ai-agents-for-beginners

माइक्रोसफ्ट एजेन्ट फ्रेमवर्क अन्वेषण गर्दै

Agent Framework

परिचय

यो पाठले कभर गर्नेछ:

सिकाइ लक्ष्यहरू

यो पाठ पूरा गरेपछि, तपाईं जान्ने हुनुहुनेछ कसरी:

कोड नमूना

माइक्रोसफ्ट एजेन्ट फ्रेमवर्क (MAF) को कोड नमूनाहरू यस रिपोजिटरीमा xx-python-agent-framework र xx-dotnet-agent-framework फाइलहरू अन्तर्गत फेला पार्न सकिन्छ।

माइक्रोसफ्ट एजेन्ट फ्रेमवर्क बुझ्दै

Framework Intro

माइक्रोसफ्ट एजेन्ट फ्रेमवर्क (MAF) माइक्रोसफ्टको एकीकृत फ्रेमवर्क हो जुन AI एजेन्टहरू निर्माणका लागि हो। यसले उत्पादन र अनुसन्धान वातावरणहरूमा देखिने विभिन्न एजेन्टिक उपयोग मामिलाहरूलाई सम्बोधन गर्ने लचिलोपन प्रदान गर्दछ, जसमा समावेश छन्:

उत्पादनमा AI एजेन्टहरू प्रदान गर्न, MAF मा यी सुविधाहरू पनि छन्:

माइक्रोसफ्ट एजेन्ट फ्रेमवर्क अन्तरक्रियाशील बनाउन पनि केन्द्रित छ:

अब माइक्रोसफ्ट एजेन्ट फ्रेमवर्कका केही मुख्य अवधारणाहरूमा यी सुविधाहरू कसरी लागू हुन्छन् हेर्छौं।

माइक्रोसफ्ट एजेन्ट फ्रेमवर्कका मुख्य अवधारणाहरू

एजेन्टहरू

Agent Framework

एजेन्टहरू सिर्जना गर्दै

एजेन्ट सिर्जना इन्फरेन्स सेवा (LLM प्रदायक), एआई एजेन्टले पछ्याउनुपर्ने निर्देशनहरूको सेट, र निर्दिष्ट गरिएको name द्वारा गरिन्छ:

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

माथि Azure OpenAI प्रयोग गरिएको छ तर एजेन्टहरू विभिन्न सेवाहरू प्रयोग गरेर सिर्जना गर्न सकिन्छ जसमा Microsoft Foundry Agent Service पनि समावेश छ:

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

OpenAI Responses, ChatCompletion API हरू

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.", )

वा MiniMax, जसले ठूलो सन्दर्भ विन्डोहरू (२०४K टोकन सम्म) को साथ OpenAI-संगत API उपलब्ध गराउँछ:

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.", )

वा A2A प्रोटोकल प्रयोग गरी रिमोट एजेन्टहरू:

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

एजेन्टहरू सञ्चालन गर्दै

एजेन्टहरू .run या .run_stream विधिहरू प्रयोग गरेर वा त नन-स्ट्रीमिंग वा स्ट्रिमिंग प्रतिक्रियाहरूका लागि सञ्चालन गरिन्छ।

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)

हरेक एजेन्ट सञ्चालनमा एजेण्टले प्रयोग गर्ने max_tokens, एजेन्टले कल गर्न सक्ने tools, र यहाँसम्म कि एजेन्टको लागि प्रयोग हुने model जस्ता प्यारामिटरहरू पनि अनुकूलित गर्न विकल्पहरू हुनसक्छन्।

यो उपयोगी हुन्छ जहाँ विशिष्ट मोडेल वा उपकरणहरू प्रयोगकर्ता कार्य सम्पादन गर्न आवश्यक हुन्छन्।

उपकरणहरू

उपकरणहरू एजेन्टलाई परिभाषित गर्दा दुवै सेट गर्न सकिन्छ:

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." 


# च्याटएजेन्ट सिधै सिर्जना गर्दा

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

र एजेन्ट सञ्चालन गर्दा पनि:


result1 = await agent.run( "What's the best place to visit in Seattle?", tools=[get_attractions] # यो रनको लागि मात्र प्रदान गरिएको उपकरण )

एजेन्ट थ्रेडहरू

एजेन्ट थ्रेडहरू बहु-मोठा कुराकानीहरू सम्हाल्न प्रयोग गरिन्छ। थ्रेडहरू यसरी सिर्जना गर्न सकिन्छ:

थ्रेड सिर्जना गर्न कोड यसरी देखिन्छ:

# नयाँ थ्रेड बनाउनुहोस्।
thread = agent.get_new_thread() # थ्रेडसँग एजेन्ट चलाउनुहोस्।
response = await agent.run("Hello, I am here to help you book travel. Where would you like to go?", thread=thread)

