microsoft-agent-framework

Microsoft Agent Framework スキル

バージョン: 0.1.0-preview | 最終更新日: 2025-11-15 | フレームワークのバージョン: 0.1.0-preview 言語: Python 3.10+、C# (.NET 8.0+) | ライセンス: MIT

クイックリファレンス

Microsoft Agent Framework は、AutoGen のシンプルさと Semantic Kernel のエンタープライズ機能を統合した、実運用向けの AI エージェントとワークフローを構築するためのオープンソースプラットフォームです。

主な機能: AI エージェント（状態を保持する会話、ツール統合） | ワークフロー（グラフベースのオーケストレーション、並列処理） | エンタープライズ機能（テレメトリ、ミドルウェア、MCP サポート）

インストール:

• Python: pip install agent-framework-core --pre
• C#: dotnet add package Microsoft.Agents.AI --prerelease

リポジトリ: https://github.com/microsoft/agent-framework（星 5.1k）

---

このスキルを使用する場面

次の用途には、Microsoft Agent Framework を使用してください。

1. 実運用向けの AI エージェント（テレメトリ、ミドルウェア、構造化出力などのエンタープライズ機能）
2. マルチエージェントのオーケストレーション（条件分岐ルーティングを備えたグラフベースのワークフロー）
3. ツール／関数の統合（承認ワークフローとエラー処理）
4. クロスプラットフォーム開発（Python と C# の両方の実装が必要な場合）
5. 研究から実運用へのパイプライン（AutoGen と Semantic Kernel の融合を活用）

amplihack との統合: 状態を保持する会話型エージェントと複雑なオーケストレーションには Agent Framework を使用してください。ステートレスなタスク委任とシンプルなオーケストレーションには amplihack のネイティブエージェントシステムを使用してください。詳しいガイダンスについては、@integration/decision-framework.md を参照してください。

---

主な概念

1. AI エージェント

メッセージを処理し、ツールを呼び出し、コンテキストを維持する、状態を保持する会話型のエンティティです。

Python の例:

from agents_framework import Agent, ModelClient

# Create agent with model
agent = Agent(
    name="assistant",
    model=ModelClient(model="gpt-4"),
    instructions="You are a helpful assistant"
)

# Single-turn conversation
response = await agent.run(message="Hello!")
print(response.content)

# Multi-turn with thread
from agents_framework import Thread
thread = Thread()
response = await agent.run(thread=thread, message="What's 2+2?")
response = await agent.run(thread=thread, message="Double that")

C# の例:

using Microsoft.Agents.AI;

var agent = new Agent(
    name: "assistant",
    model: new ModelClient(model: "gpt-4"),
    instructions: "You are a helpful assistant"
);

var response = await agent.RunAsync("Hello!");
Console.WriteLine(response.Content);

2. ツールと関数

呼び出し可能な関数を提供して、エージェントの機能を拡張します。

Python の例:

from agents_framework import function_tool

@function_tool
def get_weather(location: str) -> str:
    """Get weather for a location."""
    return f"Weather in {location}: Sunny, 72°F"

agent = Agent(
    name="assistant",
    model=ModelClient(model="gpt-4"),
    tools=[get_weather]
)

response = await agent.run(message="What's the weather in Seattle?")
# Agent automatically calls get_weather() and responds with result

C# の例:

[FunctionTool]
public static string GetWeather(string location)
{
    return $"Weather in {location}: Sunny, 72°F";
}

var agent = new Agent(
    name: "assistant",
    model: new ModelClient(model: "gpt-4"),
    tools: new[] { typeof(Tools).GetMethod("GetWeather") }
);

3. ワークフロー

条件分岐ルーティングと並列実行に対応した、マルチエージェントシステム向けのグラフベースのオーケストレーションです。

Python の例:

from agents_framework import Workflow, GraphWorkflow

# Define workflow graph
workflow = GraphWorkflow()

# Add agents as nodes
workflow.add_node("researcher", research_agent)
workflow.add_node("writer", writer_agent)
workflow.add_node("reviewer", review_agent)

