Начало работы с Microsoft Agent Framework: пошаговое руководство

By Mirko Peters · 2026-08-13

Automatically translated with AI from the original post. Read the English original

Cover: Microsoft Agent Framework - Simply Explained

Добро пожаловать обратно в подкаст-блог! Если вы следите за нашими последними выпусками, то знаете, что мир искусственного интеллекта быстро переходит от простых чат-интерфейсов к сложным автономным системам. Мы уже не просто отправляем модели один запрос; мы организуем команды цифровых работников, которые умеют рассуждать, планировать и выполнять многошаговые задачи. Чтобы перекинуть мост между экспериментальной работой с промптами и промышленным внедрением корпоративного уровня, Microsoft представила инструментарий, который меняет правила игры. В этом посте мы подробно разберём, как начать работать с этой технологией: от первоначальной настройки до запуска первого автономного рабочего процесса.

Прежде чем перейти к техническому руководству, если вы хотите разобраться в базовых концепциях, обязательно послушайте наш профильный выпуск подкаста, Microsoft Agent Framework - Simply Explained. В нём объясняется, как эти инструменты встраиваются в более широкую экосистему Microsoft, так что у вас будет стратегический контекст, прежде чем вы напишете первые строки кода.

Введение в Microsoft Agent Framework

Microsoft Agent Framework — это открытая мультиязычная архитектура, созданная специально для разработки промышленных ИИ-агентов и совместных многоагентных рабочих процессов. В отличие от традиционных чат-приложений, которые опираются исключительно на линейную схему «вопрос — ответ», этот фреймворк позволяет разработчикам создавать долгоживущие компоненты времени выполнения. Такие компоненты используют большие языковые модели (LLM), чтобы интерпретировать ввод пользователя, вызывать внешние инструменты, сохранять постоянное состояние сессий и формировать точные ответы.

По сути, фреймворк решает серьёзную архитектурную задачу: как заставить несколько ИИ-сущностей бесшовно работать вместе. Благодаря модульной координации, детерминированным рабочим процессам и поддержке Model Context Protocol (MCP) разработчики могут создавать системы, в которых специализированные агенты, например исследователь, аналитик и руководитель проекта, автономно взаимодействуют друг с другом. Создаёте ли вы боты поддержки клиентов, автоматизированные помощники разработчиков или сложные движки бизнес-процессов, структурированный фреймворк с сохранением состояния необходим, чтобы ваши приложения оставались надёжными, безопасными и масштабируемыми.

Шаг 1: настройка репозитория

Любой успешный проект в коде начинается с чистого рабочего пространства и правильной конфигурации окружения. Чтобы запустить первый проект с Microsoft Agent Framework, первым делом настройте локальный репозиторий для разработки.

Сначала клонируйте официальный лабораторный репозиторий, который приведён в руководствах по началу работы. Откройте терминал или командную строку и загрузите исходный код. После клонирования репозитория главная задача — проверить среду разработки. Фреймворк в первую очередь поддерживает Python и .NET, поэтому убедитесь, что у вас установлена совместимая версия выбранной среды выполнения: для разработчиков на Python обычно это Python 3.10 или выше, а для корпоративных разработчиков — последняя версия .NET SDK.

Найдите в репозитории файл требований или файл конфигурации проекта. Создайте виртуальное окружение, чтобы изолировать зависимости, и установите необходимые пакеты. Если вы потратите время на правильную настройку локального рабочего пространства сейчас, это поможет избежать неприятных конфликтов зависимостей в будущем, когда вы начнёте подключать продвинутые клиенты моделей и компоненты промежуточного слоя.

Шаг 2: настройка Azure AI Foundry

Когда локальный репозиторий готов к работе, нужно подключить локальное окружение к облачной инфраструктуре, которая будет питать движки рассуждений ваших агентов. Именно здесь в игру вступает Azure AI Foundry.

