ai-agents-for-beginners

Exploration du Microsoft Agent Framework

Agent Framework

Introduction

Cette leçon couvrira :

Objectifs d’apprentissage

Après avoir terminé cette leçon, vous saurez comment :

Exemples de code

Des exemples de code pour Microsoft Agent Framework (MAF) se trouvent dans ce dépôt sous les fichiers xx-python-agent-framework et xx-dotnet-agent-framework.

Comprendre Microsoft Agent Framework

Framework Intro

Microsoft Agent Framework (MAF) est le framework unifié de Microsoft pour construire des agents IA. Il offre la flexibilité nécessaire pour répondre à la grande variété de cas d’usage agentiques observés tant en production qu’en recherche, notamment :

Pour livrer des agents IA en production, MAF inclut également des fonctionnalités pour :

Microsoft Agent Framework met aussi l’accent sur l’interopérabilité par :

Voyons comment ces fonctionnalités s’appliquent à certains des concepts clés de Microsoft Agent Framework.

Concepts clés de Microsoft Agent Framework

Agents

Agent Framework

Création d’agents

La création d’agent se fait en définissant le service d’inférence (fournisseur LLM), un ensemble d’instructions que l’agent IA doit suivre, et un name assigné :

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

L’exemple ci-dessus utilise Azure OpenAI mais les agents peuvent être créés à partir de divers services incluant Microsoft Foundry Agent Service :

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

API 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.", )

ou MiniMax, qui propose une API compatible OpenAI avec de grandes fenêtres contextuelles (jusqu’à 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.", )

ou des agents distants utilisant le protocole A2A :

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

Exécution des agents

Les agents sont exécutés avec les méthodes .run ou .run_stream pour des réponses non-streaming ou en streaming.

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)

Chaque exécution d’agent peut aussi avoir des options pour personnaliser des paramètres tels que max_tokens utilisés par l’agent, tools que l’agent peut appeler, et même le model lui-même utilisé par l’agent.

Cela est utile dans les cas où des modèles ou outils spécifiques sont requis pour accomplir la tâche de l’utilisateur.

Outils

Des outils peuvent être définis aussi bien lors de la définition de l’agent :

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." 


# Lors de la création directe d'un ChatAgent

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

que lors de l’exécution de l’agent :


result1 = await agent.run( "What's the best place to visit in Seattle?", tools=[get_attractions] # Outil fourni uniquement pour cette exécution )

Threads d’agent

Les threads d’agent sont utilisés pour gérer les conversations à multiples tours. Les threads peuvent être créés soit en :

Pour créer un thread, le code ressemble à ceci :

# Créer un nouveau thread.
thread = agent.get_new_thread() # Exécuter l'agent avec le thread.
response = await agent.run("Hello, I am here to help you book travel. Where would you like to go?", thread=thread)

Vous pouvez ensuite sérialiser le thread pour le stocker pour une utilisation ultérieure :

# Créez un nouveau thread.
thread = agent.get_new_thread() 

# Exécutez l'agent avec le thread.

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

# Sérialisez le thread pour le stockage.

serialized_thread = await thread.serialize() 

# Désérialisez l'état du thread après le chargement depuis le stockage.

resumed_thread = await agent.deserialize_thread(serialized_thread)

Middleware d’agent

Les agents interagissent avec des outils et des LLM pour réaliser les tâches de l’utilisateur. Dans certains scénarios, nous voulons exécuter ou suivre des actions entre ces interactions. Le middleware d’agent nous permet cela via :

Middleware de fonction

Ce middleware permet d’exécuter une action entre l’agent et une fonction/outil qu’il va appeler. Un exemple d’utilisation peut être l’enregistrement (logging) de l’appel de fonction.

