.NET开发上手Microsoft Agent Framework（一）从开发一个AI美女聊天群组开始
在AI快速发展的今天，微软推出了多个AI开发框架，从早期的AutoGen到Semantic Kernel，再到最新的Microsoft Agent Framework。本文将通过一个实际的AI美女聊天群组项目，带你深入理解Microsoft Agent Framework，掌握多智能体开发的核心概念。本文的示例代码已开源：agent-framework-tutorial-code/agent-gr
·
前言
在AI快速发展的今天，微软推出了多个AI开发框架，从早期的AutoGen到Semantic Kernel，再到最新的Microsoft Agent Framework。很多开发者可能会有疑问：为什么微软要推出这么多框架？它们之间有什么区别？本文将通过一个实际的AI美女聊天群组项目，带你深入理解Microsoft Agent Framework，掌握多智能体开发的核心概念。
本文的示例代码已开源：agent-framework-tutorial-code/agent-groupchat
-
视频演示
为什么微软要推出Microsoft Agent Framework？
AutoGen vs Semantic Kernel vs Agent Framework
在讲解新框架之前，我们先理解一下微软AI框架的演进路径：
AutoGen（研究导向）
-
最早期的多智能体研究框架
-
侧重学术研究和实验性功能
-
Python为主，生态相对独立
Semantic Kernel（应用导向）
-
面向生产环境的AI应用开发框架
-
强大的插件系统和内存管理
-
多语言支持（C#、Python、Java）
-
适合单一智能体应用
Microsoft Agent Framework（企业导向）
-
专为多智能体协作设计
-
内置工作流编排能力(Sequential、Concurrent、Handoff、GroupChat)
-
支持Handoff转移模式和GroupChat管理模式
-
与Azure AI Foundry深度集成
-
同时支持.NET和Python
Agent Framework的核心优势
- 原生多智能体支持
：无需手动管理智能体间的通信,框架自动处理消息路由
- 声明式工作流
：通过
AgentWorkflowBuilder构建复杂协作场景 - 内置编排模式
：
- Handoff模式
：智能体通过function calling实现控制权转移
- GroupChat模式
：通过
GroupChatManager选择下一个发言智能体(支持RoundRobin、Prompt-based等策略)
- 状态管理
：支持checkpoint存储,可恢复中断的工作流
-
大模型基础知识科普
在使用框架之前，我们需要理解大模型的工作原理。很多开发者对大模型有神秘感，其实它本质上就是一个HTTP API调用。
LLM API的本质
让我们用curl演示一个最简单的OpenAI API调用：
curl https://api.openai.com/v1/chat/completions \ -H "Content-Type: application/json" \ -H "Authorization: Bearer YOUR_API_KEY" \ -d '{ "model": "gpt-4o-mini", "messages": [ { "role": "user", "content": "你好，请介绍一下自己" } ] }'响应结果：
{ "id":"chatcmpl-abc123", "object":"chat.completion", "created":1677652288, "model":"gpt-4o-mini", "choices":[{ "index":0, "message":{ "role":"assistant", "content":"你好！我是一个AI助手，可以回答问题、提供建议..." }, "finish_reason":"stop" }] }关键点：
-
LLM就是一个普通的HTTP接口
-
输入：对话历史（messages数组）
-
输出：AI生成的回复（content字段）
-
所有复杂的Agent功能都是框架基于这个简单API构建的
函数调用（Function Calling）
函数调用是让LLM能够操作外部工具的关键机制。
工作流程：
-
开发者定义可用的函数（工具）
-
LLM根据用户意图决定调用哪个函数
-
框架执行函数并获取结果
-
将结果返回给LLM继续对话
示例 - 定义天气查询函数：
{ "name":"get_weather", "description":"查询指定城市的天气信息", "parameters":{ "type":"object", "properties":{ "city":{ "type":"string", "description":"城市名称，例如：北京" } }, "required":["city"] } }LLM的调用响应：
{ "role":"assistant", "content":null, "function_call":{ "name":"get_weather", "arguments":"{\"city\": \"北京\"}" } }重点理解：
-
LLM不会直接执行函数，只是"建议"调用
-
框架负责解析并执行函数
-
执行结果需要再次发送给LLM才能生成最终回复
MCP（Model Context Protocol）
MCP是新兴的标准化协议，用于LLM与外部工具的通信。
MCP的优势：
- 标准化接口
：不同工具遵循统一协议
- 动态工具发现
