ai-agents-for-beginners

การสำรวจ Microsoft Agent Framework

Agent Framework

บทนำ

บทเรียนนี้จะครอบคลุม:

เป้าหมายการเรียนรู้

หลังจากจบบทเรียนนี้ คุณจะรู้วิธี:

ตัวอย่างโค้ด

ตัวอย่างโค้ดสำหรับ Microsoft Agent Framework (MAF) สามารถพบได้ในที่เก็บนี้ภายใต้ไฟล์ xx-python-agent-framework และ xx-dotnet-agent-framework

การทำความเข้าใจ Microsoft Agent Framework

Framework Intro

Microsoft Agent Framework (MAF) เป็นกรอบงานแบบรวมศูนย์ของ Microsoft สำหรับการสร้าง AI agents ซึ่งมีความยืดหยุ่นในการรองรับกรณีการใช้งาน agentic หลากหลายรูปแบบทั้งในสภาพแวดล้อมการผลิตและการวิจัย รวมถึง:

เพื่อให้ AI Agents พร้อมสำหรับการใช้งานจริง, MAF ยังมีคุณสมบัติสำหรับ:

Microsoft Agent Framework ยังเน้นให้สามารถทำงานร่วมกับระบบอื่นได้โดย:

มาดูว่าคุณสมบัติเหล่านี้ถูกประยุกต์ใช้กับแนวคิดหลักของ Microsoft Agent Framework อย่างไรบ้าง

แนวคิดหลักของ Microsoft Agent Framework

Agents

Agent Framework

การสร้าง Agents

การสร้าง Agent เป็นการกำหนดบริการการอนุมาน (ผู้ให้บริการ LLM), ชุดคำสั่งที่ AI Agent จะปฏิบัติตาม และกำหนด name:

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

ข้างต้นใช้ Azure OpenAI แต่ agents สามารถสร้างได้โดยใช้บริการหลากหลายรวมถึง Microsoft Foundry Agent Service:

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.", )

หรือ MiniMax ซึ่งให้ API ที่เข้ากันได้กับ OpenAI พร้อมหน้าต่างบริบทขนาดใหญ่ (สูงสุด 204K token):

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.", )

หรือ agents ระยะไกลโดยใช้โปรโตคอล A2A:

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

การรัน Agents

Agents ถูกเรียกใช้โดยใช้เมธอด .run หรือ .run_stream สำหรับตอบแบบไม่สตรีมหรือแบบสตรีม

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)

การเรียกใช้แต่ละครั้งสามารถมีตัวเลือกเพื่อปรับแต่งพารามิเตอร์ เช่น max_tokens ที่ agent ใช้, tools ที่ agent สามารถเรียกใช้ และแม้แต่ model ที่ใช้กับ agent นั้น

ซึ่งมีประโยชน์ในกรณีที่ต้องใช้โมเดลหรือเครื่องมือเฉพาะสำหรับทำงานให้สำเร็จตามคำขอของผู้ใช้

เครื่องมือ

เครื่องมือสามารถกำหนดได้ทั้งตอนสร้าง agent:

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." 


# เมื่อสร้าง ChatAgent โดยตรง

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

และตอนเรียกใช้ agent:


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

Agent Threads

Agent Threads ใช้จัดการบทสนทนาหลายรอบ (multi-turn) โดย threads สามารถสร้างโดยวิธี:

การสร้าง thread ดูได้จากโค้ดตัวอย่างนี้:

# สร้างเธรดใหม่
thread = agent.get_new_thread() # รันเอเจนต์ด้วยเธรดนั้น
response = await agent.run("Hello, I am here to help you book travel. Where would you like to go?", thread=thread)

จากนั้นคุณสามารถทำการซีเรียลไลซ์ thread เพื่อเก็บไว้ใช้ภายหลัง:

# สร้างเธรดใหม่
thread = agent.get_new_thread() 

# รันตัวแทนด้วยเธรดนั้น

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

# แปลงเธรดเป็นข้อมูลสำหรับจัดเก็บ

serialized_thread = await thread.serialize() 

# แปลงข้อมูลเธรดกลับเป็นสถานะหลังจากโหลดจากที่จัดเก็บ

resumed_thread = await agent.deserialize_thread(serialized_thread)

Agent Middleware

Agents มีปฏิสัมพันธ์กับเครื่องมือและ LLM เพื่อทำงานของผู้ใช้ ในบางสถานการณ์ เราอาจต้องทำการประมวลผลหรือบันทึกข้อมูลระหว่างการโต้ตอบเหล่านี้ Agent middleware ทำให้เราทำเช่นนี้ได้โดย:

Function Middleware

middleware นี้ช่วยให้เราสามารถดำเนินการบางอย่างระหว่าง agent และฟังก์ชัน/เครื่องมือที่เรียกใช้ได้ ตัวอย่างเช่น การบันทึกล็อกเมื่อมีการเรียกฟังก์ชัน