Войдите на портал Azure и перейдите в Azure AI Foundry. Здесь нужно создать новый ресурс и выделенное проектное пространство для рабочего процесса агента. Организация работы в отдельном проекте помогает эффективно управлять разрешениями, отслеживать использование токенов и контролировать пути выполнения агента.

После создания проекта необходимо развернуть требуемые модели и базовые сервисы. В зависимости от сценария использования вам понадобятся мощные LLM, например продвинутые модели GPT, которые способны справляться со сложными задачами рассуждения, управлением состоянием и вызовом инструментов. Кроме того, в этой среде нужно настроить Azure Search Service. Этот поисковый сервис служит основой для получения данных агентом: он безопасно обрабатывает корпоративные данные и передаёт релевантный контекст обратно в сессию агента.

Шаг 3: подключение Bing Search для обоснования ответов

Качество работы ИИ-агента определяется тем, какая информация ему доступна. Внутренние корпоративные данные важны, но многим процессам нужны актуальные знания из открытого интернета. Чтобы их получить, агентам нужны надёжные механизмы обоснования ответов.

На этом этапе настройки проекта вы подключаете Bing Search к проекту Azure AI Foundry. Интегрировав Bing Search API как ресурс инструмента, вы даёте агентам возможность динамически обращаться к вебу, когда запрос пользователя требует актуальной информации.

Для настройки подключения учётные данные поиска добавляются в переменные окружения или файлы конфигурации, чтобы клиентские модели могли без сбоев вызывать поисковый инструмент во время выполнения. Если агент получает запрос, на который он не может ответить, используя свои внутренние веса или локальный корпоративный индекс, он формирует поисковый запрос, получает актуальные результаты, синтезирует информацию и выдаёт точный, обоснованный ответ пользователю. Эта возможность превращает обычного чат-бота в динамичного ассистента, способного к исследованиям.

Тестирование первого сценария работы агента

Репозиторий настроен, Azure AI Foundry развёрнут, а подключение обоснования через Bing Search выполнено, поэтому вы наконец готовы создать и протестировать первый сценарий работы агента.

Начните с простого скрипта, который инициализирует сессию агента, задаёт базовый шаблон промпта и регистрирует поисковый инструмент. Для визуализации сценария в реальном времени можно использовать встроенный визуальный отладчик DevUI, который поставляется с фреймворком. Этот графический интерфейс очень полезен на этапе тестирования: он позволяет наблюдать, как агент интерпретирует входные данные, какие инструменты решает вызвать и как управляет состоянием на протяжении нескольких шагов выполнения.

Выполните тестовый запрос, который требует как внутренних рассуждений, так и обращения к внешним веб-источникам. Проверьте журналы консоли или DevUI, чтобы убедиться, что агент корректно проходит этапы сценария, выполняет вызов Bing Search и аккуратно оформляет итоговый результат. Если возникают ошибки, подробные функции контрольных точек и отслеживания состояния во фреймворке помогут точно определить, где выполнение пошло не так.

Дальнейшие шаги и полезные ресурсы

Поздравляем! Настроив репозиторий, Azure AI Foundry и подключив обоснование ответов через Bing Search, вы сделали первые важные шаги в разработке корпоративных ИИ-решений с Microsoft Agent Framework. Но это только начало.

Продолжая работу, поэкспериментируйте с паттернами оркестрации нескольких агентов. Попробуйте добавить во сценарий второго агента, например агента-рецензента, который проверяет ответ основного агента-исследователя перед тем, как передать итоговый ответ пользователю. Изучите официальную документацию Microsoft, чтобы разобраться в протоколах взаимодействия агентов (Agent-to-Agent, A2A) и Model Context Protocol (MCP) и расширить возможности своих агентов ещё дальше.

Чтобы глубже понять тему и убедиться, что вы создаёте безопасные, соответствующие требованиям и высокоэффективные системы, послушайте наш полный аудиоразбор темы в эпизоде подкаста Microsoft Agent Framework - Simply Explained. Удачной разработки, и до встречи в следующем выпуске!