Dans le code ci-dessous, next définit si le middleware suivant ou la fonction réelle doit être appelée.

async def logging_function_middleware(
    context: FunctionInvocationContext,
    next: Callable[[FunctionInvocationContext], Awaitable[None]],
) -> None:
    """Function middleware that logs function execution."""
    # Pré-traitement : Journaliser avant l'exécution de la fonction
    print(f"[Function] Calling {context.function.name}")

    # Continuer vers le middleware suivant ou l'exécution de la fonction
    await next(context)

    # Post-traitement : Journaliser après l'exécution de la fonction
    print(f"[Function] {context.function.name} completed")

Middleware de chat

Ce middleware permet d’exécuter ou d’enregistrer une action entre l’agent et les requêtes vers le LLM.

Cela inclut des informations importantes comme les messages envoyés au service IA.

async def logging_chat_middleware(
    context: ChatContext,
    next: Callable[[ChatContext], Awaitable[None]],
) -> None:
    """Chat middleware that logs AI interactions."""
    # Pré-traitement : Journaliser avant l'appel à l'IA
    print(f"[Chat] Sending {len(context.messages)} messages to AI")

    # Continuer vers le middleware ou service IA suivant
    await next(context)

    # Post-traitement : Journaliser après la réponse de l'IA
    print("[Chat] AI response received")

Mémoire d’agent

Comme abordé dans la leçon Agentic Memory, la mémoire est un élément important pour permettre à l’agent de fonctionner sur différents contextes. MAF propose plusieurs types de mémoires :

Stockage en mémoire

C’est la mémoire stockée dans les threads pendant l’exécution de l’application.

# Créez un nouveau fil.
thread = agent.get_new_thread() # Exécutez l'agent avec le fil.
response = await agent.run("Hello, I am here to help you book travel. Where would you like to go?", thread=thread)

Messages persistants

Cette mémoire est utilisée pour stocker l’historique des conversations entre différentes sessions. Elle est définie avec le chat_message_store_factory :

from agent_framework import ChatMessageStore

# Créer un magasin de messages personnalisé
def create_message_store():
    return ChatMessageStore()

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

Mémoire dynamique

Cette mémoire est ajoutée au contexte avant l’exécution des agents. Ces mémoires peuvent être stockées dans des services externes comme mem0 :

from agent_framework.mem0 import Mem0Provider

# Utilisation de Mem0 pour des capacités mémoire avancées
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
)

Observabilité d’agent

L’observabilité est importante pour construire des systèmes agentiques fiables et maintenables. MAF s’intègre avec OpenTelemetry pour offrir traçage et métriques pour une meilleure observabilité.

from agent_framework.observability import get_tracer, get_meter

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

Workflows

MAF propose des workflows, qui sont des étapes prédéfinies pour accomplir une tâche et incluent des agents IA comme composants dans ces étapes.

Les workflows sont composés de différents composants permettant un meilleur contrôle du flux. Ils permettent aussi l’orchestration multi-agent et les points de contrôle pour sauvegarder l’état du flux.

Les composants clés d’un workflow sont :

Exécuteurs

Les exécuteurs reçoivent des messages d’entrée, accomplissent leurs tâches assignées, puis produisent un message en sortie. Cela fait avancer le workflow vers la complétion de la tâche globale. Les exécuteurs peuvent être des agents IA ou une logique personnalisée.

Arêtes

Les arêtes définissent le flux des messages dans un workflow. Elles peuvent être :

Arêtes directes - Connexions simples un-à-un entre exécuteurs :

from agent_framework import WorkflowBuilder

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

Arêtes conditionnelles - Activées lorsqu’une certaine condition est remplie. Par exemple, lorsqu’il n’y a plus de chambres d’hôtel disponibles, un exécuteur peut suggérer d’autres options.

Arêtes switch-case - Redirigent un message vers différents exécuteurs selon des conditions définies. Par ex : si un client voyageur a un accès prioritaire et ses tâches seront traitées via un autre workflow.

Arêtes en étoile sortante - Envoient un message à plusieurs cibles.