त्यसपछि थ्रेडलाई भण्डारणका लागि सिरियालाइज गर्न सकिन्छ:

# नयाँ थ्रेड सिर्जना गर्नुहोस्।
thread = agent.get_new_thread() 

# थ्रेडसँग एजेन्ट चलाउनुहोस्।

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

# भण्डारणको लागि थ्रेडलाई सिरियलाइज गर्नुहोस्।

serialized_thread = await thread.serialize() 

# भण्डारणबाट लोड गरेपछि थ्रेडको अवस्था डीसिरियलाइज गर्नुहोस्।

resumed_thread = await agent.deserialize_thread(serialized_thread)

एजेन्ट मिडलवेयर

एजेन्टहरूले प्रयोगकर्ताका कार्यहरू पूरा गर्न उपकरणहरू र LLMs सँग अन्तरक्रिया गर्छन्। कतिपय अवस्थामा, यी अन्तरक्रियाहरू बीच कुनै क्रियान्वयन वा ट्र्याकिंग गर्न चाहिन्छ। एजेन्ट मिडलवेयरमार्फत हामी यो गर्न सक्छौं:

फङ्क्शन मिडलवेयर

यो मिडलवेयरले एजेन्ट र फङ्क्शन/टूल बिच कुनै क्रिया कार्यान्वयन गर्न अनुमति दिन्छ। यसको प्रयोगको उदाहरण फङ्क्शन कलमा केही लगिङ गर्न चाहिँदा हुन्छ।

तलको कोडमा next ले अर्को मिडलवेयर वा वास्तविक फङ्क्शन कल गर्नुपर्ने हो कि हो भनेर परिभाषित गर्छ।

async def logging_function_middleware(
    context: FunctionInvocationContext,
    next: Callable[[FunctionInvocationContext], Awaitable[None]],
) -> None:
    """Function middleware that logs function execution."""
    # पूर्व-प्रक्रिया: कार्य सञ्चालन अगाडि लग इन गर्नुहोस्
    print(f"[Function] Calling {context.function.name}")

    # अर्को मिडलवेयर वा कार्य सञ्चालनमा जारी राख्नुहोस्
    await next(context)

    # पश्च-प्रक्रिया: कार्य सञ्चालन पछि लग इन गर्नुहोस्
    print(f"[Function] {context.function.name} completed")

च्याट मिडलवेयर

यो मिडलवेयरले एजेन्ट र LLM बिचको अनुरोधहरूमा कुनै क्रिया सञ्चालन वा लगिङ गर्न अनुमति दिन्छ।

यसले AI सेवामा पठाईएका messages जस्ता महत्वपूर्ण जानकारी समावेश गर्दछ।

async def logging_chat_middleware(
    context: ChatContext,
    next: Callable[[ChatContext], Awaitable[None]],
) -> None:
    """Chat middleware that logs AI interactions."""
    # पूर्व-प्रक्रिया: AI कल अघि लग
    print(f"[Chat] Sending {len(context.messages)} messages to AI")

    # अर्को मिडलवेयर वा AI सेवा तर्फ जारी राख्नुहोस्
    await next(context)

    # पछिल्लो-प्रक्रिया: AI प्रतिक्रिया पछि लग
    print("[Chat] AI response received")

एजेन्ट मेमोरी

Agentic Memory पाठमा चर्चा गरेजस्तै, मेमोरी एजेन्टलाई विभिन्न सन्दर्भहरूमा सञ्चालन गर्ने महत्वपूर्ण तत्व हो। MAF ले विभिन्न प्रकारका स्मृतिहरू प्रदान गर्दछ:

इन-मेमोरी भण्डारण

यो एप्लिकेसन रनटाइमको क्रममा थ्रेडहरूमा भण्डारण गरिएको मेमोरी हो।

# नयाँ थ्रेड सिर्जना गर्नुहोस्।
thread = agent.get_new_thread() # थ्रेडसँग एजेन्ट चलाउनुहोस्।
response = await agent.run("Hello, I am here to help you book travel. Where would you like to go?", thread=thread)

पर्सिस्टेन्ट सन्देशहरू

यो मेमोरी विभिन्न सत्रहरूमा कुराकानी इतिहास भण्डारण गर्न प्रयोग गरिन्छ। यसलाई chat_message_store_factory को उपयोगले परिभाषित गरिन्छ:

from agent_framework import ChatMessageStore

# अनुकूल सन्देश सञ्झ्याल सिर्जना गर्नुहोस्
def create_message_store():
    return ChatMessageStore()

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

डायनामिक मेमोरी

एजेन्टहरू चलाउनु अघि यो मेमोरी सन्दर्भमा थपिन्छ। यी मेमोरीहरू mem0 जस्ता बाह्य सेवाहरूमा संग्रहित गर्न सकिन्छ:

from agent_framework.mem0 import Mem0Provider

# उन्नत स्मृति क्षमताहरूको लागि Mem0 प्रयोग गर्दै
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
)

एजेन्ट अवलोकनशीलता

अवलोकनशीलता भरपर्दो र मर्मतयोग्य एजेन्ट सिस्टमहरू निर्माण गर्न महत्वपूर्ण छ। MAF ले OpenTelemetry सँग एकीकरण गरी ट्रेसिङ र मिटरहरू प्रदान गर्छ जसले राम्रो अवलोकनशीलता हुनसक्छ।

from agent_framework.observability import get_tracer, get_meter

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

कार्यप्रवाहहरू

MAF ले पूर्व-परिभाषित कार्यप्रवाहहरू प्रस्ताव गर्छ जुन कार्य पूरा गर्न चरणहरू हुन् र ती चरणहरूमा AI एजेन्टहरू कम्पोनेन्टको रूपमा समावेश छन्।

कार्यप्रवाहहरू विभिन्न कम्पोनेन्टहरूबाट बनेका हुन्छन् जसले राम्रो नियन्त्रण प्रवाह अनुमति दिन्छ। कार्यप्रवाहहरूले बहु-एजेन्ट समन्वय र चेकपोइन्टिङ लाई सक्षम बनाउँछन् जसले कार्यप्रवाह अवस्थाहरू बचत गर्छ।

कार्यप्रवाहका मुख्य कम्पोनेन्टहरू हुन्:

कार्यकारीहरू

कार्यकारीहरूले इनपुट सन्देशहरू प्राप्त गर्छन्, कामहरू सम्पन्न गर्छन् र त्यसपछि आउटपुट सन्देश उत्पादन गर्छन्। यसले कार्यप्रवाहलाई ठूलो कार्य पूरा गर्ने दिशातर्फ अघि बढाउँछ। कार्यकारीहरू AI एजेन्ट वा कस्टम तर्क हुन सक्छन्।

किनाराहरू

किनाराहरू कार्यप्रवाहमा सन्देशहरूको प्रवाह परिभाषित गर्न प्रयोग हुन्छन्। यी हुनसक्छन्:

प्रत्यक्ष किनाराहरू - कार्यकारीहरू बीच साधारण एकदेखि एक जडानहरू:

from agent_framework import WorkflowBuilder

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

सर्तीय किनाराहरू - निश्चित सर्त पूरा भएपछि सक्रिय हुन्छन्। उदाहरणको लागि, होटल कोठाहरू उपलब्ध नभएको बेला, एक कार्यकारीले अन्य विकल्पहरू सुझाव दिन सक्छ।

स्विच-केस किनाराहरू - परिभाषित अवस्थाहरू अनुसार सन्देशहरूलाई विभिन्न कार्यकारीहरूमा पठाउँछन्। उदाहरणको लागि, यदि यात्रु ग्राहकलाई प्राथमिकता पहुँच छ भने उनका कार्यहरू अर्को कार्यप्रवाहबाट सम्बोधन हुनेछ।

फ्यान-आउट किनाराहरू - एउटा सन्देश धेरै लक्ष्यहरूलाई पठाउनुहोस्।

फ्यान-इन किनाराहरू - विभिन्न कार्यकारीहरूबाट धेरै सन्देशहरू सङ्कलन गरी एउटै लक्ष्यमा पठाउनुहोस्।

घटनाहरू

कार्यप्रवाहहरूमा राम्रो अवलोकनशीलता प्रदान गर्न, MAF ले निम्न कार्यान्वयन घटनाहरूसमेत प्रस्ताव गर्दछ:

उन्नत MAF ढाँचाहरू

माथिका विभागहरूले माइक्रोसफ्ट एजेन्ट फ्रेमवर्कका मुख्य अवधारणाहरू समेटेका छन्। तपाईंले बढी जटिल एजेन्टहरू निर्माण गर्दा, यहाँ विचार गर्न सकिने केही उन्नत ढाँचाहरू छन्:

माइक्रोसफ्ट फाउन्ड्रीमा LangChain / LangGraph एजेन्टहरू होस्ट गर्नुहोस्

माइक्रोसफ्ट एजेन्ट फ्रेमवर्क फ्रेमवर्क-अन्तरक्रियाशील छ — तपाईं MAF सँग लेखिएका एजेन्टहरूमा मात्र सीमित हुनुहुन्न। यदि तपाईंले पहिले नै LangChain वा LangGraph सँग एजेन्ट निर्माण गर्नुभएको छ भने, तपाईं यसलाई Microsoft Foundry होस्ट गरिएको एजेन्ट को रूपमा चलाउन सक्नुहुन्छ ताकि फाउन्ड्रीले रनटाइम, सेसनहरू, स्केलिंग, पहिचान, र प्रोटोकल अन्तबिन्दुहरू व्यवस्थापन गरोस्, जबकि तपाईंको एजेन्ट तर्क LangGraph मा रहन्छ।

