AutoGen 現在怎麼樣了?微軟官方演進路線與 Microsoft Agent Framework 入門

搜 AutoGen 新教學常被 0.2、0.4、社區分支和 Semantic Kernel 繞暈。按微軟官方文檔,微軟已將 AutoGen 與 Semantic Kernel 兩支團隊合併推出統一的開源框架 Microsoft Agent Framework。本文講清現狀與 Python 快速上手。

NNathaniel bigo··原創首發·AI 輔助撰寫
9 分鐘讀完
資料核對於 2026-11-18 · 依據官方文檔與公開資料整理 免費帳號 帳號

結論先說

  1. 微軟官方已經結束「AutoGen 與 Semantic Kernel 雙線並立」的局面:兩支官方團隊正式合流,推出了統一的下一代開源框架 Microsoft Agent Framework(倉庫地址 microsoft/agent-framework)。
  2. 老項目不用慌,新項目別選錯:微軟官方倉庫原有的 AutoGen 與 Semantic Kernel 進入維護期(修復關鍵缺陷與安全問題),新啟動的多智能體生產項目,微軟官方明確推薦直接基於 Microsoft Agent Framework 開發。
  3. 注意甄別 PyPI 上的相似包名:歷史上部分原維護者曾拉出社區獨立分支(如 ag2),它與微軟官方主線(microsoft/agent-framework)已是兩套獨立演進的代碼庫,看教學時務必先看清導入包名。
  4. 新框架吸收了兩邊最核心的長處:既保留了 AutoGen 靈活的多代理群聊、交接(Handoffs)探索能力,又內置了 Semantic Kernel 成熟的企業級會話狀態、中間件管線、MCP 工具接入與確定性圖工作流。

AutoGen 與微軟新框架演進對照

圖:本站根據 Microsoft Learn 官方 Agent Framework 文檔 整理的示意圖

本文根據微軟官方 Microsoft Learn《Microsoft Agent Framework》文檔與 microsoft/agent-framework、microsoft/autogen 官方倉庫說明整理,核對日期 2026-11-18。配圖為本站整理的示意圖,不是介面截圖。本站(bigolab.com)不是微軟官方網站。

適用於誰

  • 搜「autogen 現在怎麼樣」「autogen 0.4 還是 microsoft agent framework」的人;
  • 以前學過早期的 pyautogen,回頭再看發現包名全變了、不知道新項目該裝哪個包的 Python 或 .NET 開發者;
  • 團隊技術棧偏 Azure 或微軟企業生態,想要一套同時帶類型安全、OpenTelemetry 追蹤與多代理協作的官方 SDK 的架構師。

一、兩分鐘理清 AutoGen 的三次關鍵變化

為什麼你在網上搜到的 AutoGen 代碼十篇有八篇互相跑不通?因為它經歷了三次架構大跨步:

  1. 早期 0.2 時代:經典的 AssistantAgent 加 UserProxyAgent 對話循環,寫原型很快,但同步阻塞、狀態黑盒,很難直接放進高並發生產微服務;
  2. 0.4 異步事件驅動重寫:微軟團隊把底層徹底重寫成異步消息傳遞(autogen-agentchat 與 autogen-core),解決了並發與解耦問題,但同時微軟內部另一套企業框架 Semantic Kernel 也在做智能體編排,令開發者難以抉擇;
  3. 合流為 Microsoft Agent Framework:微軟將兩套底座徹底打通,提供 Python 和 .NET(C#)雙語言對等支持,把「自由多代理協同」和「確定性企業工作流」裝進了同一個 SDK。

如果你並非重度綁定微軟雲或 .NET 技術棧,只是想找純 Python 輕量方案,也可以橫向對比 /guides/openai-agents-sdk-handoffs-vs-agents-as-tools 與 /guides/langgraph-quickstart-install-first-graph。

微軟 Agent Framework 快速上手

圖:本站根據 Microsoft Learn 官方文檔 整理的示意圖

二、Python 安裝與第一個智能體示例

在 Python 3.10+ 虛擬環境中,可以直接安裝官方聚合包(或按需只裝核心包 agent-framework-core 加對應模型客戶端包):