：运行时加载工具
- 安全隔离
：工具在独立进程运行
在我们的示例项目中，使用MCP集成了阿里云通义万相图片生成能力。
agent-groupchat项目解析
项目架构
项目采用.NET Aspire编排,前后端分离架构:
agent-groupchat/ ├── AgentGroupChat.AppHost/ # Aspire编排入口 │ └── Program.cs # 服务编排配置 │ ├── AgentGroupChat.AgentHost/ # 后端API服务（.NET 9） │ ├── Services/ │ │ ├── AgentChatService.cs # 核心聊天服务 │ │ ├── WorkflowManager.cs # 工作流管理 │ │ ├── AgentRepository.cs # 智能体配置管理 │ │ └── AgentGroupRepository.cs # 群组管理 │ ├── Models/ │ │ ├── AgentProfile.cs # 智能体模型 │ │ └── AgentGroup.cs # 群组模型 │ └── Program.cs # API端点 │ ├── AgentGroupChat.Web/ # Blazor WebAssembly前端 │ ├── Components/ │ │ ├── Pages/ │ │ │ ├── Home.razor # 聊天主页面 │ │ │ └── Admin.razor # 管理后台 │ │ └── Layout/ │ │ └── MainLayout.razor # 主布局 │ ├── Services/ │ │ └── AgentHostClient.cs # API客户端 │ └── Program.cs # 前端入口 │ └── AgentGroupChat.ServiceDefaults/ # 共享服务配置 └── Extensions.cs # OpenTelemetry/健康检查Aspire编排说明
什么是.NET Aspire？
.NET Aspire是微软推出的云原生应用编排框架,简化分布式应用的开发和部署：
- 服务发现
：自动解析服务地址,前端无需硬编码API地址
- 统一启动
：一个命令启动所有服务
- 可观测性
：内置OpenTelemetry遥测数据收集
- Dashboard
：实时查看服务状态、日志、指标
AppHost配置（
AgentGroupChat.AppHost/Program.cs）：var builder = DistributedApplication.CreateBuilder(args); // 添加后端API服务 var agentHost = builder.AddProject<Projects.AgentGroupChat_AgentHost>("agenthost"); // 添加Blazor前端,引用后端服务 builder.AddProject<Projects.AgentGroupChat_Web>("webfrontend") .WithExternalHttpEndpoints() // 暴露外部访问端口 .WithReference(agentHost) // 注入agenthost服务发现信息 .WaitFor(agentHost); // 等待后端启动完成 builder.Build().Run();服务发现原理：
前端通过Aspire自动获取后端地址（
Program.cs）：// Web项目的Program.cs var agentHostUrl = builder.Configuration["AgentHostUrl"] ?? "https://localhost:7390"; builder.Services.AddScoped(sp => new HttpClient { BaseAddress = new Uri(agentHostUrl) });Aspire会自动将
agenthost服务的实际地址注入到配置中。智能体定义
项目创建了6个性格各异的AI美女角色，组成"AI世界公馆"：
艾莲 (Elena)
new PersistedAgentProfile { Id = "elena", Name = "艾莲", Avatar = "🧠", SystemPrompt = "你是艾莲，一位来自巴黎的人文学者，专注于哲学、艺术和文学研究...", Description = "巴黎研究员，擅长哲学、艺术与思辨分析", Personality = "理性、深邃，喜欢引经据典，用哲学视角看世界" }莉子 (Rina)
new PersistedAgentProfile { Id = "rina", Name = "莉子", Avatar = "🎮", SystemPrompt = "你是莉子，来自东京的元气少女，热爱动漫、游戏和可爱的事物...", Description = "东京元气少女，热爱动漫、游戏和可爱事物", Personality = "活泼、热情，说话带感叹号，喜欢用可爱的emoji" }其他角色：
- 克洛伊 (Chloe)
：纽约科技极客
- 安妮 (Annie)
：洛杉矶时尚博主
- 苏菲 (Sophie)
：伦敦哲学诗人
智能路由实现
这是项目的核心亮点 - Triage Agent自动将用户消息路由到最合适的AI角色。
Triage Agent配置：