# Define edges (control flow)
workflow.add_edge("researcher", "writer")  # Sequential
workflow.add_edge("writer", "reviewer")

# Conditional routing
def should_revise(state):
    return state.get("needs_revision", False)

workflow.add_conditional_edge(
    "reviewer",
    should_revise,
    {"revise": "writer", "done": "END"}
)

# Execute workflow
result = await workflow.run(initial_message="Research AI trends")

C# の例:

var workflow = new GraphWorkflow();

workflow.AddNode("researcher", researchAgent);
workflow.AddNode("writer", writerAgent);
workflow.AddNode("reviewer", reviewAgent);

workflow.AddEdge("researcher", "writer");
workflow.AddEdge("writer", "reviewer");

var result = await workflow.RunAsync("Research AI trends");

4. コンテキストと状態管理

会話履歴と共有状態をエージェント間で維持します。

Python:

from agents_framework import Thread, ContextProvider

# Thread maintains conversation history
thread = Thread()
await agent.run(thread=thread, message="Remember: My name is Alice")
await agent.run(thread=thread, message="What's my name?")  # "Alice"

# Custom context provider
class DatabaseContext(ContextProvider):
    async def get_context(self, thread_id: str):
        return await db.fetch_history(thread_id)

    async def save_context(self, thread_id: str, messages):
        await db.save_history(thread_id, messages)

agent = Agent(model=model, context_provider=DatabaseContext())

5. ミドルウェアとテレメトリ

ログ記録、認証、監視などの横断的な関心事を追加します。

Python:

from agents_framework import Middleware
from opentelemetry import trace

# Custom middleware
class LoggingMiddleware(Middleware):
    async def process(self, message, next_handler):
        print(f"Processing: {message.content}")
        response = await next_handler(message)
        print(f"Response: {response.content}")
        return response

# OpenTelemetry integration
tracer = trace.get_tracer(__name__)
with tracer.start_as_current_span("agent-run"):
    response = await agent.run(message="Hello")

C#:

public class LoggingMiddleware : IMiddleware
{
    public async Task<Message> ProcessAsync(Message message, Func<Message, Task<Message>> next)
    {
        Console.WriteLine($"Processing: {message.Content}");
        var response = await next(message);
        Console.WriteLine($"Response: {response.Content}");
        return response;
    }
}

---

よくあるパターン

人間による承認を含むプロセス

from agents_framework import HumanInTheLoop

@function_tool
def delete_file(path: str) -> str:
    """Delete a file (requires approval)."""
    return f"Deleted {path}"

# Add approval wrapper
delete_file_with_approval = HumanInTheLoop(
    tool=delete_file,
    approval_prompt="Approve deletion of {path}?"
)

agent = Agent(tools=[delete_file_with_approval])

エージェントの並列実行

workflow = GraphWorkflow()

# Add multiple agents
workflow.add_node("analyst1", analyst_agent)
workflow.add_node("analyst2", analyst_agent)
workflow.add_node("synthesizer", synthesis_agent)

# Parallel execution
workflow.add_edge("START", ["analyst1", "analyst2"])  # Both run in parallel
workflow.add_edge(["analyst1", "analyst2"], "synthesizer")  # Wait for both

result = await workflow.run(message="Analyze market trends")

構造化出力の生成

from pydantic import BaseModel

class WeatherReport(BaseModel):
    location: str
    temperature: float
    conditions: str

agent = Agent(
    model=model,
    instructions="Generate weather reports",
    response_format=WeatherReport
)

response = await agent.run(message="Weather in Seattle")
report: WeatherReport = response.parsed
print(f"{report.location}: {report.temperature}°F, {report.conditions}")

エラー処理と再試行

from agents_framework import RetryPolicy

agent = Agent(
    model=model,
    retry_policy=RetryPolicy(
        max_retries=3,
        backoff_factor=2.0,
        exceptions=[TimeoutError, ConnectionError]
    )
)

try:
    response = await agent.run(message="Hello")
except Exception as e:
    print(f"Failed after retries: {e}")