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

新框架並不強制你必須開通 Azure 雲帳號——它同樣原生支持直連 OpenAI 官方 API、Anthropic 或本地兼容接口。下面是一個接入 OpenAI 官方模型並掛載本地 Python 工具函數的最小異步示例(先在環境變量設好 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 函數加上類型註解,即可直接作為智能體工具傳入
def get_release_window(service_name: Annotated[str, "微服務名稱"]) -> str:
    """查詢指定內部微服務的允許發版時間窗。"""
    windows = {
        "payment-api": "每週二、週四凌晨 02:00-04:00",
        "search-web": "工作日 14:00-16:00 灰度滾動",
    }
    return windows.get(service_name, "未登記該服務,請聯絡值班 SRE")

async def main():
    # 2. 初始化模型客戶端(也可替換為 Azure Foundry 客戶端)
    client = OpenAIChatClient(model_id="gpt-4o-mini")

    # 3. 創建智能體實例,綁定指令與工具列表
    sre_agent = Agent(
        client=client,
        name="ReleaseHelper",
        instructions="你是研發發版助手,先調工具核實時間窗再簡潔作答,不要憑空猜測。",
        tools=[get_release_window],
    )

    # 4. 運行單輪請求(多輪對話可創建顯式 thread 會話對象傳入)
    response = await sre_agent.run("明天下午三點能直接發 payment-api 嗎?")
    print(response)

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

三、在 Microsoft Agent Framework 裏怎麼做多 Agent 編排

這套框架把我們在 /guides/multi-agent-orchestration-patterns 中總結的幾種拓撲分成了清晰的模組:

  • 需要確定性步驟與斷點恢復時,用 Workflows(圖工作流):通過類型安全的節點(Executors)與邊把固定審批流連起來,支持檢查點落盤與人工確認恢復,解決了老版 AutoGen 群聊「容易聊跑偏、順序不可控」的老毛病;
  • 需要開放式分工協作時,用多代理編排器:內置了順序接力(Sequential)、並發扇出彙總(Concurrent)、對等交接(Handoff)以及帶發言主持人的群聊(Group Chat / Magentic)原語;
  • 原生接軌開放協議:內置對 MCP 工具伺服器和跨系統 A2A(Agent2Agent)協議的對接支持,方便把 Python 寫的算法智能體和公司原有 C# 業務系統裏的智能體串在一起(上線前仍建議先按 /guides/multi-agent-what-is-when-to-use 評估是否真有必要拆多代理)。

平時在個人開發機上驗證多智能體提示詞與對照官方 GPT 模型推理效果時,個人訂閱環境說明可參考 /chongzhi/chatgpt-plus。

常見問題

Q:公司存量的 AutoGen 0.4 代碼必須立刻全部推倒重寫嗎?

不需要立刻強行重寫。微軟在官方遷移指南中保留了概念映射表(例如原有的 AssistantAgent 與群聊團隊模式在新框架裏都有直接對應物),建議新開微服務直接用 agent-framework,老服務趁大需求迭代時再分模組平滑遷移。

Q:為什麼微軟要同時保留 Python 和 .NET 兩套實現?

算法與數據團隊習慣用 Python 調模型,而大量大型企業的網關、ERP 與核心權限後端是 .NET 寫的。兩套 SDK 採用一致的抽象模型與開放協議,算法團隊在 Python 裏調通的智能體結構可以按同構設計在 .NET 生產環境落地,或通過跨進程協議直接互調。

相關教學

參考資料

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

Nathaniel 的更多內容

  1. 01

    LangGraph 流式輸出(Streaming)詳解:逐字 Token 流、節點進度與自定義事件寫法

    多步智能體如果等全部節點跑完才返回,網頁前端就會白屏乾等十幾秒。本文按 LangGraph 官方文檔講清 updates、messages、custom 與 values 四種 stream_mode 的區別,以及組合訂閱逐字打字機輸出加工具內部實時進度的完整代碼。

    其他 AI 工具0
  2. 02

    LangGraph 持久化與長期記憶怎麼配:Checkpointer、Store 與 PostgreSQL 實戰

    在生產環境跑 LangGraph,單靠 InMemorySaver 一重啟就會丟失全部對話。本文按官方文檔講清線程內短期檢查點(Checkpointer)與跨線程長期記憶(Store)的分工,以及用 langgraph-checkpoint-postgres 對接 PostgreSQL 的完整步驟。

    其他 AI 工具0
  3. 03

    LangGraph 多智能體怎麼寫:Supervisor 主管包與 Subgraph 隔離子圖實戰

    在 LangGraph 裏把單個圖擴展成多智能體協作有兩條官方路線:快速原型用預置包 langgraph-supervisor,大型生產系統用原生子圖(Subgraph)嵌套。本文講清兩種寫法的完整代碼、私有狀態隔離防 Token 膨脹技巧以及檢查點傳播規則。