var triageSystemPrompt = @"你是AI世界公馆的智能路由系统。 【核心规则】 1. 永远不要生成文本回复 - 你对用户完全透明 2. 立即调用handoff函数，不需要解释 3. 不要确认、问候或回应 - 只默默路由 【路由策略】 1. **直接提及**：用户用 @ 提到角色名，立即路由到该角色 2. **话题匹配**： - 哲学/艺术/文学 → 艾莲 - 动漫/游戏/萌文化 → 莉子 - 科技/编程/AI → 克洛伊 - 时尚/美妆/生活 → 安妮 - 诗歌/文学/情感 → 苏菲 3. **语气风格**：活泼→莉子，理性→艾莲，冷静→克洛伊 4. **上下文连贯**：查看对话历史，如果上一条是某专家回复且话题相关，继续路由到该专家 示例： - ""@莉子 推荐动漫"" → handoff_to_rina - ""如何学习机器学习？"" → handoff_to_chloe - ""最新的时尚趋势是什么？"" → handoff_to_annie ";Handoff实现：
// 创建Handoff工作流 var workflow = _workflowManager.GetOrCreateWorkflow(groupId); // 运行工作流 awaitusing StreamingRun run = await InProcessExecution.StreamAsync(workflow, messages); await run.TrySendMessageAsync(new TurnToken(emitEvents: true)); // 监听事件流 awaitforeach (WorkflowEvent evt in run.WatchStreamAsync()) { if (evt is AgentRunUpdateEvent agentUpdate) { // 检测到specialist agent执行 if (agentUpdate.ExecutorId != "triage") { var profile = _agentRepository.Get(agentUpdate.ExecutorId); // 提取LLM生成的文本 var textContent = agentUpdate.Update.Contents .OfType<TextContent>() .FirstOrDefault(); // 构建响应 summaries.Add(new ChatMessageSummary { AgentId = agentUpdate.ExecutorId, AgentName = profile?.Name, AgentAvatar = profile?.Avatar, Content = textContent?.Text, IsUser = false }); } } }关键技术点
1. 动态智能体加载
智能体配置存储在LiteDB中，支持运行时动态更新：
publicclassAgentRepository { public List<PersistedAgentProfile> GetAllEnabled() { return _collection .Find(a => a.Enabled) .ToList(); } publicvoidUpsert(PersistedAgentProfile agent) { _collection.Upsert(agent); } }2. 工作流管理
每个智能体组有独立的工作流实例：
publicclassWorkflowManager { privatereadonly Dictionary<string, Workflow> _workflows = new(); public Workflow GetOrCreateWorkflow(string groupId) { if (!_workflows.TryGetValue(groupId, outvar workflow)) { vargroup = _groupRepository.Get(groupId); workflow = BuildHandoffWorkflow(group); _workflows[groupId] = workflow; } return workflow; } }3. 消息持久化
使用LiteDB存储会话历史：
publicclassPersistedSessionService { publicvoidAddMessage(string sessionId, ChatMessageSummary message) { var doc = new BsonDocument { ["SessionId"] = sessionId, ["AgentId"] = message.AgentId, ["Content"] = message.Content, ["Timestamp"] = message.Timestamp, ["IsUser"] = message.IsUser }; _messagesCollection.Insert(doc); } }国内用户运行指南
方式一：使用阿里云百炼平台
- 获取API密钥
访问 阿里云百炼，创建应用并获取API Key。
- 配置appsettings.json
{ "DefaultModelProvider":"OpenAI", "OpenAI":{ "BaseUrl":"https://dashscope.aliyuncs.com/compatible-mode/v1", "ModelName":"qwen-plus", "ApiKey":"sk-your-api-key" } }- 配置MCP生图
需要开通MCP生图服务
使用的key也是和百炼的模型key一致
