ai-agents-for-beginners

Explorando o Microsoft Agent Framework

Agent Framework

Introdução

Esta lição abordará:

Objetivos de Aprendizagem

Depois de completar esta lição, você saberá como:

Exemplos de Código

Exemplos de código para o Microsoft Agent Framework (MAF) podem ser encontrados neste repositório nos arquivos xx-python-agent-framework e xx-dotnet-agent-framework.

Compreendendo o Microsoft Agent Framework

Framework Intro

Microsoft Agent Framework (MAF) é a estrutura unificada da Microsoft para construir agentes de IA. Ele oferece flexibilidade para lidar com a grande variedade de casos de uso agenticos vistos tanto em ambientes de produção quanto de pesquisa, incluindo:

Para entregar Agentes de IA em Produção, o MAF também inclui funcionalidades para:

O Microsoft Agent Framework também foca em ser interoperável por:

Vamos ver como essas funcionalidades são aplicadas em alguns dos conceitos-chave do Microsoft Agent Framework.

Conceitos-Chave do Microsoft Agent Framework

Agentes

Agent Framework

Criando Agentes

A criação de agentes é feita definindo o serviço de inferência (Provedor LLM), um conjunto de instruções para o Agente de IA seguir, e um nome atribuído:

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

O exemplo acima usa Azure OpenAI mas agentes podem ser criados utilizando uma variedade de serviços incluindo Microsoft Foundry Agent Service:

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

APIs 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, que fornece uma API compatível com OpenAI com janelas de contexto grandes (até 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 agentes remotos usando o protocolo A2A:

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

Executando Agentes

Agentes são executados usando os métodos .run ou .run_stream para respostas não-streaming ou 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)

Cada execução do agente pode também ter opções para personalizar parâmetros como max_tokens usados pelo agente, tools que o agente pode chamar, e até mesmo o próprio model usado para o agente.

Isso é útil em casos onde modelos ou ferramentas específicos são necessários para completar a tarefa do usuário.

Ferramentas

Ferramentas podem ser definidas tanto na definição do 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." 


# Ao criar um ChatAgent diretamente

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

e também ao executar o agente:


result1 = await agent.run( "What's the best place to visit in Seattle?", tools=[get_attractions] # Ferramenta fornecida apenas para esta execução )

Threads do Agente

Threads do Agente são usadas para lidar com conversas multi-turnos. Threads podem ser criadas de duas formas:

Para criar uma thread, o código é assim:

# Criar uma nova thread.
thread = agent.get_new_thread() # Executar o agente com a thread.
response = await agent.run("Hello, I am here to help you book travel. Where would you like to go?", thread=thread)

Você pode então serializar a thread para ser armazenada para uso posterior:

# Crie uma nova thread.
thread = agent.get_new_thread() 

# Execute o agente com a thread.

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

# Serialize a thread para armazenamento.

serialized_thread = await thread.serialize() 

# Desserialize o estado da thread após o carregamento do armazenamento.

resumed_thread = await agent.deserialize_thread(serialized_thread)

Middleware do Agente

Agentes interagem com ferramentas e LLMs para completar as tarefas dos usuários. Em certos cenários, queremos executar ou monitorar entre essas interações. Middleware do agente nos permite isso através de:

Middleware de Função

Esse middleware nos permite executar uma ação entre o agente e uma função/ferramenta que está sendo chamada. Um exemplo de quando isso seria usado é para realizar algum registro (logging) na chamada da função.

No código abaixo next define se o próximo middleware ou a função real deve ser chamada.

async def logging_function_middleware(
    context: FunctionInvocationContext,
    next: Callable[[FunctionInvocationContext], Awaitable[None]],
) -> None:
    """Function middleware that logs function execution."""
    # Pré-processamento: Registrar antes da execução da função
    print(f"[Function] Calling {context.function.name}")

    # Continuar para o próximo middleware ou execução da função
    await next(context)

    # Pós-processamento: Registrar após a execução da função
    print(f"[Function] {context.function.name} completed")

Middleware de Chat

Esse middleware nos permite executar ou registrar uma ação entre o agente e as requisições entre o LLM.

Isso contém informações importantes como as messages que estão sendo enviadas para o serviço de IA.

async def logging_chat_middleware(
    context: ChatContext,
    next: Callable[[ChatContext], Awaitable[None]],
) -> None:
    """Chat middleware that logs AI interactions."""
    # Pré-processamento: Registrar antes da chamada da IA
    print(f"[Chat] Sending {len(context.messages)} messages to AI")

    # Continuar para o próximo middleware ou serviço de IA
    await next(context)

    # Pós-processamento: Registrar após a resposta da IA
    print("[Chat] AI response received")

Memória do Agente

Conforme abordado na lição Agentic Memory, a memória é um elemento importante para permitir que o agente opere sobre diferentes contextos. O MAF oferece vários tipos diferentes de memórias:

Armazenamento em Memória

Esta é a memória armazenada em threads durante o tempo de execução da aplicação.

