Erste Schritte mit dem Microsoft Agent Framework: Eine Schritt-für-Schritt-Anleitung

Von Mirko Peters · 2026-08-13

Willkommen zurück im Podcast-Blog! Wenn Sie unsere jüngsten Episoden verfolgt haben, wissen Sie, dass sich die Welt der künstlichen Intelligenz rasant von einfachen Chat-Oberflächen hin zu anspruchsvollen, autonomen Systemen entwickelt. …

Automatisch mit KI aus dem Originalbeitrag übersetzt. Englisches Original lesen

Willkommen zurück im Podcast-Blog! Wenn Sie unsere jüngsten Episoden verfolgt haben, wissen Sie, dass sich die Welt der künstlichen Intelligenz rasant von einfachen Chat-Oberflächen hin zu anspruchsvollen, autonomen Systemen entwickelt. Wir geben einem Modell nicht mehr nur einen einzelnen Prompt vor, sondern steuern Teams digitaler Mitarbeiter, die schlussfolgern, planen und mehrstufige Aufgaben ausführen können. Um die Lücke zwischen experimentellem Prompt Engineering und dem Einsatz im Unternehmensmaßstab zu schließen, hat Microsoft ein bahnbrechendes Toolset vorgestellt. In diesem Beitrag tauchen wir praktisch in diese Technologie ein – von der ersten Einrichtung bis zum Ausführen Ihres allerersten autonomen Workflows.

Bevor wir mit der technischen Schritt-für-Schritt-Anleitung beginnen, sollten Sie sich für ein grundlegendes Verständnis der zugrunde liegenden Konzepte unbedingt unsere Podcast-Episode Microsoft Agent Framework - Simply Explained anhören. Diese Episode zeigt, wie sich diese Werkzeuge in das größere Microsoft-Ökosystem einfügen, sodass Sie den strategischen Kontext kennen, bevor Sie Ihre ersten Codezeilen schreiben.

Einführung in das Microsoft Agent Framework

Das Microsoft Agent Framework ist eine offene, mehrsprachige Architektur, die speziell für die Entwicklung von KI-Agenten und kollaborativen Multi-Agent-Workflows im Produktionsmaßstab konzipiert ist. Anders als klassische Chat-Anwendungen, die ausschließlich auf einem linearen Frage-und-Antwort-Dialog beruhen, ermöglicht dieses Framework Entwicklern, langlebige Laufzeitkomponenten zu erstellen. Diese Komponenten nutzen Large Language Models (LLMs), um Benutzereingaben zu interpretieren, externe Tools aufzurufen, persistente Sitzungszustände zu verwalten und äußerst präzise Antworten zu generieren.

Im Kern löst das Framework eine zentrale architektonische Herausforderung: Wie lassen sich mehrere KI-Instanzen nahtlos zusammenarbeiten? Durch modulare Koordination, deterministische Workflows und die Unterstützung des Model Context Protocol (MCP) können Entwickler Systeme aufbauen, in denen spezialisierte Agenten – etwa ein Rechercheur, ein Analyst und ein Projektmanager – eigenständig zusammenarbeiten. Ob Sie Kundensupport-Bots, automatisierte Entwicklungsassistenten oder komplexe Geschäftsprozess-Engines entwickeln: Ein strukturiertes, zustandsbehaftetes Framework ist unverzichtbar, damit Ihre Anwendungen zuverlässig, sicher und skalierbar bleiben.

Schritt 1: Einrichtung des Repositorys

Jedes erfolgreiche Coding-Projekt beginnt mit einem sauberen Arbeitsbereich und der richtigen Umgebungskonfiguration. Um Ihr erstes Projekt mit dem Microsoft Agent Framework zu starten, richten Sie zunächst Ihr lokales Entwicklungs-Repository ein.

Zunächst benötigen Sie das offizielle Labor-Repository, das in den Erste-Schritte-Anleitungen bereitgestellt wird. Öffnen Sie Ihr Terminal bzw. Ihre Kommandozeile und laden Sie den Quellcode herunter. Sobald Sie das Repository geklont haben, sollten Sie Ihre Programmierumgebung überprüfen. Das Framework unterstützt vorrangig Python und .NET. Stellen Sie daher sicher, dass Sie eine kompatible Version Ihrer gewählten Laufzeitumgebung verwenden – für Python-Entwickler typischerweise Python 3.10 oder höher, für Enterprise-Entwickler das aktuelle .NET SDK.

Suchen Sie im Repository die Datei mit den Anforderungen bzw. die Projektkonfigurationsdatei. Erstellen Sie eine virtuelle Umgebung, um Ihre Abhängigkeiten zu isolieren, und installieren Sie die erforderlichen Pakete. Wenn Sie Ihren lokalen Arbeitsbereich jetzt sorgfältig konfigurieren, ersparen Sie sich später frustrierende Abhängigkeitskonflikte, sobald Sie fortgeschrittene Modell-Clients und Middleware-Komponenten einbinden.

Schritt 2: Konfiguration von Azure AI Foundry

Sobald Ihr lokales Repository einsatzbereit ist, müssen Sie Ihre lokale Umgebung mit der Cloud-Infrastruktur verbinden, die die Reasoning-Engines Ihrer Agenten antreibt. Hier kommt Azure AI Foundry ins Spiel.