---

amplihack との統合

判断フレームワーク

次の場合は Microsoft Agent Framework を使用します:

• 状態を保持する会話型エージェントを構築する（複数ターンの対話）
• エンタープライズ機能（テレメトリ、ミドルウェア、認証）が必要
• 条件分岐ルーティングを伴う複雑なマルチエージェントオーケストレーションが必要
• クロスプラットフォーム要件がある（Python + C#）
• Microsoft エコシステム（Azure、M365）との統合が必要

次の場合は amplihack のネイティブエージェントを使用します:

• ステートレスなタスク委任（コードレビュー、分析）
• シンプルな逐次／並列オーケストレーション
• ファイルベースの操作とローカルツール
• インフラストラクチャなしでの迅速なプロトタイピング
• トークン効率の高いスキルベースのアーキテクチャ

ハイブリッドアプローチ:

# Use amplihack for orchestration
from claude import Agent as ClaudeAgent

orchestrator = ClaudeAgent("orchestrator.md")

# Delegate to Agent Framework for stateful agents
from agents_framework import Agent, Thread

conversational_agent = Agent(
    model=ModelClient(model="gpt-4"),
    instructions="Maintain conversation context"
)

thread = Thread()
response1 = await conversational_agent.run(thread=thread, message="Start task")
response2 = await conversational_agent.run(thread=thread, message="Continue")

# Use amplihack for final synthesis
result = orchestrator.process({"responses": [response1, response2]})

すべてのパターンについては、@integration/amplihack-integration.md を参照してください。

---

クイックスタートのワークフロー

1. インストール: pip install agent-framework-core --pre（Python）または dotnet add package Microsoft.Agents.AI --prerelease（C#）

2. 基本的なエージェントを作成:

   from agents_framework import Agent, ModelClient
   
   agent = Agent(
       name="assistant",
       model=ModelClient(model="gpt-4"),
       instructions="You are a helpful assistant"
   )
   
   response = await agent.run(message="Hello!")
   

3. ツールを追加:

   @function_tool
   def calculate(expr: str) -> float:
       return eval(expr)
   
   agent = Agent(model=model, tools=[calculate])
   

4. ワークフローを構築:

   workflow = GraphWorkflow()
   workflow.add_node("agent1", agent1)
   workflow.add_node("agent2", agent2)
   workflow.add_edge("agent1", "agent2")
   result = await workflow.run(message="Task")
   

5. テレメトリを追加:

   from opentelemetry import trace
   tracer = trace.get_tracer(__name__)
   with tracer.start_as_current_span("agent-run"):
       response = await agent.run(message="Hello")
   

---

リファレンスドキュメント

詳細については、以下を参照してください。

• @reference/01-overview.md - アーキテクチャ、コンポーネント、ユースケース
• @reference/02-agents.md - エージェントの作成、ライフサイクル、高度な機能
• @reference/03-workflows.md - ワークフローパターン、実行機能、チェックポイント
• @reference/04-tools-functions.md - ツールの定義、承認ワークフロー、エラー処理
• @reference/05-context-middleware.md - コンテキストプロバイダー、ミドルウェアパターン、認証
• @reference/06-telemetry-monitoring.md - OpenTelemetry、ロギング、デバッグ
• @reference/07-advanced-patterns.md - マルチエージェントパターン、ストリーミング、DevUI

動作するサンプル

• @examples/01-basic-agent.py - シンプルな会話型エージェント
• @examples/02-tool-integration.py - 関数呼び出しを行うエージェント
• @examples/03-simple-workflow.py - マルチエージェントワークフロー
• @examples/04-basic-agent.cs - C# エージェントの実装
• @examples/05-tool-integration.cs - C# ツールの統合
• @examples/06-simple-workflow.cs - C# ワークフローのサンプル

メンテナンス

フレームワークの最新状態を確認します：python @scripts/check-freshness.py

現在のバージョン管理：@metadata/version-tracking.json

---

トークン数：約 4,200 トークン（上限 4,800 未満）