ai-agents-for-beginners

மைக்ரோசாஃப்ட் ஏஜென்ட் கட்டமைப்பை ஆராய்தல்

Agent Framework

அறிமுகம்

இந்த பாடத்தில் பின்வருவன கையாளப்படுகின்றன:

கற்றல் இலக்குகள்

இந்த பாடத்தை முடித்த பிறகு நீங்கள் முடியும்:

குறியீட்டுக்கான எடுத்துக்காட்டுகள்

Microsoft Agent Framework (MAF) க்கான குறியீட்டு எடுத்துக்காட்டுகள் இந்த நிரலகத்தில் xx-python-agent-framework மற்றும் xx-dotnet-agent-framework கோப்புகளின் கீழ் கிடைக்கின்றன.

மைக்ரோசாஃப்ட் ஏஜென்ட் கட்டமைப்பை புரிதல்

Framework Intro

Microsoft Agent Framework (MAF) என்பது AI ஏஜெண்டுகளை உருவாக்குவதற்கான மைக்ரோசாஃப்டின் ஒருங்கிணைந்த கட்டமைப்பாகும். இது தயாரிப்பு மற்றும் ஆராய்ச்சி சூழல்களில் காணப்படும் பல்வேறு ஏஜென்டிக் பயன்பாட்டுக்கேஸ்களை கையாள்வதற்கான நெகிழ்மையை வழங்குகிறது:

தயாரிப்பில் AI ஏஜென்டுகளை வழங்க, MAF அடுத்த அம்சங்களையும் கொண்டுள்ளது:

மைக்ரோசாஃப்ட் ஏஜென்ட் கட்டமைப்பு இன்டர்ஓபரேபிளாகும் என்று கவனம் செலுத்துகிறது:

இப்போது இந்த அம்சங்கள் Microsoft Agent Framework இன் சில முக்கிய கருத்துக்களில் எப்படி பயன்படுத்தப்படுகின்றன என்று பார்க்கலாம்.

Microsoft Agent Framework இன் முக்கிய கருத்துக்கள்

ஏஜெண்ட்கள்

Agent Framework

ஏஜெண்ட்கள் உருவாக்குதல்

ஏஜெண்ட் உருவாக்கம் வரைவான் சேவையை (LLM வழங்குநர்), ஒரு AI ஏஜெண்ட் பின்பற்ற வேண்டிய கட்டளைகளின் தொகுதியாகவும், ஒதுக்கப்பட்ட name எனும் பெயராகவும் செய்யப்படுகிறது:

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

மேலே Azure OpenAI பயன்படுத்தப்பட்டுள்ளது ஆனால் ஏஜெண்ட்கள் Microsoft Foundry Agent Service உட்பட பல்வேறு சேவைகள் பயன்படுத்தி உருவாக்கப்படலாம்:

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

OpenAI Responses, ChatCompletion APIs

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.", )

அல்லது MiniMax பயன்படுத்தலாம், இது பெரிய கான்டெக்ஸ்ட் விண்டோக்களுடன் (204K பார்சல்கள் வரை) OpenAI-ஐப் பொருந்தும் API வழங்குகிறது:

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.", )

அல்லது A2A நடைமுறையை பயன்படுத்தி தொலைநிலையேயான ஏஜெண்டுகள்:

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

ஏஜெண்ட்கள் இயக்கு

ஏஜெண்ட்களை .run அல்லது .run_stream முறைகளைக் கொண்டு இயக்கு, இதில் ஒவ்வொரு முறையும் கட்டற்ற பதில் அல்லது ஸ்ட்ரீம் பதில் கிடைக்கும்.

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)

ஒவ்வொரு ஏஜெண்ட் இயக்கத்துக்கும் ஏஜெண்ட் பயன் ப்படுத்தும் max_tokens, tools அழைக்கும் கருவிகள் மற்றும் model போன்ற விருப்பங்களை தனிப்பயன் செய்யலாம்.

இது குறிப்பிட்ட மாதிரிகள் அல்லது கருவிகள் பயனரின் பணியை நிறைவேற்ற தேவையான போது உதவும்.

