AutoGen 现在怎么样了?微软官方演进路线与 Microsoft Agent Framework 入门

搜 AutoGen 新教程常被 0.2、0.4、社区分支和 Semantic Kernel 绕晕。按微软官方文档,微软已将 AutoGen 与 Semantic Kernel 两支团队合并推出统一的开源框架 Microsoft Agent Framework。本文讲清现状与 Python 快速上手。

NNathaniel bigo··原创首发·AI 辅助撰写
9 分钟读完
资料核对于 2026-11-18 · 依据官方文档与公开资料整理 免费账号 账号

结论先说

  1. 微软官方已经结束「AutoGen 与 Semantic Kernel 双线并立」的局面:两支官方团队正式合流,推出了统一的下一代开源框架 Microsoft Agent Framework(仓库地址 microsoft/agent-framework)。
  2. 老项目不用慌,新项目别选错:微软官方仓库原有的 AutoGen 与 Semantic Kernel 进入维护期(修复关键缺陷与安全问题),新启动的多智能体生产项目,微软官方明确推荐直接基于 Microsoft Agent Framework 开发。
  3. 注意甄别 PyPI 上的相似包名:历史上部分原维护者曾拉出社区独立分支(如 ag2),它与微软官方主线(microsoft/agent-framework)已是两套独立演进的代码库,看教程时务必先看清导入包名。
  4. 新框架吸收了两边最核心的长处:既保留了 AutoGen 灵活的多代理群聊、交接(Handoffs)探索能力,又内置了 Semantic Kernel 成熟的企业级会话状态、中间件管线、MCP 工具接入与确定性图工作流。

AutoGen 与微软新框架演进对照

图:本站根据 Microsoft Learn 官方 Agent Framework 文档 整理的示意图

本文根据微软官方 Microsoft Learn《Microsoft Agent Framework》文档与 microsoft/agent-framework、microsoft/autogen 官方仓库说明整理,核对日期 2026-11-18。配图为本站整理的示意图,不是界面截图。本站(bigolab.com)不是微软官方网站。

适用于谁

  • 搜「autogen 现在怎么样」「autogen 0.4 还是 microsoft agent framework」的人;
  • 以前学过早期的 pyautogen,回头再看发现包名全变了、不知道新项目该装哪个包的 Python 或 .NET 开发者;
  • 团队技术栈偏 Azure 或微软企业生态,想要一套同时带类型安全、OpenTelemetry 追踪与多代理协作的官方 SDK 的架构师。

一、两分钟理清 AutoGen 的三次关键变化

为什么你在网上搜到的 AutoGen 代码十篇有八篇互相跑不通?因为它经历了三次架构大跨步:

  1. 早期 0.2 时代:经典的 AssistantAgent 加 UserProxyAgent 对话循环,写原型很快,但同步阻塞、状态黑盒,很难直接放进高并发生产微服务;
  2. 0.4 异步事件驱动重写:微软团队把底层彻底重写成异步消息传递(autogen-agentchat 与 autogen-core),解决了并发与解耦问题,但同时微软内部另一套企业框架 Semantic Kernel 也在做智能体编排,令开发者难以抉择;
  3. 合流为 Microsoft Agent Framework:微软将两套底座彻底打通,提供 Python 和 .NET(C#)双语言对等支持,把「自由多代理协同」和「确定性企业工作流」装进了同一个 SDK。

如果你并非重度绑定微软云或 .NET 技术栈,只是想找纯 Python 轻量方案,也可以横向对比 /guides/openai-agents-sdk-handoffs-vs-agents-as-tools 与 /guides/langgraph-quickstart-install-first-graph。

微软 Agent Framework 快速上手

图:本站根据 Microsoft Learn 官方文档 整理的示意图

二、Python 安装与第一个智能体示例

在 Python 3.10+ 虚拟环境中,可以直接安装官方聚合包(或按需只装核心包 agent-framework-core 加对应模型客户端包):

bash
mkdir maf-demo && cd maf-demo
python -m venv .venv
source .venv/bin/activate   # Windows PowerShell: .venv\Scripts\Activate.ps1

pip install -U agent-framework

新框架并不强制你必须开通 Azure 云账号——它同样原生支持直连 OpenAI 官方 API、Anthropic 或本地兼容接口。下面是一个接入 OpenAI 官方模型并挂载本地 Python 工具函数的最小异步示例(先在环境变量设好 OPENAI_API_KEY):

python
import asyncio
from typing import Annotated
from agent_framework import Agent
from agent_framework.openai import OpenAIChatClient