{ "McpServers":{ "Servers":[ { "Id":"dashscope-text-to-image", "Name":"DashScope Text-to-Image", "Endpoint":"https://dashscope.aliyuncs.com/api/v1/mcps/TextToImage/sse", "AuthType":"Bearer", "BearerToken":"", "TransportMode":"Sse", "Enabled":true, "Description":"阿里云 DashScope 文生图服务，用于生成图像" } ] } }- 运行项目
方式A：使用Aspire一键启动（推荐）
cd agent-groupchat dotnet run --project AgentGroupChat.AppHostAspire Dashboard会自动打开（
http://localhost:15220），显示：- agenthost
：后端API服务
- webfrontend
：Blazor前端
直接点击webfrontend的URL即可访问应用。
方式B：独立启动各服务
终端1 - 启动后端：
cd agent-groupchat/AgentGroupChat.AgentHost dotnet run # 记下端口，如 https://localhost:7390终端2 - 启动前端（需先配置后端地址）：
编辑
AgentGroupChat.Web/wwwroot/appsettings.json：{ "AgentHostUrl":"https://localhost:7390" }然后启动：
cd agent-groupchat/AgentGroupChat.Web dotnet run访问前端地址（如
https://localhost:5001）方式二：使用DeepSeek
- 获取API密钥
访问 DeepSeek开放平台
- 配置
{ "DefaultModelProvider":"OpenAI", "OpenAI":{ "BaseUrl":"https://api.deepseek.com/v1", "ModelName":"deepseek-chat", "ApiKey":"sk-your-api-key" } }方式三：使用Azure AI Foundry
- 创建Azure OpenAI资源
访问 AI Foundry，创建Azure OpenAI服务。
- 部署模型
在AI Foundry中部署
gpt-4o-mini模型。- 配置
{ "DefaultModelProvider":"AzureOpenAI", "AzureOpenAI":{ "Endpoint":"https://your-resource.openai.azure.com/", "DeploymentName":"gpt-4o-mini", "ApiKey":"your-api-key" } }实战演示
测试场景1：直接提及
输入：
@莉子 推荐几部最近的热门动漫路由过程：
-
Triage Agent检测到
@莉子 -
调用
handoff_to_rina函数 -
莉子接收消息并回复
输出：
莉子：哇！最近的新番超棒的呢！✨ 强烈推荐《葬送的芙莉莲》，这部番真的是神作级别！ 还有《咒术回战》第二季也超燃的！ 如果喜欢轻松搞笑的，《关于我转生变成史莱姆这档事》第三季也很有趣哦~ (◕‿◕✿)测试场景2：话题路由
输入：
最近在学习机器学习，有什么建议吗？路由过程：
-
Triage Agent识别"机器学习"属于科技话题
-
路由到克洛伊（科技专家）
输出：
克洛伊：机器学习入门的话，建议从这几个方面开始： 1.**数学基础**：线性代数、概率统计、微积分 2.**编程**：Python是首选，熟练使用NumPy、Pandas 3.**经典算法**：先理解监督学习（线性回归、决策树） 4.**框架**：PyTorch或TensorFlow二选一 5.**实战项目**：Kaggle上有很多适合新手的数据集 推荐课程：吴恩达的Machine Learning课程（Coursera）测试场景3：上下文连贯
对话1：
用户：什么是存在主义？ 艾莲：存在主义认为"存在先于本质"，强调个体的自由选择和责任...对话2（紧接上文）：
用户：那萨特的观点具体是什么？ 系统：检测到话题延续，继续路由到艾莲 艾莲：萨特是存在主义的代表人物，他在《存在与虚无》中提出...核心代码详解
1. WorkflowManager核心逻辑
publicclassWorkflowManager { private Workflow BuildHandoffWorkflow(AgentGroup group) { // 1. 创建Triage Agent var triageAgent = new ChatClientAgent( _chatClient, group.TriageSystemPrompt ?? DefaultTriagePrompt, "triage", "Routes messages to appropriate agent" ); // 2. 加载组内所有智能体 var specialists = group.AgentIds .Select(id => _agentRepository.Get(id)) .Where(a => a != null) .Select(a => new ChatClientAgent( _chatClient, a.SystemPrompt, a.Id, a.Description )) .ToList(); // 3. 构建Handoff工作流 var builder = AgentWorkflowBuilder .CreateHandoffBuilderWith(triageAgent) .WithHandoffs(triageAgent, specialists) // Triage可以切换到任何专家 .WithHandoffs(specialists, triageAgent); // 专家可以切回Triage return builder.Build(); } }2. 事件流处理
