ai-agents-for-beginners

Explorando o Microsoft Agent Framework

Agent Framework

Introdução

Esta lição cobrirá:

Objetivos de Aprendizagem

Após completar esta lição, você saberá como:

Exemplos de Código

Exemplos de código para Microsoft Agent Framework (MAF) podem ser encontrados neste repositório, nas pastas xx-python-agent-framework e xx-dotnet-agent-framework.

Entendendo o Microsoft Agent Framework

Framework Intro

Microsoft Agent Framework (MAF) é o framework unificado da Microsoft para construção de agentes de IA. Ele oferece flexibilidade para atender à ampla variedade de casos de uso agentes observados em ambientes de produção e 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 através de:

Vamos ver como essas funcionalidades são aplicadas a alguns dos conceitos principais do Microsoft Agent Framework.

Conceitos-Chave do Microsoft Agent Framework

Agentes

Agent Framework

Criando Agentes

A criação do agente 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 usando vários serviços incluindo Microsoft Foundry Agent Service:

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

APIs OpenAI de 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 API compatível com OpenAI e grandes janelas de contexto (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 protocolo A2A:

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

Executando Agentes

Os agentes são executados usando os métodos .run ou .run_stream para respostas não-streaming ou streaming respectivamente.

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 o próprio model usado para o agente.

Isso é útil em casos onde modelos ou ferramentas específicas são requeridos para completar uma tarefa do usuário.

Ferramentas

Ferramentas podem ser definidas tanto ao definir o 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]

quanto 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 de Agentes

Threads de agentes são usadas para lidar com conversas multi-turno. Threads podem ser criadas por meio de:

Para criar uma thread, o código é assim:

# Crie uma nova thread.
thread = agent.get_new_thread() # Execute 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 armazená-la para uso futuro:

# 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 carregar do armazenamento.

resumed_thread = await agent.deserialize_thread(serialized_thread)

Middleware do Agente

Agentes interagem com ferramentas e LLMs para completar as tarefas do usuário. Em certos cenários, queremos executar ou rastrear entre essas interações. Middleware de agente nos permite fazer isso por meio de:

Middleware de Função

Esse middleware permite executar uma ação entre o agente e a função/ferramenta que ele irá chamar. Um exemplo de uso é quando se deseja fazer 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 depois da execução da função
    print(f"[Function] {context.function.name} completed")

Middleware de Chat

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

Isso inclui informações importantes como as messages que estão sendo enviadas ao 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 de 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

Como coberto na lição Memória Agente, a memória é um elemento importante para permitir que o agente opere sobre diferentes contextos. O MAF oferece vários tipos diferentes de memórias:

Memória em Memória RAM

Esta é a memória armazenada em threads durante o tempo de execução do aplicativo.

# Crie uma nova thread.
thread = agent.get_new_thread() # Execute 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 para armazenar o histórico da conversa ao longo de diferentes sessões. Ela é definida usando o chat_message_store_factory:

from agent_framework import ChatMessageStore

# Criar 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 que os agentes sejam executados. Essas memórias podem ser armazenadas em serviços externos como mem0:

from agent_framework.mem0 import Mem0Provider

# Usando Mem0 para recursos avançados 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

A observabilidade é importante para construir sistemas agentes confiáveis e manuteníveis. O MAF integra com OpenTelemetry para fornecer traces e métricas 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"):
    # faça algo
    pass
counter = meter.create_counter("my_custom_counter")
counter.add(1, {"key": "value"})

Workflows

O MAF oferece workflows que são passos pré-definidos para completar uma tarefa, incluindo agentes IA como componentes desses passos.

Workflows são compostos por diferentes componentes que permitem maior controle no fluxo. Workflows também permitem orquestração multi-agentes e criação de checkpoints para salvar estados do workflow.

Os componentes principais de um workflow são:

Executores

Os executores recebem mensagens de entrada, realizam as tarefas atribuídas e depois produzem uma mensagem de saída. Isso move o workflow adiante na direção de completar a tarefa maior. Os executores podem ser agentes IA ou lógica customizada.

Arestas (Edges)

As arestas são usadas para definir o fluxo de mensagens em um workflow. Estas podem ser:

Arestas Diretas - 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()

Arestas Condicionais - Ativadas após o cumprimento de certa condição. Por exemplo, quando quartos de hotel estão indisponíveis, um executor pode sugerir outras opções.

Arestas switch-case - Encaminham mensagens para diferentes executores baseados em condições definidas. Por exemplo, se um cliente de viagem tem acesso prioritário, suas tarefas serão tratadas por outro workflow.

Arestas Fan-out - Enviam uma mensagem para múltiplos destinatários.

Arestas Fan-in - Coletam múltiplas mensagens de diferentes executores e enviam para um destinatário.

Eventos

Para oferecer melhor observabilidade em workflows, o MAF oferece eventos embutidos de 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 está limitado a agentes escritos com MAF. Se já tem um agente construido com LangChain ou LangGraph, pode executá-lo como um agente hospedado no Microsoft Foundry para que Foundry gerencie o runtime, sessões, escalabilidade, identidade e endpoints de protocolo para você, enquanto sua lógica do agente permanece no LangGraph.

Isso é feito com o pacote langchain_azure_ai.agents.hosting, que expõe um grafo LangGraph compilado pelos mesmos protocolos usados por agentes hospedados em 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 (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 — o padrão recomendado para agentes conversacionais.
Invocations InvocationsHostServer /invocations Você precisa de um formato JSON customizado, um endpoint estilo webhook, ou processamento não conversacional.

Como a API Responses é a API principal para desenvolvimento tipo agente em Foundry, comece com ResponsesHostServer para a maioria dos agentes.

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

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

Quando o agente rodar depois como agente hospedado em Foundry, a plataforma injeta FOUNDRY_PROJECT_ENDPOINT automaticamente.

4. Exponha um agente LangGraph pelo 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 aqui direciona para 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, depois envie uma requisição Responses para http://localhost:8088/responses.

Comportamentos principais:

Um exemplo executável deste código vive em code-samples/14-langchain-hosted-agent.py. Para o tutorial completo (protocolo Invocations, schemas customizados de requisição e solução de problemas), veja Hospede agentes LangGraph como agentes hospedados no Foundry.

Exemplos de Código

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

Tem Mais Perguntas sobre Microsoft Agent Framework?

Junte-se ao Microsoft Foundry Discord para encontrar outros aprendizes, participar de office hours e obter respostas sobre seus 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.