# 1. 普通 Python 函数加上类型注解,即可直接作为智能体工具传入
def get_release_window(service_name: Annotated[str, "微服务名称"]) -> str:
    """查询指定内部微服务的允许发版时间窗。"""
    windows = {
        "payment-api": "每周二、周四凌晨 02:00-04:00",
        "search-web": "工作日 14:00-16:00 灰度滚动",
    }
    return windows.get(service_name, "未登记该服务,请联系值班 SRE")

async def main():
    # 2. 初始化模型客户端(也可替换为 Azure Foundry 客户端)
    client = OpenAIChatClient(model_id="gpt-4o-mini")

    # 3. 创建智能体实例,绑定指令与工具列表
    sre_agent = Agent(
        client=client,
        name="ReleaseHelper",
        instructions="你是研发发版助手,先调工具核实时间窗再简洁作答,不要凭空猜测。",
        tools=[get_release_window],
    )

    # 4. 运行单轮请求(多轮对话可创建显式 thread 会话对象传入)
    response = await sre_agent.run("明天下午三点能直接发 payment-api 吗?")
    print(response)

if __name__ == "__main__":
    asyncio.run(main())

三、在 Microsoft Agent Framework 里怎么做多 Agent 编排

这套框架把我们在 /guides/multi-agent-orchestration-patterns 中总结的几种拓扑分成了清晰的模块:

  • 需要确定性步骤与断点恢复时,用 Workflows(图工作流):通过类型安全的节点(Executors)与边把固定审批流连起来,支持检查点落盘与人工确认恢复,解决了老版 AutoGen 群聊「容易聊跑偏、顺序不可控」的老毛病;
  • 需要开放式分工协作时,用多代理编排器:内置了顺序接力(Sequential)、并发扇出汇总(Concurrent)、对等交接(Handoff)以及带发言主持人的群聊(Group Chat / Magentic)原语;
  • 原生接轨开放协议:内置对 MCP 工具服务器和跨系统 A2A(Agent2Agent)协议的对接支持,方便把 Python 写的算法智能体和公司原有 C# 业务系统里的智能体串在一起(上线前仍建议先按 /guides/multi-agent-what-is-when-to-use 评估是否真有必要拆多代理)。

平时在个人开发机上验证多智能体提示词与对照官方 GPT 模型推理效果时,个人订阅环境说明可参考 /chongzhi/chatgpt-plus。

常见问题

Q:公司存量的 AutoGen 0.4 代码必须立刻全部推倒重写吗?

不需要立刻强行重写。微软在官方迁移指南中保留了概念映射表(例如原有的 AssistantAgent 与群聊团队模式在新框架里都有直接对应物),建议新开微服务直接用 agent-framework,老服务趁大需求迭代时再分模块平滑迁移。

Q:为什么微软要同时保留 Python 和 .NET 两套实现?

算法与数据团队习惯用 Python 调模型,而大量大型企业的网关、ERP 与核心权限后端是 .NET 写的。两套 SDK 采用一致的抽象模型与开放协议,算法团队在 Python 里调通的智能体结构可以按同构设计在 .NET 生产环境落地,或通过跨进程协议直接互调。

相关教程

参考资料

  • Microsoft Learn:Microsoft Agent Framework 官方文档 — https://learn.microsoft.com/en-us/agent-framework/
  • microsoft/agent-framework 官方 GitHub 仓库 — https://github.com/microsoft/agent-framework
  • microsoft/autogen 官方 GitHub 仓库 — https://github.com/microsoft/autogen

Nathaniel 的更多内容

  1. 01

    LangGraph 流式输出(Streaming)详解:逐字 Token 流、节点进度与自定义事件写法

    多步智能体如果等全部节点跑完才返回,网页前端就会白屏干等十几秒。本文按 LangGraph 官方文档讲清 updates、messages、custom 与 values 四种 stream_mode 的区别,以及组合订阅逐字打字机输出加工具内部实时进度的完整代码。

    其他 AI 工具0
  2. 02

    LangGraph 持久化与长期记忆怎么配:Checkpointer、Store 与 PostgreSQL 实战

    在生产环境跑 LangGraph,单靠 InMemorySaver 一重启就会丢失全部对话。本文按官方文档讲清线程内短期检查点(Checkpointer)与跨线程长期记忆(Store)的分工,以及用 langgraph-checkpoint-postgres 对接 PostgreSQL 的完整步骤。