Arêtes en étoile entrante - Rassemblent plusieurs messages provenant de différents exécuteurs et les envoient à une cible.

Événements

Pour une meilleure observabilité des workflows, MAF offre des événements intégrés à l’exécution, notamment :

Modèles avancés de MAF

Les sections précédentes couvrent les concepts clés de Microsoft Agent Framework. Lorsque vous construisez des agents plus complexes, voici quelques modèles avancés à considérer :

Hébergement des agents LangChain / LangGraph sur Microsoft Foundry

Microsoft Agent Framework est interopérable entre frameworks — vous n’êtes pas limité aux agents écrits avec MAF. Si vous avez déjà un agent construit avec LangChain ou LangGraph, vous pouvez le faire tourner comme un agent hébergé dans Microsoft Foundry, ainsi Foundry gère l’exécution, les sessions, la montée en charge, l’identité et les points de terminaison du protocole, tandis que votre logique d’agent reste dans LangGraph.

Cela se fait avec le package langchain_azure_ai.agents.hosting, qui expose un graphe LangGraph compilé sur les mêmes protocoles que ceux utilisés par les agents hébergés Foundry.

1. Installez l’extension d’hébergement :

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

L’extension hosting installe les bibliothèques protocole Foundry : azure-ai-agentserver-responses (le point de terminaison /responses compatible OpenAI) et azure-ai-agentserver-invocations (le point de terminaison générique /invocations).

2. Choisissez un protocole d’hébergement :

Protocole Classe d’hôte Point de terminaison Utilisation
Responses ResponsesHostServer /responses Vous voulez un chat compatible OpenAI, streaming, historique des réponses, et gestion des conversations en fils — le défaut recommandé pour agents conversationnels.
Invocations InvocationsHostServer /invocations Vous avez besoin d’un format JSON personnalisé, d’un point de terminaison style webhook, ou d’un traitement non conversationnel.

Comme l’API Responses est l’API principale pour le développement d’agents dans Foundry, commencez par ResponsesHostServer pour la plupart des agents.

3. Configurez les variables d’environnement (az login d’abord pour que DefaultAzureCredential puisse s’authentifier) :

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

Lorsque l’agent s’exécutera plus tard en tant qu’agent hébergé dans Foundry, la plateforme injectera automatiquement FOUNDRY_PROJECT_ENDPOINT.

4. Exposez un agent LangGraph via le protocole 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 ici cible le point de terminaison compatible OpenAI (Responses) du projet 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()

Exécutez-le localement avec python main.py, puis envoyez une requête Responses à http://localhost:8088/responses.

Comportements clés :

Une version exécutable de cet exemple se trouve dans code-samples/14-langchain-hosted-agent.py. Pour le guide complet (protocole Invocations, schémas de requêtes personnalisés, dépannage), voyez Héberger des agents LangGraph comme agents hébergés Foundry.

Exemples de code

Des exemples de code pour Microsoft Agent Framework se trouvent dans ce dépôt sous les fichiers xx-python-agent-framework et xx-dotnet-agent-framework.

Vous avez plus de questions sur Microsoft Agent Framework ?

Rejoignez le Microsoft Foundry Discord pour rencontrer d’autres apprenants, assister aux heures de bureau et obtenir des réponses à vos questions sur les agents IA.

Leçon précédente

Mémoire pour agents IA

Prochaine leçon

Construire des agents d’usage informatique (CUA)

Avertissement : Ce document a été traduit à l’aide du service de traduction automatique Co-op Translator. Bien que nous nous efforçions d’assurer l’exactitude, veuillez noter que les traductions automatisées peuvent contenir des erreurs ou des inexactitudes. Le document original dans sa langue native doit être considéré comme la source faisant autorité. Pour les informations critiques, il est recommandé de recourir à une traduction professionnelle réalisée par un humain. Nous ne saurions être tenus responsables des malentendus ou erreurs d’interprétation découlant de l’utilisation de cette traduction.

This site is open source. Improve this page.