    其他 AI 工具0
  4. 04

    LangGraph 人工介入審批怎麼寫:interrupt 暫停圖運行與 Command 恢復實戰

    企業之所以選 LangGraph,很大程度看中它能安全掛起等待人工審批(Human-in-the-Loop)。本文按官方最新規範講清 interrupt() 動態暫停、Checkpointer 必備條件、Command(resume=...) 恢復執行,以及防止副作用重複運行的重入規則。

    其他 AI 工具0
  5. 05

    多 Agent 協作平台怎麼選:Dify、釦子(Coze)、n8n 與 LangGraph 多智能體機制對比

    搜「多agent協作平台」時,Dify、釦子、n8n 和 LangGraph 都宣稱支持多智能體,但底層的調度方式完全不同。本文跳過基礎安裝,專門從多 Agent 角色跳轉、子代理工具調用、上下文隔離與私有化部署四個維度幫你一次選準。

    其他 AI 工具0
  6. 06

    企業微信有官方 MCP 和 CLI 嗎:@wecom/cli 安裝初始化、長連接機器人與接入教學

    搜「企業 微信 有 mcp 嗎」不用再東拼西湊民間群機器人腳本了:企業微信官方已推出 @wecom/cli 命令行工具並內置 stdio 模式的 MCP Server。本文按官方開發者文檔講清安裝、智能機器人長連接初始化、業務命令與接入 Claude Code 步驟。

    Claude其他 AI 工具0

同產品的其他教學

  1. 01

    MCP 收費嗎:開源協議免費邊界、第三方 API 帳單與隱形 Token 開銷說明

    搜「mcp 收費 嗎」的人常擔心裝多了插件會被扣費。MCP(模型上下文協議)本身和官方 SDK 採用 MIT 協議完全免費;實際使用中可能產生費用的只有兩處:掛載過多工具佔用的大模型上下文 Token,以及部分外部商業數據源自帶的 API 套餐。

    Claude其他 AI 工具0
  2. 02

    MCP 協議最新版本更新了什麼:無狀態架構、OAuth 2.1、結構化輸出與異步 Tasks 詳解

    搜「mcp 重大 更新」「mcp 協議 更新」想補齊規範演進脈絡?本文對照 modelcontextprotocol.io 官方規範更新日誌,梳理從 Streamable HTTP 到無狀態優先架構、OAuth 2.1 資源伺服器、Elicitation 交互補參與異步 Tasks 擴展的核心變化。

    Claude其他 AI 工具0
  3. 03

    A2A 和 MCP 有什麼區別:工具連接協議與智能體通信協議的邊界和配合

    很多人問「有了 MCP 為什麼還要出 A2A,兩者是不是二選一的競爭關係」。兩份官方規範都明確寫明它們是上下互補關係:MCP 負責給單個智能體掛載工具與數據源,A2A 負責讓多個獨立黑盒智能體跨團隊、跨框架互相派單協作。

    Claude其他 AI 工具0
  4. 04

    A2A 協議是什麼、怎麼用:Agent2Agent 智能體互聯規範、名片發現與 Python 接入流程

    A2A(Agent2Agent)是由 Google 發起並移交 Linux 基金會託管的開放智能體通信協議,用來讓不同團隊、不同框架開發的獨立智能體跨網絡互相派單協作。本文按官方規範講清 Agent Card、Task 狀態機與 Python SDK 接入步驟。

    Gemini其他 AI 工具0
  5. 05

    CrewAI 多輪對話與記憶怎麼配:memory=True 三層記憶、人工介入與 Flows 狀態持久化

    剛用上 CrewAI 的人常疑惑 kickoff 跑完就結束,怎麼做多輪連續對話與跨次記憶。本文按官方文檔拆解 memory=True 的短期/長期/實體三層記憶、嵌入模型配置,以及用 Flows 狀態流和 @persist 搭建多輪會話的實戰寫法。

    其他 AI 工具0
  6. 06

    CrewAI 入門教學:Agent 角色、Task 任務、執行流程(Process)與第一個團隊示例

    CrewAI 是主打「擬人化角色分工」的 Python 多智能體開源框架。本文按官方文檔講清安裝要求、Agent(角色/目標/背景)、Task(任務描述與預期輸出)和 Process(順序接力與經理層級模式)的配合邏輯,並給出最小可運行代碼。

    其他 AI 工具0

0 條評論

登入 後參與評論

還沒有評論,來搶沙發~