    其他 AI 工具0
  3. 03

    LangGraph 多智能体怎么写:Supervisor 主管包与 Subgraph 隔离子图实战

    在 LangGraph 里把单个图扩展成多智能体协作有两条官方路线:快速原型用预置包 langgraph-supervisor,大型生产系统用原生子图(Subgraph)嵌套。本文讲清两种写法的完整代码、私有状态隔离防 Token 膨胀技巧以及检查点传播规则。

    其他 AI 工具0
  4. 04

    LangGraph 人工介入审批怎么写:interrupt 暂停图运行与 Command 恢复实战

    企业之所以选 LangGraph,很大程度看中它能安全挂起等待人工审批(Human-in-the-Loop)。本文按官方最新规范讲清 interrupt() 动态暂停、Checkpointer 必备条件、Command(resume=...) 恢复执行,以及防止副作用重复运行的重入规则。

    其他 AI 工具0
  5. 05

    多 Agent 协作平台怎么选:Dify、扣子(Coze)、n8n 与 LangGraph 多智能体机制对比

    搜「多agent协作平台」时,Dify、扣子、n8n 和 LangGraph 都宣称支持多智能体,但底层的调度方式完全不同。本文跳过基础安装,专门从多 Agent 角色跳转、子代理工具调用、上下文隔离与私有化部署四个维度帮你一次选准。

    其他 AI 工具0
  6. 06

    企业微信有官方 MCP 和 CLI 吗:@wecom/cli 安装初始化、长连接机器人与接入教程

    搜「企业 微信 有 mcp 吗」不用再东拼西凑民间群机器人脚本了:企业微信官方已推出 @wecom/cli 命令行工具并内置 stdio 模式的 MCP Server。本文按官方开发者文档讲清安装、智能机器人长连接初始化、业务命令与接入 Claude Code 步骤。

    Claude其他 AI 工具0

同产品的其他教程

  1. 01

    MCP 收费吗:开源协议免费边界、第三方 API 账单与隐形 Token 开销说明

    搜「mcp 收费 吗」的人常担心装多了插件会被扣费。MCP(模型上下文协议)本身和官方 SDK 采用 MIT 协议完全免费;实际使用中可能产生费用的只有两处:挂载过多工具占用的大模型上下文 Token,以及部分外部商业数据源自带的 API 套餐。

    Claude其他 AI 工具0
  2. 02

    MCP 协议最新版本更新了什么:无状态架构、OAuth 2.1、结构化输出与异步 Tasks 详解

    搜「mcp 重大 更新」「mcp 协议 更新」想补齐规范演进脉络?本文对照 modelcontextprotocol.io 官方规范更新日志,梳理从 Streamable HTTP 到无状态优先架构、OAuth 2.1 资源服务器、Elicitation 交互补参与异步 Tasks 扩展的核心变化。

    Claude其他 AI 工具0
  3. 03

    A2A 和 MCP 有什么区别:工具连接协议与智能体通信协议的边界和配合

    很多人问「有了 MCP 为什么还要出 A2A,两者是不是二选一的竞争关系」。两份官方规范都明确写明它们是上下互补关系:MCP 负责给单个智能体挂载工具与数据源,A2A 负责让多个独立黑盒智能体跨团队、跨框架互相派单协作。

    Claude其他 AI 工具0
  4. 04

    A2A 协议是什么、怎么用:Agent2Agent 智能体互联规范、名片发现与 Python 接入流程

    A2A(Agent2Agent)是由 Google 发起并移交 Linux 基金会托管的开放智能体通信协议,用来让不同团队、不同框架开发的独立智能体跨网络互相派单协作。本文按官方规范讲清 Agent Card、Task 状态机与 Python SDK 接入步骤。

    Gemini其他 AI 工具0
  5. 05

    CrewAI 多轮对话与记忆怎么配:memory=True 三层记忆、人工介入与 Flows 状态持久化

    刚用上 CrewAI 的人常疑惑 kickoff 跑完就结束,怎么做多轮连续对话与跨次记忆。本文按官方文档拆解 memory=True 的短期/长期/实体三层记忆、嵌入模型配置,以及用 Flows 状态流和 @persist 搭建多轮会话的实战写法。

    其他 AI 工具0
  6. 06

    CrewAI 入门教程:Agent 角色、Task 任务、执行流程(Process)与第一个团队示例

    CrewAI 是主打「拟人化角色分工」的 Python 多智能体开源框架。本文按官方文档讲清安装要求、Agent(角色/目标/背景)、Task(任务描述与预期输出)和 Process(顺序接力与经理层级模式)的配合逻辑,并给出最小可运行代码。

    其他 AI 工具0

0 条评论

登录 后参与评论

还没有评论,来抢沙发~