread = agent.get_new_thread() # Ejecutar el agente con el hilo.
response = await agent.run("Hello, I am here to help you book travel. Where would you like to go?", thread=thread)

Luego puedes serializar el hilo para almacenarlo y usarlo posteriormente:

# Crear un nuevo hilo.
thread = agent.get_new_thread() 

# Ejecutar el agente con el hilo.

response = await agent.run("Hello, how are you?", thread=thread) 

# Serializar el hilo para almacenamiento.

serialized_thread = await thread.serialize() 

# Deserializar el estado del hilo después de cargarlo del almacenamiento.

resumed_thread = await agent.deserialize_thread(serialized_thread)

Middleware de Agentes

Los agentes interactúan con herramientas y LLMs para completar las tareas del usuario. En ciertos escenarios, queremos ejecutar o rastrear acciones entre estas interacciones. El middleware de agentes nos permite hacer esto a través de:

Middleware de Función

Este middleware nos permite ejecutar una acción entre el agente y una función/herramienta que va a llamar. Un ejemplo de cuándo se usaría esto es para hacer registro (logging) en la llamada a la función.

En el código a continuación, next define si se debe llamar al siguiente middleware o a la función real.

async def logging_function_middleware(
    context: FunctionInvocationContext,
    next: Callable[[FunctionInvocationContext], Awaitable[None]],
) -> None:
    """Function middleware that logs function execution."""
    # Pre-procesamiento: Registrar antes de la ejecución de la función
    print(f"[Function] Calling {context.function.name}")

    # Continuar al siguiente middleware o ejecución de la función
    await next(context)

    # Post-procesamiento: Registrar después de la ejecución de la función
    print(f"[Function] {context.function.name} completed")

Middleware de Chat

Este middleware permite ejecutar o registrar una acción entre el agente y las solicitudes entre el LLM.

Esto contiene información importante como los messages que se envían al servicio de IA.

async def logging_chat_middleware(
    context: ChatContext,
    next: Callable[[ChatContext], Awaitable[None]],
) -> None:
    """Chat middleware that logs AI interactions."""
    # Preprocesamiento: Registro antes de la llamada a la IA
    print(f"[Chat] Sending {len(context.messages)} messages to AI")

    # Continuar al siguiente middleware o servicio de IA
    await next(context)

    # Postprocesamiento: Registro después de la respuesta de la IA
    print("[Chat] AI response received")

Memoria del Agente

Como se cubrió en la lección Agentic Memory, la memoria es un elemento importante para que el agente opere en diferentes contextos. MAF ofrece varios tipos diferentes de memorias:

Almacenamiento en memoria

Esta es la memoria almacenada en los hilos durante la ejecución de la aplicación.

# Crear un nuevo hilo.
thread = agent.get_new_thread() # Ejecutar el agente con el hilo.
response = await agent.run("Hello, I am here to help you book travel. Where would you like to go?", thread=thread)

Mensajes persistentes

Esta memoria se usa cuando se almacena el historial de conversación a través de diferentes sesiones. Se define usando el chat_message_store_factory:

from agent_framework import ChatMessageStore

# Crear una tienda de mensajes personalizada
def create_message_store():
    return ChatMessageStore()

agent = ChatAgent(
    chat_client=OpenAIChatClient(),
    instructions="You are a Travel assistant.",
    chat_message_store_factory=create_message_store
)

Memoria dinámica

Esta memoria se añade al contexto antes de que los agentes se ejecuten. Estas memorias pueden almacenarse en servicios externos como mem0:

from agent_framework.mem0 import Mem0Provider

# Usando Mem0 para capacidades avanzadas de memoria
memory_provider = Mem0Provider(
    api_key="your-mem0-api-key",
    user_id="user_123",
    application_id="my_app"
)

agent = ChatAgent(
    chat_client=OpenAIChatClient(),
    instructions="You are a helpful assistant with memory.",
    context_providers=memory_provider
)

Observabilidad del Agente

La observabilidad es importante para construir sistemas agénticos confiables y mantenibles. MAF se integra con OpenTelemetry para proporcionar trazabilidad y métricas para una mejor observabilidad.

from agent_framework.observability import get_tracer, get_meter

tracer = get_tracer()
meter = get_meter()
with tracer.start_as_current_span("my_custom_span"):
    # hacer algo
    pass
counter = meter.create_counter("my_custom_counter")
counter.add(1, {"key": "value"})

Flujos de trabajo

MAF ofrece flujos de trabajo que son pasos predefinidos para completar una tarea e incluyen agentes de IA como componentes en esos pasos.