publicasync Task<List<ChatMessageSummary>> SendMessageAsync( string message, string sessionId, string? groupId = null) { var summaries = new List<ChatMessageSummary>(); // 添加用户消息 summaries.Add(new ChatMessageSummary { Content = message, IsUser = true, Timestamp = DateTime.UtcNow }); // 获取工作流 var workflow = _workflowManager.GetOrCreateWorkflow(groupId); // 加载历史消息 var messages = LoadHistoryMessages(sessionId); messages.Add(new AIChatMessage(ChatRole.User, message)); // 运行工作流 awaitusing StreamingRun run = await InProcessExecution.StreamAsync(workflow, messages); await run.TrySendMessageAsync(new TurnToken(emitEvents: true)); string? currentExecutorId = null; ChatMessageSummary? currentSummary = null; // 处理事件流 awaitforeach (WorkflowEvent evt in run.WatchStreamAsync()) { if (evt is AgentRunUpdateEvent agentUpdate) { // 跳过Triage Agent的输出（它只负责路由） var executorIdPrefix = agentUpdate.ExecutorId.Split('_')[0]; if (executorIdPrefix.Equals("triage", StringComparison.OrdinalIgnoreCase)) { continue; } // 检测到新的specialist agent if (agentUpdate.ExecutorId != currentExecutorId) { currentExecutorId = agentUpdate.ExecutorId; var profile = _agentRepository.Get(currentExecutorId); currentSummary = new ChatMessageSummary { AgentId = currentExecutorId, AgentName = profile?.Name ?? currentExecutorId, AgentAvatar = profile?.Avatar ?? "🤖", Content = "", IsUser = false, Timestamp = DateTime.UtcNow }; summaries.Add(currentSummary); } // 累积文本内容 if (currentSummary != null) { var textContent = agentUpdate.Update.Contents .OfType<TextContent>() .FirstOrDefault(); if (textContent != null && !string.IsNullOrWhiteSpace(textContent.Text)) { currentSummary.Content += textContent.Text; } } } } // 保存到数据库 SaveMessages(sessionId, summaries); return summaries.Where(s => !s.IsUser).ToList(); }3. Blazor WebAssembly前端
为什么选择Blazor WASM？
-
完全在浏览器运行,无需服务器端SignalR连接
-
与后端API完全解耦,便于扩展
-
利用.NET生态,C#编写前端逻辑
API客户端封装（
AgentHostClient.cs）：publicclassAgentHostClient { privatereadonly HttpClient _httpClient; publicAgentHostClient(HttpClient httpClient, ILogger<AgentHostClient> logger) { _httpClient = httpClient; _logger = logger; } // 发送消息 publicasync Task<List<ChatMessageSummary>> SendMessageAsync( string sessionId, string message, string? groupId = null) { var request = new { Message = message, SessionId = sessionId, GroupId = groupId }; var response = await _httpClient.PostAsJsonAsync("api/chat", request); returnawait response.Content.ReadFromJsonAsync<List<ChatMessageSummary>>() ?? []; } // 获取智能体列表 publicasyncTask<List<AgentProfile>> GetAgentsAsync() { returnawait _httpClient.GetFromJsonAsync<List<AgentProfile>>("api/agents") ?? []; } }主页面交互（