# Criar uma nova thread.
thread = agent.get_new_thread() # Executar o agente com a thread.
response = await agent.run("Hello, I am here to help you book travel. Where would you like to go?", thread=thread)

Mensagens Persistentes

Essa memória é usada quando armazenando o histórico de conversas entre diferentes sessões. É definida usando o chat_message_store_factory:

from agent_framework import ChatMessageStore

# Crie um armazenamento de mensagens personalizado
def create_message_store():
    return ChatMessageStore()

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

Memória Dinâmica

Essa memória é adicionada ao contexto antes dos agentes serem executados. Essas memórias podem ser armazenadas em serviços externos como mem0:

from agent_framework.mem0 import Mem0Provider

# Usando Mem0 para capacidades avançadas de memória
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
)

Observabilidade do Agente

Observabilidade é importante para construir sistemas agênticos confiáveis e fáceis de manter. O MAF integra-se com OpenTelemetry para fornecer rastreamento e medidas para melhor observabilidade.

from agent_framework.observability import get_tracer, get_meter

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

Fluxos de Trabalho

O MAF oferece fluxos de trabalho que são passos pré-definidos para completar uma tarefa e incluem agentes de IA como componentes desses passos.

Fluxos de trabalho são compostos por diferentes componentes que permitem melhor controle de fluxo. Fluxos de trabalho também permitem orquestração multi-agentes e checkpointing para salvar estados do fluxo.

Os componentes principais de um fluxo de trabalho são:

Executores

Executores recebem mensagens de entrada, realizam suas tarefas atribuídas e então produzem uma mensagem de saída. Isso move o fluxo de trabalho adiante para completar a tarefa maior. Executores podem ser tanto agentes de IA quanto lógica personalizada.

Edges (Conexões)

Edges são usados para definir o fluxo das mensagens em um fluxo de trabalho. Podem ser:

Edges Diretos - Conexões simples um-para-um entre executores:

from agent_framework import WorkflowBuilder

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

Edges Condicionais - Ativados quando uma certa condição é satisfeita. Por exemplo, quando quartos de hotel estão indisponíveis, um executor pode sugerir outras opções.

Edges de Switch-case - Roteiam mensagens para diferentes executores baseados em condições definidas. Por exemplo, se um cliente de viagem tem acesso prioritário e suas tarefas serão tratadas por outro fluxo de trabalho.

Edges Fan-out - Enviar uma mensagem para múltiplos alvos.

Edges Fan-in - Coletar múltiplas mensagens de diferentes executores e enviar a um único alvo.

Eventos

Para oferecer melhor observabilidade dos fluxos de trabalho, o MAF oferece eventos internos para a execução incluindo:

Padrões Avançados do MAF

As seções acima cobrem os conceitos-chave do Microsoft Agent Framework. À medida que você constrói agentes mais complexos, aqui estão alguns padrões avançados a considerar:

Hospedando Agentes LangChain / LangGraph no Microsoft Foundry

O Microsoft Agent Framework é interoperável entre frameworks — você não fica limitado a agentes escritos com o MAF. Se você já tem um agente construído com LangChain ou LangGraph, pode executá-lo como um agente hospedado no Microsoft Foundry, de modo que o Foundry gerencie o runtime, sessões, escalabilidade, identidade e endpoints de protocolo para você, enquanto a lógica do seu agente permanece no LangGraph.

Isso é feito com o pacote langchain_azure_ai.agents.hosting, que expõe um grafo LangGraph compilado sobre os mesmos protocolos usados por agentes hospedados no Foundry.

1. Instale o extra de hospedagem:

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

O extra hosting instala as bibliotecas de protocolo Foundry: azure-ai-agentserver-responses (o endpoint /responses compatível com OpenAI) e azure-ai-agentserver-invocations (o endpoint genérico /invocations).

2. Escolha um protocolo de hospedagem:

Protocolo Classe Host Endpoint Use quando
Responses ResponsesHostServer /responses Você quer chat compatível com OpenAI, streaming, histórico de respostas e threading de conversa — a recomendação padrão para agentes conversacionais.
Invocations InvocationsHostServer /invocations Você precisa de uma forma JSON personalizada, um endpoint estilo webhook, ou processamento não conversacional.

Como a API Responses é a API principal para desenvolvimento de agentes no Foundry, comece com ResponsesHostServer para a maioria dos agentes.

3. Configure as variáveis de ambiente (az login primeiro para DefaultAzureCredential autenticar):

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

Quando o agente for executado posteriormente como agente hospedado no Foundry, a plataforma injeta automaticamente FOUNDRY_PROJECT_ENDPOINT.

4. Exponha um agente LangGraph sobre o 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)

    # O ChatOpenAI aqui tem como alvo o endpoint compatível com OpenAI (Responses) do projeto 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()

Execute localmente com python main.py, então envie uma requisição Responses para http://localhost:8088/responses.

Comportamentos principais:

Uma versão executável deste exemplo está em code-samples/14-langchain-hosted-agent.py. Para o tutorial completo (protocolo Invocations, esquemas de requisição personalizados e solução de problemas), consulte Hospedar agentes LangGraph como agentes hospedados no Foundry.

Exemplos de Código

Exemplos de código para Microsoft Agent Framework podem ser encontrados neste repositório nos arquivos xx-python-agent-framework e xx-dotnet-agent-framework.

Tem Mais Perguntas Sobre o Microsoft Agent Framework?

Junte-se ao Microsoft Foundry Discord para encontrar outros aprendizes, participar de horas de atendimento e tirar suas dúvidas sobre Agentes de IA.

Lição Anterior

Memória para Agentes de IA

Próxima Lição

Construindo Agentes de Uso de Computador (CUA)

Aviso Legal: Este documento foi traduzido usando o serviço de tradução por IA Co-op Translator. Embora nos esforcemos pela precisão, por favor, esteja ciente de que traduções automatizadas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte autorizada. Para informações críticas, recomenda-se tradução profissional humana. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações incorretas decorrentes do uso desta tradução.

This site is open source. Improve this page.