கருவிகள்

கருவிகள் ஏஜெண்ட் வரையறுக்கும் போது வரையறுக்கப்படலாம்:

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." 


# நேரடியாக ஒரு ChatAgent உருவாக்கும்போது

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

மற்றும் ஏஜெண்ட் இயக்கும் போது:


result1 = await agent.run( "What's the best place to visit in Seattle?", tools=[get_attractions] # இந்த ஓட்டத்திற்கான கருவி மட்டும் வழங்கப்பட்டது )

ஏஜெண்ட் திரெட்கள்

ஏஜெண்ட் திரெட்கள் பல-துறை உரையாடல்களை கையாள பயன்படுத்தப்படுகின்றன. திரெட்கள் உருவாகலாம்:

திரெடு உருவாக்குவதற்கு, குறியீடு இதுவாக இருக்கும்:

# புதிய திரட்டை உருவாக்கவும்.
thread = agent.get_new_thread() # அந்த திரையுடன் முகவரியை இயக்கவும்.
response = await agent.run("Hello, I am here to help you book travel. Where would you like to go?", thread=thread)

பின்னர் இந்த திரெடுகளை சேமிக்க சீரியலைஸ் செய்யலாம்:

# புதிய திரெட்யை உருவாக்கு.
thread = agent.get_new_thread() 

# திரெடு உடன் முகவரியை இயக்குக.

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

# சேமிப்புக்காக திரெட்யை தொடர்துறைக.

serialized_thread = await thread.serialize() 

# சேமிப்பிலிருந்து சரிவர பிறகு திரெட்டின் நிலையை தொடர்துறைக.

resumed_thread = await agent.deserialize_thread(serialized_thread)

ஏஜெண்ட் மிடில் வேர்

ஏஜெண்ட்கள் கருவிகள் மற்றும் LLM களுடன் தொடர்பு கொண்டு பயனர் பணிகளை முடிக்கின்றன. சில சூழல்களில், இந்த தொடர்புகளுக்கு இடையே செயல்பட அல்லது கண்காணிக்கவேண்டும். ஏஜெண்ட் மிடில் வேர் இதை சாத்தியமாக்குகிறது:

செயல்பாட்டு மிடில் வேர்

இந்த மிடில் வேர் ஏஜெண்டும் அழைக்கும் கருவி/செயல்பாட்டிற்கிடையில் செயல் செய்யவும், பதிவு செய்யவும் உதவுகிறது. உதாரணமாக, செயல்பாடு அழைக்கும் போது பதிவு செய்ய இந்த மிதில் வேர் பயன்படும்.

கீழே next என்றால் அடுத்த மிடில்வேர் அல்லது உண்மையான செயல்பாடு அழைக்கப்படவுள்ளதா என்பதை குறிப்பிடுகிறது.

async def logging_function_middleware(
    context: FunctionInvocationContext,
    next: Callable[[FunctionInvocationContext], Awaitable[None]],
) -> None:
    """Function middleware that logs function execution."""
    # முன் செயலாக்கம்: செயல்பாட்டு இயங்குவதற்கு முன் பதிவேடு
    print(f"[Function] Calling {context.function.name}")

    # அடுத்த மிடில்‌வர்க்கை அல்லது செயல்பாட்டு இயங்குதலை தொடர்க
    await next(context)

    # பின்பற்றும் செயலாக்கம்: செயல்பாட்டு இயங்கும்பின் பதிவேடு
    print(f"[Function] {context.function.name} completed")

உரையாடல் மிடில் வேர்

ஏஜெண்டுக்கும் LLM ஓடும் கோரிக்கைகளுக்கிடையேயும் செயல்பட அல்லது பதிவு செய்ய இந்த மிடில் வேர் உதவுகிறது.