Home.razor）：@page "/" @inject AgentHostClient AgentHostClient @inject IJSRuntime JSRuntime <MudContainerMaxWidth="MaxWidth.False"> <MudPaperElevation="2"Class="chat-container"> <!-- 消息列表 --> <divid="messages-container"class="messages-area"> @foreach (var msg in _messages) { @if (msg.IsUser) { <divclass="user-message">@msg.Content</div> } else { <divclass="agent-message"> <MudAvatar>@msg.AgentAvatar</MudAvatar> <div> <strong>@msg.AgentName</strong> <div>@((MarkupString)Markdown.ToHtml(msg.Content))</div> </div> </div> } } </div> <!-- 输入框 --> <MudTextField @bind-Value="_inputMessage" Placeholder="输入消息..." OnKeyDown="HandleKeyPress" /> <MudButtonOnClick="SendMessage"Disabled="_isSending">发送</MudButton> </MudPaper> </MudContainer> @code { privatestring _inputMessage = ""; private List<ChatMessageSummary> _messages = new(); privatebool _isSending = false; privateasync Task SendMessage() { if (string.IsNullOrWhiteSpace(_inputMessage)) return; _isSending = true; try { // 调用后端API var response = await AgentHostClient.SendMessageAsync( _currentSession.Id, _inputMessage, _currentSession.GroupId ); // 更新消息列表 _messages.AddRange(response); // 自动滚动到底部 await JSRuntime.InvokeVoidAsync("smoothScrollToBottom", "messages-container"); } finally { _isSending = false; _inputMessage = ""; } } // Enter键发送,Shift+Enter换行 privateasync Task HandleKeyPress(KeyboardEventArgs e) { if (e.Key == "Enter" && !e.ShiftKey) { await SendMessage(); } } }MudBlazor组件库：
项目使用MudBlazor构建现代化UI：
<!-- 卡片容器 --> <MudPaperElevation="2"Class="pa-4"> <MudTextTypo="Typo.h5">标题</MudText> </MudPaper> <!-- 输入框 --> <MudTextField @bind-Value="value"Label="标签"Variant="Variant.Outlined" /> <!-- 按钮 --> <MudButtonVariant="Variant.Filled"Color="Color.Primary">按钮</MudButton> <!-- 头像 --> <MudAvatarColor="Color.Primary">🧠</MudAvatar>总结与展望
通过这个AI美女聊天群组项目，我们学习了：
- 大模型基础
：理解LLM API、Function Calling和MCP协议
- 多智能体架构
：掌握Handoff模式和Triage智能路由
- Agent Framework
：使用
AgentWorkflowBuilder构建Handoff工作流 - Aspire编排
：通过.NET Aspire实现服务发现和统一启动
- Blazor WASM
：前后端分离架构，完全客户端渲染
- 实战技巧
：动态加载、状态管理、LiteDB持久化
参考资源
官方文档
-
Microsoft Agent Framework 文档
-
Agent Framework GitHub
-
Azure AI Foundry
国内平台
-
阿里云百炼
-
DeepSeek API
示例代码
-
agent-groupchat 完整代码
-
更多推荐
0
0- 0
已为社区贡献11条内容
所有评论(0)