ai-agents-for-beginners

Explorer le 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) sont disponibles dans ce dépôt sous les fichiers xx-python-agent-framework et xx-dotnet-agent-framework.

Comprendre le Microsoft Agent Framework

Framework Intro

Microsoft Agent Framework (MAF) est le framework unifié de Microsoft pour créer des agents IA. Il offre la flexibilité de répondre à la grande variété des cas d’usage agentiques observés dans les environnements de production et de recherche, notamment :

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

Microsoft Agent Framework est également axé sur l’interopérabilité par :

Voyons comment ces fonctionnalités sont appliquées à certains des concepts clés du Microsoft Agent Framework.

Concepts clés du Microsoft Agent Framework

Agents

Agent Framework

Création des agents

La création d’agents se fait en définissant le service d’inférence (fournisseur LLM), un ensemble d’instructions que l’agent IA doit suivre, et un nom 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 avec divers services, y compris 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 fournit une API compatible OpenAI avec de grandes fenêtres de contexte (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 en utilisant les méthodes .run ou .run_stream pour des réponses non streaming ou streaming respectivement.

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, les tools que l’agent peut appeler, et même le model utilisé pour l’agent.

Ceci est utile dans les cas où des modèles spécifiques ou des outils sont requis pour accomplir la tâche d’un utilisateur.

Outils

Les outils peuvent être définis à la fois 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]

et aussi 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’agents

Les threads d’agents sont utilisés pour gérer les conversations multi-interactions. Les threads peuvent être créés soit par :

Pour créer un thread, le code est le suivant :

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

# Créer un nouveau fil.
thread = agent.get_new_thread() 

# Exécuter l'agent avec le fil.

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

# Sérialiser le fil pour le stockage.

serialized_thread = await thread.serialize() 

# Désérialiser l'état du fil après le chargement depuis le stockage.

resumed_thread = await agent.deserialize_thread(serialized_thread)

Middleware d’agents

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

Middleware de fonction

Ce middleware nous permet d’exécuter une action entre l’agent et une fonction/outil qu’il appelle. Un exemple d’utilisation serait pour faire du logging sur 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 nous permet d’exécuter ou enregistrer une action entre l’agent et les requêtes vers le LLM.

Cela contient des informations importantes telles que les messages qui sont 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 le service IA suivant
    await next(context)

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

Mémoire d’agents

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

Stockage en mémoire vive

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

# 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)

Messages persistants

Cette mémoire est utilisée pour stocker l’historique de conversation à travers différentes sessions. Elle est définie en utilisant la chat_message_store_factory :

from agent_framework import ChatMessageStore

# Créez 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 que les agents ne soient exécutés. Ces mémoires peuvent être stockées dans des services externes tels que 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 des agents

L’observabilité est importante pour construire des systèmes agentiques fiables et maintenables. MAF s’intègre à OpenTelemetry pour fournir du tracing et des 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 pré-définies pour accomplir une tâche et intègrent les agents IA comme composants dans ces étapes.

Les workflows sont composés de différents composants qui permettent un meilleur contrôle du flux. Les workflows permettent également une orchestration multi-agent et un checkpointing pour sauvegarder l’état des workflows.

Les composants principaux d’un workflow sont :

Exécuteurs

Les exécuteurs reçoivent des messages d’entrée, réalisent les tâches qui leur sont assignées, puis produisent un message de sortie. Cela fait avancer le workflow vers l’achèvement de la tâche globale. Les exécuteurs peuvent être soit des agents IA soit de la logique personnalisée.

Arêtes

Les arêtes servent à définir 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 après qu’une certaine condition est remplie. Par exemple, quand des chambres d’hôtel ne sont pas disponibles, un exécuteur peut suggérer d’autres options.

Arêtes de type switch-case - Routent les messages vers différents exécuteurs basés sur des conditions définies. Par exemple, si un client voyageur a un accès prioritaire, sa tâche sera traitée via un autre workflow.

Arêtes de type fan-out - Envoient un message à plusieurs cibles.

Arêtes de type fan-in - Collectent plusieurs messages provenant de différents exécuteurs et les envoient vers une cible unique.

Événements

Pour offrir une meilleure observabilité des workflows, MAF propose des événements intégrés pour l’exécution tels que :

Modèles avancés MAF

Les sections ci-dessus couvrent les concepts clés du Microsoft Agent Framework. Au fur et à mesure que vous construisez des agents plus complexes, voici quelques modèles avancés à considérer :

Héberger des agents LangChain / LangGraph sur Microsoft Foundry

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

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

1. Installez l’extension hosting :

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

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

2. Choisissez un protocole d’hébergement :

Protocole Classe d’hôte Point de terminaison Utilisation
Responses ResponsesHostServer /responses Vous souhaitez un chat compatible OpenAI, streaming, historique des réponses et conversation en threads — recommandé par défaut pour les agents conversationnels.
Invocations InvocationsHostServer /invocations Vous avez besoin d’une forme JSON personnalisée, un point de terminaison de type webhook, ou un traitement non conversationnel.

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

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

export FOUNDRY_PROJECT_ENDPOINT="https://<resource>.services.ai.azure.com/api/projects/<project>"
export FOUNDRY_MODEL_NAME="gpt-4.1"

Quand 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 sur 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-4.1")
    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 OpenAI-compatible (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 et dépannage), consultez Héberger des agents LangGraph en tant qu’agents Foundry.

Exemples de code

Des exemples de code pour Microsoft Agent Framework sont disponibles 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, participer aux heures de bureau et obtenir des réponses à vos questions sur les agents IA.

Leçon précédente

Mémoire pour les agents IA

Leçon suivante

Construction d’agents pour l’utilisation de l’ordinateur (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.