இதில் AI சேவைக்கு அனுப்பப்படும் messages போன்ற முக்கிய தகவல்கள் அடக்கம்.

async def logging_chat_middleware(
    context: ChatContext,
    next: Callable[[ChatContext], Awaitable[None]],
) -> None:
    """Chat middleware that logs AI interactions."""
    # முன் செயலாக்கம்: AI அழைப்பிற்கு முன் பதிவு செய்யவும்
    print(f"[Chat] Sending {len(context.messages)} messages to AI")

    # அடுத்த மிடில்வேர் அல்லது AI சேவைக்கு தொடரவும்
    await next(context)

    # பின் செயலாக்கம்: AI பதிலுக்குப் பிறகு பதிவு செய்யவும்
    print("[Chat] AI response received")

ஏஜெண்ட் நினைவு

Agentic Memory பாடத்தில் பேசியதுபோல், நினைவு ஏஜெண்ட் வெவ்வேறு சூழல்களில் செயல்பட முக்கியமான கூறாகும். MAF பல வகை நினைவுகளை வழங்குகிறது:

உள்ளூரில் சேமிப்பு

பயன்பாட்டு ஓட்டத்தின் போது திரெட்களில் நிலைத்த நினைவு இது.

# புதிய நூலை உருவாக்கவும்.
thread = agent.get_new_thread() # thread உடன் एजன்டை இயக்கவும்.
response = await agent.run("Hello, I am here to help you book travel. Where would you like to go?", thread=thread)

நிறுத்த முடிய கூடிய செய்திகள்

பல அமர்வுகளுக்கு இடையில் உரையாடல் வரலாற்றை சேமிக்க இது பயன்படுத்தப்படுகிறது. chat_message_store_factory மூலம் வரையறுக்கப்படுகிறது:

from agent_framework import ChatMessageStore

# ஒரு விருப்பமான செய்தி சேமிப்பகத்தை உருவாக்கவும்
def create_message_store():
    return ChatMessageStore()

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

மாறும் நினைவு

ஏஜெண்ட்கள் இயக்கும் முன் சூழலுக்கு இந்த நினைவு சேர்க்கப்படுகிறது. mem0 போன்ற வெளியூர் சேவைகளில் சேமிக்க கூடும்:

from agent_framework.mem0 import Mem0Provider

# மேம்பட்ட நினைவக திறன்களுக்காக Mem0 பயன்படுத்துதல்
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
)

ஏஜெண்ட் கவனிப்புத்தன்மை

கவனிப்புத்தன்மை நம்பகமான மற்றும் பராமரிக்கும் ஏஜெண்ட் அமைப்புகளை கட்டமைக்க முக்கியம். MAF OpenTelemetry உடன் இணைந்து உயர் கவனிப்புத்தன்மையை வழங்குகிறது.

from agent_framework.observability import get_tracer, get_meter

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

வேலைபட்டிகள்

MAF வேலைபட்டிகள் என்பது ஒரு பணியை முடிக்க முன்கூட்டியே வரையறுக்கப்பட்ட படிகள் மற்றும் அதில் AI ஏஜெண்ட்கள் கூறுகளாக அடங்குகின்றன.

வேலைபட்டிகள் பல கூறுகளைக் கொண்டு உருவாக்கப்படுகின்றன, இது சிறந்த கட்டுப்பாட்டு தரவை வழங்குகிறது. வேலைபட்டிகள் பல ஏஜெண்ட் ஒர்க்செஷன் மற்றும் சேமிப்பு புள்ளி க்கும் உதவுகின்றன.

வேலைபட்டியின் முக்கிய கூறுகள்:

நிர்வாகிகள்

நிர்வாகிகள் உள்ளீட்டுச் செய்திகள் பெறுவர், தங்கள் பணிகளைச் செய்து பின்பு வெளியீட்டுச் செய்தி வழங்குவர். இது வேலைபட்டியை பெரிய பணியை முடிக்கும் நோக்கத்தில் முன்னேற்றி நகர்த்தும். நிர்வாகிகள் AI ஏஜெண்ட் அல்லது தனிப்பயன் தந்திரம் ஆக இருக்கலாம்.