Melden Sie sich im Azure-Portal an und navigieren Sie zu Azure AI Foundry. Hier erstellen Sie eine neue Ressource und einen eigenen Projektbereich für Ihren Agenten-Workflow. Wenn Sie Ihre Arbeit in einem eigenen Projekt organisieren, behalten Sie Berechtigungen, Token-Nutzung und die Ausführungspfade Ihrer Agenten leichter im Blick.

Nachdem Sie Ihr Projekt angelegt haben, müssen Sie die benötigten Modelle und grundlegenden Dienste bereitstellen. Je nach Anwendungsfall sollten Sie leistungsfähige LLMs bereitstellen, etwa fortschrittliche GPT-Modelle, die komplexe Schlussfolgerungen, Zustandsverwaltung und Tool-Aufrufe bewältigen können. Außerdem sollten Sie in dieser Umgebung einen Azure Search Service konfigurieren. Dieser Suchdienst bildet das Rückgrat für die Datenabfrage Ihres Agenten. Er kann Unternehmensdaten sicher verarbeiten und relevanten Kontext in die Agentensitzung zurückführen.

Schritt 3: Bing Search für Grounding anbinden

Ein KI-Agent ist nur so gut wie die Informationen, auf die er zugreifen kann. Interne Unternehmensdaten sind wichtig, doch viele Workflows benötigen aktuelles Wissen aus dem offenen Web. Dafür brauchen Sie zuverlässige Grounding-Mechanismen für Ihre Agenten.

In diesem Schritt der Projekteinrichtung verbinden Sie Bing Search mit Ihrem Azure AI Foundry-Projekt. Indem Sie die Bing Search API als Tool-Ressource einbinden, können Ihre Agenten das Web dynamisch abfragen, sobald die Anfrage eines Benutzers Echtzeitinformationen erfordert.

Für die Konfiguration hinterlegen Sie Ihre Suchzugangsdaten in den Umgebungsvariablen oder Konfigurationsdateien. So können Ihre Modell-Clients das Suchtool während der Ausführung nahtlos aufrufen. Kann ein Agent eine Anfrage weder mit seinem internen Modellwissen noch mit dem lokalen Unternehmensindex beantworten, formuliert er eine Suchanfrage, ruft die Live-Ergebnisse ab, fasst die Informationen zusammen und liefert eine präzise, fundierte Antwort. Damit wird ein klassischer Chatbot zu einem dynamischen Assistenten, der recherchieren kann.

Ihren ersten Agent-Workflow testen

Nachdem Ihr Repository eingerichtet, Azure AI Foundry bereitgestellt und das Bing Search Grounding angebunden ist, können Sie endlich Ihren allerersten Agent-Workflow erstellen und testen.

Beginnen Sie mit einem einfachen Skript, das eine Agentensitzung initialisiert, eine grundlegende Prompt-Vorlage definiert und Ihr Suchtool registriert. Zur Visualisierung des Workflows in Echtzeit können Sie den integrierten visuellen Debugger DevUI des Frameworks nutzen. Diese grafische Oberfläche ist in der Testphase äußerst hilfreich: Sie sehen, wie der Agent die Eingabe interpretiert, welche Tools er aufruft und wie er den Zustand über mehrere Ausführungsschritte hinweg verwaltet.

Führen Sie eine Testabfrage aus, die sowohl internes Schlussfolgern als auch die Abfrage externer Webquellen erfordert. Prüfen Sie die Konsolenprotokolle oder das DevUI, um zu kontrollieren, ob der Agent die Workflow-Schritte erfolgreich durchläuft, den Bing-Search-Aufruf ausführt und die endgültige Ausgabe sauber formatiert. Treten Fehler auf, helfen Ihnen die detaillierten Checkpoint- und Zustandsverfolgungsfunktionen des Frameworks dabei, genau die Stelle zu finden, an der die Ausführung vom Kurs abgekommen ist.

Nächste Schritte und weiterführende Ressourcen

Herzlichen Glückwunsch! Mit der Einrichtung Ihres Repositorys, der Konfiguration von Azure AI Foundry und der Integration des Bing Search Grounding haben Sie die ersten wichtigen Schritte in die unternehmenstaugliche KI-Entwicklung mit dem Microsoft Agent Framework gemacht. Das ist jedoch erst der Anfang.

Experimentieren Sie auf Ihrem weiteren Weg mit Orchestrierungsmustern für mehrere Agenten. Fügen Sie Ihrem Workflow beispielsweise einen zweiten Agenten hinzu, etwa einen Prüf-Agenten, der die Ausgabe Ihres primären Rechercheagenten kontrolliert, bevor die endgültige Antwort an den Benutzer geht. Studieren Sie die offizielle Microsoft-Dokumentation zu Agent-to-Agent-(A2A-)Kommunikationsprotokollen und zum Model Context Protocol (MCP), um die Fähigkeiten Ihrer Agenten weiter auszubauen.

Um Ihr Verständnis zu vertiefen und sicherzustellen, dass Sie sichere, konforme und äußerst produktive Systeme entwickeln, hören Sie sich unbedingt unsere vollständige Audio-Zusammenfassung des Themas an. Die Podcast-Folge finden Sie unter Microsoft Agent Framework - Simply Explained. Viel Spaß beim Programmieren, und bis zur nächsten Folge!