यो langchain_azure_ai.agents.hosting प्याकेजमार्फत गरिन्छ, जसले फाउन्ड्री होस्ट गरिएको एजेन्टहरूले प्रयोग गर्ने समान प्रोटोकलहरूमा संकलित LangGraph ग्राफ प्रकट गर्छ।

१. होस्टिङ अतिरिक्त इन्स्टल गर्नुहोस्:

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

hosting अतिरिक्तले फाउन्ड्री प्रोटोकल पुस्तकालयहरू इन्स्टल गर्छ: azure-ai-agentserver-responses (OpenAI-अनुकूल /responses अन्तबिन्दु) र azure-ai-agentserver-invocations (सामान्य /invocations अन्तबिन्दु)।

२. होस्टिङ प्रोटोकल छान्नुहोस्:

प्रोटोकल होस्ट वर्ग अन्तबिन्दु प्रयोग गर्ने बेलामा
Responses ResponsesHostServer /responses तपाईं OpenAI-अनुकूल च्याट, स्ट्रिमिङ, प्रतिक्रिया इतिहास, र संवाद थ्रेडिङ चाहनुहुन्छ — संवादात्मक एजेन्टहरूको लागि सिफारिस गरिएको पूर्वनिर्धारित।
Invocations InvocationsHostServer /invocations तपाईंलाई कस्टम JSON रूप, वेबहुक शैलीको अन्तबिन्दु, वा गैर-सम्वादात्मक प्रक्रियाकरण चाहिन्छ।

किनभने Responses API फाउन्ड्रीमा एजेन्ट शैली विकासका लागि मुख्य API हो, अधिकांश एजेन्टहरूको लागि ResponsesHostServer सँग सुरु गर्नुहोस्।

३. वातावरण चरहरू कन्फिगर गर्नुहोस् (az login पहिले ताकि DefaultAzureCredential प्रमाणीकरण गर्न सकोस्):

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

पछि जब एजेन्ट फाउन्ड्रीमा होस्ट गरिएको एजेन्टको रूपमा चल्छ, प्लेटफर्मले FOUNDRY_PROJECT_ENDPOINT स्वचालित रूपमा इंजेक्ट गर्छ।

४. Responses प्रोटोकलमा LangGraph एजेन्ट खुलाउनुहोस्:

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 यहाँ Foundry परियोजनाको OpenAI-समर्थित (Responses) अन्त बिन्दुमा लक्षित छ।
    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()

यसलाई स्थानीय रुपमा python main.py सँग चलाउनुहोस्, त्यसपछि http://localhost:8088/responses मा Responses अनुरोध पठाउनुहोस्।

प्रमुख व्यवहारहरू:

यस उदाहरणको चल्न योग्य संस्करण code-samples/14-langchain-hosted-agent.py मा छ। पूर्ण मार्गदर्शन (Invocations प्रोटोकल, कस्टम अनुरोध_SCHEMAहरू, र समस्यासंग समाधान) का लागि, Foundry होस्ट गरिएको एजेन्टहरूका रूपमा LangGraph एजेन्टहरू होस्ट गर्नुहोस् हेर्नुहोस्।

कोड नमूना

माइक्रोसफ्ट एजेन्ट फ्रेमवर्कका कोड नमूनाहरू यस रिपोजिटरीमा xx-python-agent-framework र xx-dotnet-agent-framework फाइलहरूमा फेला पार्न सकिन्छ।

माइक्रोसफ्ट एजेन्ट फ्रेमवर्क बारे थप प्रश्नहरू छन्?

Microsoft Foundry Discord मा सामेल हुनुहोस् जहाँ अन्य सिक्नेहरूसँग भेटघाट गर्न, अफिस आवरहरूमा भाग लिन र तपाईंका AI एजेन्ट सम्बन्धी प्रश्नहरू समाधान गर्न सक्नुहुन्छ।

अघिल्लो पाठ

AI एजेन्टहरूको लागि मेमोरी

अर्को पाठ

कम्प्युटर प्रयोग गर्ने एजेन्टहरू (CUA) बनाउँदै

अस्वीकरण: यो दस्तावेज़ AI अनुवाद सेवा Co-op Translator प्रयोग गरेर अनुवाद गरिएको हो। हामी सही हुन प्रयास गर्छौं, तर कृपया जानकार हुनुस् कि स्वचालित अनुवादमा त्रुटिहरू वा अशुद्धताहरू हुन सक्छन्। मूल दस्तावेज़ यसको मूल भाषामा आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीका लागि व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न कुनै पनि गलत बुझाइ वा त्रुटिको लागि हामी जिम्मेवार छैनौं।

This site is open source. Improve this page.