நிழல்கள்

நிழல்கள் வேலைபட்டியில் செய்தி கட்டுப்பாட்டை வரையறுக்க பயன்படுகின்றன. அவை:

நேரடி நிழல்கள் - நிர்வாகிகள் இடையேயான எளிய ஒருநிலை கனெக்ஷன்கள்:

from agent_framework import WorkflowBuilder

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

கூடுதல் நிழல்கள் - குறிப்பிட்ட நிபந்தனை பூர்த்தி ஆனபின் செயல்படுகின்றன. உதாரணமாக, ஹோட்டல் அறைகள் கிடைக்காவிட்டால், நிர்வாகி மாற்றுச் சலுகைகளை பரிந்துரைக்க முடியும்.

மாறுதல்-வாய்ப்பு நிழல்கள் - நிபந்தனைகளின்படி செய்திகளை வேறு நிர்வாகிகளுக்கு வழியனுப்பும். உதா: பயணக் கஸ்டமர் முன்னுரிமை பெற்றிருந்தால் அவர்களின் பணிகள் வேறு வேலைபட்டியின் வழியாக கையாளப்படலாம்.

வீசல்-வெளி நிழல்கள் - ஒரு செய்தியை பல இலக்குகளுக்கு அனுப்பும்.

வீசல்-உள்ளே நிழல்கள் - பல நிர்வாகிகளிடமிருந்து பல செய்திகளை சேகரித்து ஒரே இலக்குக்கு அனுப்பும்.

நிகழ்வுகள்

வேலைபட்டிகளில் சிறந்த கவனிப்புத்தன்மைக்காக MAF நிறைவேற்ற நிகழ்வுகளுக்கு உள்ளடக்க நிகழ்வுகளை வழங்குகிறது:

மேம்பட்ட MAF முன்ன்மாதிரிகள்

மேலே கூறிய பகுதிகள் மைக்ரோசாஃப்ட் ஏஜென்ட் கட்டமைப்பின் முக்கிய கருத்துக்களை உள்ளடக்கியவை. நீங்கள் கூடுதல் சிக்கலான ஏஜெண்டுகளை உருவாக்கும் போது, பின்வரும் மேம்பட்ட முன்மாதிரிகளை பரிசீலிக்கலாம்:

Microsoft Foundry இல் LangChain / LangGraph ஏஜெண்ட்களை ஹோஸ்ட் செய்வது

Microsoft Agent Framework என்பது கட்டமைப்பு ஒருங்கிணைப்புக்ககூடியது — MAF கொண்டு எழுதப்பட்ட ஏஜெண்டுகள் மட்டுமல்ல. நீங்கள் ஏற்கனவே LangChain அல்லது LangGraph கொண்டு உருவாக்கிய ஏஜெண்ட் இருந்தால், அதை Microsoft Foundry ஹோஸ்ட் ஏஜெண்ட் ஆக இயக்கு முடியும், இதனால் Foundry ரன்டைம், அமர்வுகள், ஸ்திதிகேடுகள், அடையாளம் மற்றும் நடைமுறை இடைமுகங்களை நிர்வகிக்கும், உங்கள் ஏஜெண்ட் நிலைமுறை LangGraph இல் இருப்பது போல.

இது langchain_azure_ai.agents.hosting தொகுப்பினால் செய்யப்படுகிறது, இது ஒன்றுபட்ட Foundry ஹோஸ்ட் ஏஜெண்டுகள் பயன்படுத்தும் நடைமுறைகளில் LangGraph கிராபை வெளிப்படுத்துகிறது.

1. ஹோஸ்டிங் கூடுதலை நிறுவுக:

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

hosting கூடுதல் Foundry நடைமுறை நூலகங்களை நிறுவுகிறது: azure-ai-agentserver-responses (OpenAI சார்ந்த /responses முடிச்சு) மற்றும் azure-ai-agentserver-invocations (பொதுவான /invocations முடிச்சு).

2. ஹோஸ்டிங் நடைமுறையை தெரிவுசெய்க:

நடைமுறை ஹோஸ்ட் வகுப்பு முடிச்சு பயன்படும் போது
Responses ResponsesHostServer /responses நீங்கள் OpenAI-ன் உரையாடல், ஸ்ட்ரீமிங், பதில் வரலாறு மற்றும் உரையாடல் திரெடிங் வேண்டும் என்றால் — உரையாடல் ஏஜெண்டுகளுக்கு பரிந்துரைக்கப்படும் இயல்புநிலை.
Invocations InvocationsHostServer /invocations தனிப்பயன் JSON வடிவமைப்பு, webhook-போன்ற முடிச்சு, அல்லது உரையாடல் அல்லாத செயலாக்கம் தேவைப்படின்.