Los flujos de trabajo están compuestos por diferentes componentes que permiten un mejor control del flujo. Los flujos de trabajo también habilitan la orquestación multiagente y el punto de control para guardar estados del flujo.

Los componentes principales de un flujo de trabajo son:

Ejecutores

Los ejecutores reciben mensajes de entrada, realizan las tareas asignadas y luego producen un mensaje de salida. Esto mueve el flujo de trabajo hacia la finalización de la tarea mayor. Los ejecutores pueden ser agentes de IA o lógica personalizada.

Bordes

Los bordes se usan para definir el flujo de mensajes en un flujo de trabajo. Estos pueden ser:

Bordes directos - Conexiones simples uno a uno entre ejecutores:

from agent_framework import WorkflowBuilder

builder = WorkflowBuilder()
builder.add_edge(source_executor, target_executor)
builder.set_start_executor(source_executor)
workflow = builder.build()

Bordes condicionales - Se activan después de que se cumple cierta condición. Por ejemplo, cuando no hay habitaciones de hotel disponibles, un ejecutor puede sugerir otras opciones.

Bordes switch-case - Dirigen mensajes a diferentes ejecutores basados en condiciones definidas. Por ejemplo, si un cliente de viaje tiene acceso prioritario y sus tareas serán manejadas a través de otro flujo de trabajo.

Bordes fan-out - Envía un mensaje a múltiples destinos.

Bordes fan-in - Recopilan múltiples mensajes de diferentes ejecutores y los envían a un solo destino.

Eventos

Para proporcionar mejor observabilidad en los flujos de trabajo, MAF ofrece eventos incorporados para la ejecución incluyendo:

• WorkflowStartedEvent - Comienza la ejecución del flujo de trabajo
• WorkflowOutputEvent - El flujo de trabajo produce una salida
• WorkflowErrorEvent - El flujo de trabajo encuentra un error
• ExecutorInvokeEvent - El ejecutor comienza a procesar
• ExecutorCompleteEvent - El ejecutor termina de procesar
• RequestInfoEvent - Se emite una solicitud

Patrones avanzados de MAF

Las secciones anteriores cubren los conceptos clave de Microsoft Agent Framework. A medida que construyas agentes más complejos, aquí hay algunos patrones avanzados para considerar:

• Composición de middleware: Encadena múltiples manejadores de middleware (registro, autenticación, limitación de tasa) usando middleware de función y de chat para control detallado sobre el comportamiento del agente.
• Puntos de control en flujos de trabajo: Usa eventos de flujos de trabajo y serialización para guardar y reanudar procesos de agentes de larga duración.
• Selección dinámica de herramientas: Combina RAG sobre descripciones de herramientas con el registro de herramientas de MAF para presentar solo las herramientas relevantes por consulta.
• Transferencia multiagente: Usa bordes de flujos de trabajo y enrutamiento condicional para orquestar transferencias entre agentes especializados.

Ejemplos de código

Los ejemplos de código para Microsoft Agent Framework se pueden encontrar en este repositorio bajo los archivos xx-python-agent-framework y xx-dotnet-agent-framework.

¿Tienes más preguntas sobre Microsoft Agent Framework?

Únete al Microsoft Foundry Discord para conocer a otros estudiantes, asistir a horas de oficina y obtener respuestas a tus preguntas sobre agentes de IA.

---

Aviso legal:
Este documento ha sido traducido utilizando el servicio de traducción automática Co-op Translator. Aunque nos esforzamos por la precisión, tenga en cuenta que las traducciones automatizadas pueden contener errores o inexactitudes. El documento original en su idioma nativo debe considerarse la fuente autorizada. Para información crítica, se recomienda la traducción profesional realizada por humanos. No nos hacemos responsables por malentendidos o interpretaciones erróneas derivadas del uso de esta traducción.

This site is open source. Improve this page.