ในโค้ดด้านล่าง next จะกำหนดว่าควรเรียก middleware ถัดไปหรือฟังก์ชันจริง

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

    # ดำเนินการต่อไปยังมิดเดิลแวร์หรือการเรียกใช้ฟังก์ชันถัดไป
    await next(context)

    # การประมวลผลภายหลัง: บันทึกหลังจากเรียกใช้ฟังก์ชัน
    print(f"[Function] {context.function.name} completed")

Chat Middleware

middleware นี้ช่วยให้เราสามารถดำเนินการหรือบันทึกระหว่าง agent กับคำขอไปยัง LLM

มีข้อมูลสำคัญเช่น messages ที่ส่งไปยังบริการ AI

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

    # ดำเนินการต่อไปยังมิดเดิลแวร์หรือบริการ AI ถัดไป
    await next(context)

    # การประมวลผลหลัง: บันทึกหลังจากได้รับตอบกลับจาก AI
    print("[Chat] AI response received")

Agent Memory

ดังที่ได้กล่าวในบทเรียน Agentic Memory หน่วยความจำเป็นองค์ประกอบสำคัญในการทำให้ agent ทำงานได้ในหลายบริบท MAF มีหน่วยความจำหลายประเภท:

หน่วยความจำในตัว (In-Memory Storage)

หน่วยความจำนี้ถูกเก็บใน threads ในระหว่างการรันแอปพลิเคชัน

# สร้างเธรดใหม่
thread = agent.get_new_thread() # รันเอเจนต์ด้วยเธรดนั้น
response = await agent.run("Hello, I am here to help you book travel. Where would you like to go?", thread=thread)

ข้อความที่เก็บถาวร (Persistent Messages)

หน่วยความจำนี้ใช้เก็บประวัติการสนทนาข้าม session ต่าง ๆ กำหนดโดย chat_message_store_factory :

from agent_framework import ChatMessageStore

# สร้างที่เก็บข้อความที่กำหนดเอง
def create_message_store():
    return ChatMessageStore()

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

หน่วยความจำไดนามิก (Dynamic Memory)

หน่วยความจำนี้ถูกเพิ่มในบริบทก่อนที่ agents จะทำงาน หน่วยความจำเหล่านี้สามารถเก็บในบริการภายนอกเช่น mem0:

from agent_framework.mem0 import Mem0Provider

# ใช้ Mem0 สำหรับความสามารถหน่วยความจำขั้นสูง
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
)

การสังเกตการณ์ของ Agent (Agent Observability)

การสังเกตการณ์เป็นสิ่งสำคัญสำหรับการสร้างระบบ agentic ที่น่าเชื่อถือและดูแลรักษาง่าย MAF ผสานรวมกับ OpenTelemetry เพื่อให้มีการติดตามและเครื่องมือวัดเพื่อการสังเกตการณ์ที่ดีขึ้น

from agent_framework.observability import get_tracer, get_meter

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

โฟลว์งาน (Workflows)

MAF มีโฟลว์งานที่เป็นขั้นตอนที่กำหนดไว้ล่วงหน้าเพื่อทำงานให้เสร็จ รวม AI agents เป็นส่วนประกอบในแต่ละขั้นตอน

โฟลว์งานประกอบด้วยส่วนประกอบต่าง ๆ ที่ช่วยให้ควบคุมการไหลของงานได้ดีขึ้น โฟลว์งานยังสนับสนุน การจัดลำดับหลาย agents และ การบันทึกสถานะ (checkpointing) เพื่อเก็บสถานะของงาน

ส่วนประกอบหลักของโฟลว์งานคือ:

Executors

Executors รับข้อความอินพุต, ทำงานที่ได้รับมอบหมาย และสร้างข้อความผลลัพธ์ ทำให้งานโฟลว์เดินหน้าต่อไปเพื่อทำงานใหญ่ให้เสร็จ Executors อาจเป็น AI agent หรือเป็นตรรกะกำหนดเองได้

Edges

Edges ใช้กำหนดไหลของข้อความในโฟลว์งาน ซึ่งอาจเป็น:

Direct Edges - การเชื่อมต่อแบบหนึ่งต่อหนึ่งอย่างง่ายระหว่าง executors:

from agent_framework import WorkflowBuilder

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

Conditional Edges - เปิดใช้งานหลังจากเงื่อนไขบางประการเป็นจริง เช่น เมื่อห้องพักโรงแรมไม่ว่าง executor จะเสนอทางเลือกอื่น

Switch-case Edges - นำทางข้อความไปยัง executors ต่าง ๆ ตามเงื่อนไขที่กำหนด เช่น หากลูกค้าการเดินทางมีสิทธิ์เข้าถึงพิเศษและงานของพวกเขาจะถูกจัดการผ่านโฟลว์งานอื่น

Fan-out Edges - ส่งข้อความหนึ่งไปยังเป้าหมายหลายรายการ

Fan-in Edges - รวบรวมหลายข้อความจาก executors ต่าง ๆ แล้วส่งไปยังเป้าหมายเดียว

Events

เพื่อให้การสังเกตโฟลว์งานดีขึ้น MAF มีเหตุการณ์ในตัวสำหรับการทำงาน เช่น:

รูปแบบ MAF ขั้นสูง

ส่วนข้างต้นครอบคลุมแนวคิดหลักของ Microsoft Agent Framework เมื่อคุณสร้าง agents ที่ซับซ้อนขึ้น นี่คือรูปแบบขั้นสูงที่ควรพิจารณา:

การโฮสต์ LangChain / LangGraph Agents บน Microsoft Foundry

Microsoft Agent Framework เป็น framework-interoperable — คุณไม่จำกัดแค่ agents ที่เขียนด้วย MAF เท่านั้น ถ้าคุณมี agent ที่สร้างด้วย LangChain หรือ LangGraph อยู่แล้ว คุณสามารถรันมันในฐานะ agent ที่โฮสต์บน Microsoft Foundry เพื่อให้ Foundry ดูแล runtime, sessions, การปรับขนาด, ตัวตน และจุดเชื่อมต่อโปรโตคอล ในขณะที่ตรรกะ agent ของคุณยังคงอยู่ใน LangGraph

สิ่งนี้ทำได้ด้วยแพ็กเกจ langchain_azure_ai.agents.hosting ซึ่งเปิดใช้กราฟ LangGraph ที่คอมไพล์แล้วผ่านโปรโตคอลเดียวกับที่ agent ที่โฮสต์บน Foundry ใช้

1. ติดตั้ง hosting extra:

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

hosting extra จะติดตั้งไลบรารีโปรโตคอล Foundry: azure-ai-agentserver-responses (จุดเชื่อมต่อ /responses ที่เข้ากันได้กับ OpenAI) และ azure-ai-agentserver-invocations (จุดเชื่อมต่อทั่วไป /invocations)

2. เลือกโปรโตคอลโฮสต์:

Protocol คลาสโฮสต์ Endpoint ใช้เมื่อ
Responses ResponsesHostServer /responses คุณต้องการ chat, สตรีม, ประวัติการตอบ และ threading แบบ OpenAI-compatible — เป็นค่าเริ่มต้นที่แนะนำสำหรับ agents แบบสนทนา
Invocations InvocationsHostServer /invocations คุณต้องการ JSON รูปแบบกำหนดเอง, จุดเชื่อมต่อแบบ webhook, หรือการประมวลผลที่ไม่ใช่การสนทนา

เนื่องจาก API Responses เป็น API หลักสำหรับการพัฒนา agent-style ใน Foundry ให้เริ่มที่ ResponsesHostServer สำหรับ agents ส่วนใหญ่

3. ตั้งค่าตัวแปรสภาพแวดล้อม (az login ก่อนเพื่อ DefaultAzureCredential จะได้ทำการยืนยันตัวตน):

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

เมื่อ agent รันในฐานะ agent ที่โฮสต์บน Foundry แพลตฟอร์มจะใส่ค่า FOUNDRY_PROJECT_ENDPOINT ให้โดยอัตโนมัติ

4. เปิดเผย agent LangGraph ผ่านโปรโตคอล 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 ที่นี่มุ่งเป้าไปที่จุดสิ้นสุดที่รองรับ OpenAI (Responses) ของโครงการ 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()

รันแบบโลคอลด้วย python main.py แล้วส่งคำร้องขอ Responses ไปที่ http://localhost:8088/responses

พฤติกรรมหลัก:

ตัวอย่างโค้ดที่รันได้ของนี้อยู่ใน code-samples/14-langchain-hosted-agent.py สำหรับคำแนะนำเต็ม (โปรโตคอล Invocations, เงื่อนไขคำขอกำหนดเอง และการแก้ปัญหา) ดูที่ Host LangGraph agents as Foundry hosted agents

ตัวอย่างโค้ด

ตัวอย่างโค้ดสำหรับ Microsoft Agent Framework พบได้ในที่เก็บนี้ภายใต้ไฟล์ xx-python-agent-framework และ xx-dotnet-agent-framework

มีคำถามเพิ่มเติมเกี่ยวกับ Microsoft Agent Framework ไหม?

เข้าร่วมใน Microsoft Foundry Discord เพื่อพบกับผู้เรียนท่านอื่น ๆ เข้าร่วมชั่วโมงตอบคำถาม และได้รับคำตอบเกี่ยวกับ AI Agents

บทเรียนก่อนหน้า

Memory for AI Agents

บทเรียนถัดไป

Building Computer Use Agents (CUA)

ปฏิเสธความรับผิดชอบ: เอกสารนี้ได้รับการแปลโดยใช้บริการแปลภาษา AI Co-op Translator ขณะที่เราพยายามให้ความถูกต้อง โปรดทราบว่าการแปลโดยอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่ถูกต้อง เอกสารต้นฉบับในภาษาต้นทางควรถูกพิจารณาเป็นแหล่งข้อมูลที่เชื่อถือได้ สำหรับข้อมูลที่สำคัญ แนะนำให้ใช้การแปลโดยมนุษย์มืออาชีพ เราไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความที่ผิดพลาดที่เกิดขึ้นจากการใช้การแปลนี้

This site is open source. Improve this page.