ai-agents-for-beginners

Explorando o Microsoft Agent Framework

Agent Framework

Introdução

Esta lição irá abordar:

Objetivos de Aprendizagem

Após completar esta lição, saberá como:

Exemplos de Código

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

Compreendendo o Microsoft Agent Framework

Framework Intro

Microsoft Agent Framework (MAF) é a framework unificada da Microsoft para construir agentes de IA. Oferece a flexibilidade para abordar a grande variedade de casos de uso agénticos encontrados tanto em ambientes de produção como de pesquisa, incluindo:

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

O Microsoft Agent Framework foca-se também na interoperabilidade através de:

Vamos ver como estas funcionalidades são aplicadas a alguns dos conceitos chave do Microsoft Agent Framework.

Conceitos Chave do Microsoft Agent Framework

Agentes

Agent Framework

Criar Agentes

A criação de agentes é feita definindo o serviço de inferência (Fornecedor 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 uma variedade de serviços incluindo o 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" )

Executar Agentes

Agentes são executados utilizando 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 de agente pode também ter opções para personalizar parâmetros tais como max_tokens usados pelo agente, tools que o agente pode chamar, e até o próprio model usado para o agente.

Isto é útil em casos onde modelos ou ferramentas específicas são requeridas para completar a tarefa do utilizador.

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." 


# Quando 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 este uso )

Threads de Agente

Threads de Agente são usadas para gerir conversas multi-turno. Threads podem ser criadas por:

Para criar um thread, o código é:

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

Pode depois serializar o thread para ser armazenado para uso futuro:

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

# Executar o agente com a thread.

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

# Serializar a thread para armazenamento.

serialized_thread = await thread.serialize() 

# Desserializar 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 dos utilizadores. Em certos cenários, queremos executar ou rastrear interações intermédias. Middleware do agente permite fazer isso através de:

Middleware de Função

Este middleware permite executar uma ação entre o agente e uma função/ferramenta que irá chamar. Um exemplo de uso é quando se quer registar a 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: Registar 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: Registar após a execução da função
    print(f"[Function] {context.function.name} completed")

Middleware de Chat

Este middleware permite executar ou registar uma ação entre o agente e os pedidos ao LLM.

Isto contém informação importante como as messages que estão a ser 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: Registar antes da chamada à 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: Registar após 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 ao agente operar em diferentes contextos. O MAF oferece vários tipos de memória:

Memória In-Memory

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

# Criar 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

Esta memória é usada para armazenar histórico de conversas entre diferentes sessões. É definida usando o chat_message_store_factory :

from agent_framework import ChatMessageStore

# Criar uma loja de mensagens personalizada
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

Esta memória é adicionada ao contexto antes de os agentes serem executados. Estas memórias podem ser armazenadas em serviços externos como mem0:

from agent_framework.mem0 import Mem0Provider

# A usar 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

A observabilidade é importante para construir sistemas agénticos fiáveis e fáceis de manter. O MAF integra-se com OpenTelemetry para fornecer tracing e medidores 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"})

Workflows

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

Workflows são compostos por diferentes componentes que permitem um melhor fluxo de controlo. Workflows habilitam também orquestração multi-agente e checkpointing para salvar estados do workflow.

Os componentes principais de um workflow são:

Executores

Executores recebem mensagens de entrada, realizam as suas tarefas atribuídas e depois produzem uma mensagem de saída. Isto movimenta o workflow na direção da conclusão da tarefa maior. Executores podem ser agentes IA ou lógica personalizada.

Edges

Edges são usados para definir o fluxo de mensagens num workflow. Estes podem ser:

Edges Diretos - Ligações simples um-a-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 condição é cumprida. Por exemplo, quando quartos de hotel não estão disponíveis, um executor pode sugerir outras opções.

Edges switch-case - Direcionam mensagens a diferentes executores baseados em condições definidas. Por exemplo, se o cliente de viagens tem acesso prioritário e as suas tarefas serão tratadas com outro workflow.

Edges fan-out - Enviam uma mensagem para múltiplos destinos.

Edges fan-in - Colecionam múltiplas mensagens de diferentes executores e enviam para um único destino.

Eventos

Para providenciar melhor observabilidade nos workflows, o MAF oferece eventos embutidos para execução incluindo:

Padrões Avançados do MAF

As secções acima cobrem os conceitos chave do Microsoft Agent Framework. Ao construir agentes mais complexos, aqui estão alguns padrões avançados a considerar:

Hospedar Agentes LangChain / LangGraph no Microsoft Foundry

O Microsoft Agent Framework é interoperável a nível de framework — não está limitado a agentes escritos com o MAF. Se já tiver um agente construído com LangChain ou LangGraph, pode executá-lo como um agente hospedado no Microsoft Foundry para que o Foundry gere o runtime, sessões, escalabilidade, identidade e pontos finais de protocolo para si, enquanto a sua lógica de agente permanece no LangGraph.

Isto é feito com o pacote langchain_azure_ai.agents.hosting, que expõe um grafo LangGraph compilado pelos mesmos protocolos que os agentes hospedados pelo Foundry usam.

1. Instale a extra hosting:

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

A 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 hosting:

Protocolo Classe Host Endpoint Usar quando
Responses ResponsesHostServer /responses Quer um chat compatível com OpenAI, streaming, histórico de respostas e threading de conversação — o recomendado por defeito para agentes conversacionais.
Invocations InvocationsHostServer /invocations Precisa de uma forma JSON customizada, um endpoint em 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 variáveis de ambiente (az login primeiro para que o 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 correr mais tarde como um agente hospedado no Foundry, a plataforma injeta automaticamente FOUNDRY_PROJECT_ENDPOINT.

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)

    # O ChatOpenAI aqui tem como alvo o endpoint compatível com OpenAI (Respostas) 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 um pedido Responses para http://localhost:8088/responses.

Comportamentos chave:

Uma versão executável deste exemplo encontra-se em code-samples/14-langchain-hosted-agent.py. Para o walkthrough completo (protocolo Invocations, esquemas customizados de pedido e resolução de problemas), veja Host LangGraph agents as Foundry hosted agents.

Exemplos de Código

Exemplos de código para Microsoft Agent Framework podem ser encontrados neste repositório nos ficheiros 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 em horas de atendimento e esclarecer as suas dúvidas sobre Agentes de IA.

Lição Anterior

Memória para Agentes de IA

Próxima Lição

Construção de Agentes de Uso Informático (CUA)

Aviso Legal: Este documento foi traduzido utilizando o serviço de tradução automática Co-op Translator. Embora nos esforcemos pela precisão, esteja ciente de que traduções automáticas podem conter erros ou imprecisões. O documento original na sua língua nativa deve ser considerado a fonte autorizada. Para informações críticas, recomenda-se tradução profissional humana. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações incorretas resultantes da utilização desta tradução.

This site is open source. Improve this page.