ai-agents-for-beginners

Explorando Microsoft Agent Framework

Agent Framework

Introducción

Esta lección cubrirá:

Objetivos de aprendizaje

Después de completar esta lección, sabrás cómo:

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

Framework Intro

Microsoft Agent Framework (MAF) es el marco unificado de Microsoft para construir agentes de IA. Ofrece la flexibilidad para abordar la gran variedad de casos de uso agente que se ven tanto en entornos de producción como de investigación incluyendo:

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

Microsoft Agent Framework también se centra en ser interoperable mediante:

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

Conceptos clave de Microsoft Agent Framework

Agentes

Agent Framework

Creando 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 usando 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

API 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 MiniMax, que provee una API compatible con OpenAI con grandes ventanas de contexto (hasta 204K tokens):

agent = OpenAIChatClient(base_url="https://api.minimax.io/v1", api_key=os.environ["MINIMAX_API_KEY"], model_id="MiniMax-M3").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" )

Ejecutando agentes

Los agentes se ejecutan usando los métodos .run o .run_stream para respuestas no-transmitidas o transmitidas.

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 del agente también puede tener opciones para personalizar parámetros como max_tokens usados por el agente, tools que el agente puede invocar, e incluso el model usado para el agente.

Esto es útil en casos donde modelos o herramientas específicas son requeridas para completar una 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." 


# Cuando se crea un ChatAgent directamente

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

y 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 ser creados ya sea:

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 para uso posterior:

# 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 agente

Los agentes interactúan con herramientas y LLM para completar las tareas del usuario. En ciertos escenarios, queremos ejecutar o rastrear las interacciones intermedias. El middleware de agente 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 cuando se usaría esto es cuando se quiere registrar la llamada a la función.

En el código abajo 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 nos 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."""
    # Pre-procesamiento: Registrar antes de la llamada a IA
    print(f"[Chat] Sending {len(context.messages)} messages to AI")

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

    # Post-procesamiento: Registrar después de la respuesta de IA
    print("[Chat] AI response received")

Memoria de agente

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

Almacenamiento en memoria

Esta es la memoria almacenada en 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 al almacenar el historial de conversaciones a través de diferentes sesiones. Se define usando la 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 se ejecuten los agentes. 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 de agente

La observabilidad es importante para construir sistemas agentic confiables y mantenibles. MAF se integra con OpenTelemetry para proporcionar trazas 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 distintos componentes que permiten mejor control del flujo. Los flujos de trabajo también habilitan la orquestación multi-agente y checkpointing para guardar estados del flujo de trabajo.

Los componentes principales de un flujo de trabajo son:

Ejecutores

Los ejecutores reciben mensajes de entrada, realizan sus 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 cuando se cumple cierta condición. Por ejemplo, cuando no hay habitaciones de hotel disponibles, un ejecutor puede sugerir otras opciones.

Bordes switch-case - Rutean 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 - Enviar un mensaje a múltiples destinos.

Bordes fan-in - Recibir múltiples mensajes de diferentes ejecutores y enviarlos a un solo destino.

Eventos

Para proveer mejor observabilidad en flujos de trabajo, MAF ofrece eventos integrados para la ejecución incluyendo:

Patrones Avanzados de MAF

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

Alojar Agentes LangChain / LangGraph en Microsoft Foundry

Microsoft Agent Framework es interoperable con otros marcos — no estás limitado a agentes escritos con MAF. Si ya tienes un agente construido con LangChain o LangGraph, puedes ejecutarlo como un agente alojado en Microsoft Foundry para que Foundry administre el tiempo de ejecución, sesiones, escalado, identidad y puntos finales de protocolo por ti, mientras la lógica de tu agente permanece en LangGraph.

Esto se realiza con el paquete langchain_azure_ai.agents.hosting, que expone un grafo compilado de LangGraph sobre los mismos protocolos que usan los agentes alojados de Foundry.

1. Instala el paquete extra de hosting:

pip install -U "langchain-azure-ai[hosting]>=1.2.4" azure-identity

El extra hosting instala las bibliotecas del protocolo Foundry: azure-ai-agentserver-responses (el endpoint compatible con OpenAI /responses) y azure-ai-agentserver-invocations (el endpoint genérico /invocations).

2. Elige un protocolo de hosting:

Protocolo Clase de host Punto final Úsalo cuando
Responses ResponsesHostServer /responses Quieres chat compatible con OpenAI, streaming, historial de respuestas y hilo de conversación — la opción recomendada para agentes conversacionales.
Invocations InvocationsHostServer /invocations Necesitas un JSON personalizado, un endpoint tipo webhook o procesamiento no conversacional.

Debido a que la API Responses es la API principal para desarrollo estilo agente en Foundry, comienza con ResponsesHostServer para la mayoría de los agentes.

3. Configura variables de entorno (az login primero para que DefaultAzureCredential pueda autenticarse):

export FOUNDRY_PROJECT_ENDPOINT="https://<resource>.services.ai.azure.com/api/projects/<project>"
export FOUNDRY_MODEL_NAME="gpt-5-mini"

Cuando el agente luego se ejecuta como agente alojado en Foundry, la plataforma inyecta automáticamente FOUNDRY_PROJECT_ENDPOINT.

4. Expone un agente LangGraph sobre el protocolo Responses:

import os

from azure.ai.projects import AIProjectClient
from azure.identity import DefaultAzureCredential, get_bearer_token_provider
from langchain.agents import create_agent
from langchain_openai import ChatOpenAI
from langchain_azure_ai.agents.hosting import ResponsesHostServer

_AZURE_AI_SCOPE = "https://ai.azure.com/.default"


def build_chat_model() -> ChatOpenAI:
    project_endpoint = os.environ["FOUNDRY_PROJECT_ENDPOINT"].rstrip("/")
    deployment = os.environ.get("FOUNDRY_MODEL_NAME", "gpt-5-mini")
    credential = DefaultAzureCredential()
    project = AIProjectClient(endpoint=project_endpoint, credential=credential)
    openai_client = project.get_openai_client()
    token_provider = get_bearer_token_provider(credential, _AZURE_AI_SCOPE)

    # ChatOpenAI aquí apunta al endpoint compatible con OpenAI (Respuestas) del proyecto Foundry.
    return ChatOpenAI(
        model=deployment,
        base_url=str(openai_client.base_url),
        api_key=token_provider,
    )


def main() -> None:
    graph = create_agent(build_chat_model(), tools=[])
    port = int(os.environ.get("PORT", "8088"))
    ResponsesHostServer(graph).run(port=port)


if __name__ == "__main__":
    main()

Ejecútalo localmente con python main.py, luego envía una solicitud Responses a http://localhost:8088/responses.

Comportamientos clave:

Una versión ejecutable de este ejemplo está en code-samples/14-langchain-hosted-agent.py. Para la guía completa (protocolo Invocations, esquemas de solicitud personalizados y solución de problemas), consulta Host LangGraph agents as Foundry hosted agents.

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 encontrarte con otros aprendices, asistir a horas de oficina y obtener respuestas a tus preguntas sobre agentes de IA.

Lección anterior

Memoria para agentes de IA

Próxima lección

Construyendo agentes para uso en computadora (CUA)

Descargo de responsabilidad: 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 una traducción profesional humana. No somos responsables de cualquier malentendido o interpretación errónea que surja del uso de esta traducción.

This site is open source. Improve this page.