ஏனெனில் Responses API Foundry இல் ஏஜெண்ட் வகை மேம்பாட்டுக்கான முக்கிய API ஆகும், பெரும்பாலான ஏஜெண்டுக்களுக்கு ResponsesHostServer உடன் தொடங்கவும்.

3. புவி சூழல் மாறிலிகளை அமைக்கவும் (az login செய்க, அதனால் DefaultAzureCredential அங்கீகாரம் செய்யும்):

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

ஏஜெண்ட் பின்னர் Foundry ஹோஸ்ட் ஏஜெண்டாக இயங்கும் போது, தளம்தானாக FOUNDRY_PROJECT_ENDPOINT ஐ நிரப்பும்.

4. Responses நடைமுறையில் LangGraph ஏஜெண்டை வெளிப்படுத்தவும்:

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 இங்கு Foundry திட்டத்தின் OpenAI-பொருந்தக்கூடிய (பதில்) முடிவை குறிக்கிறது.
    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()

python main.py மூலம் உள்ளகமாக இயக்கு, பின்னர் http://localhost:8088/responses க்கு Responses கோரிக்கை அனுப்பவும்.

முக்கிய நடத்தை:

இதற்கான இயக்கும் உதாரணம் code-samples/14-langchain-hosted-agent.py இல் உள்ளது. முழு வழிகாட்டலுக்காக (Invocations நடைமுறை, தனிப்பயன் கோரிக்கை வடிவங்கள் மற்றும் சிக்கல் தீர்க்கை), Host LangGraph agents as Foundry hosted agents பாருங்கள்.

குறியீட்டுக்கான எடுத்துக்காட்டுகள்

மைக்ரோசாஃப்ட் ஏஜென்ட் கட்டமைப்புக்கான குறியீட்டு எடுத்துக்காட்டுகள் இந்த நிரலகத்தில் xx-python-agent-framework மற்றும் xx-dotnet-agent-framework கோப்புகளுக்குள் கிடைக்கின்றன.

மைக்ரோசாஃப்ட் ஏஜென்ட் கட்டமைப்புக்கான கூடுதல் கேள்விகள் உள்ளதா?

மற்ற கற்றலர்களை சந்திக்க, அலுவலக நேரத்தில் கலந்துகொள்ள மற்றும் உங்கள் AI ஏஜெண்ட் கேள்விகளுக்கு பதில் பெற Microsoft Foundry Discord சேருக.

முந்தைய பாடம்

AI ஏஜெண்டுகளுக்கான நினைவு

அடுத்த பாடம்

கணினி பயன்பாட்டு ஏஜெண்டுகள் (CUA) உருவாக்குதல்

மறுப்பு: இந்த ஆவணம் AI மொழிபெயர்ப்பு சேவை Co-op Translator பயன்படுத்தி மொழிபெயர்க்கப்பட்டுள்ளது. நாங்கள் துல்லியத்திற்காக முயற்சி செய்துள்ளோம், ஆனால் தானாக செய்யப்படும் மொழிபெயர்ப்புகளில் பிழைகள் அல்லது தவறுகள் இருக்கலாம் என்பதை கவனத்தில் கொள்ளவும். அசல் ஆவணம் அதன் தாய்மொழியில் அதிகாரப்பூர்வ ஆதாரமாக கருதப்பட வேண்டும். முக்கியமான தகவல்களுக்கு, தொழில்நுட்பமான மனித மொழிபெயர்ப்பு பரிந்துரைக்கப்படுகிறது. இந்த மொழிபெயர்ப்பைப் பயன்படுத்துவதால் ஏற்படும் எந்த தவறான புரிதல்கள் அல்லது தவறான விளக்கத்திற்கும் நாங்கள் பொறுப்பில்வில்லை.

This site is open source. Improve this page.