Агенты в рабочих процессах

Что вы будете создавать

Вы создадите рабочий процесс, который:

• Использует службу агента Azure Foundry для создания интеллектуальных агентов
• Реализует агент перевода на французский язык, который переводит входные данные на французский
• Реализует агент перевода на испанский язык, который переводит французский на испанский
• Реализует агент перевода английского языка, который переводит испанский обратно на английский
• Подключает агенты в последовательном конвейере рабочего процесса
• Потоковая передача обновлений в режиме реального времени во время обработки запросов агентами
• Демонстрирует правильную очистку ресурсов для агентов Azure Foundry

Основные понятия, описанные в статье

• Агенты в рабочих процессах
• Прямые края
• Построитель рабочих процессов

Предпосылки

• Пакет SDK для .NET 8.0 или более поздней версии
• Настроенная конечная точка и модель проекта Azure Foundry
• Установленный и прошедший проверку подлинности Azure CLI (для проверки подлинности учетных данных Azure)
• Новое консольное приложение

Шаг 1. Установка пакетов NuGet

Сначала установите необходимые пакеты для проекта .NET:

dotnet add package Azure.AI.Projects --prerelease
dotnet add package Azure.Identity
dotnet add package Microsoft.Agents.AI.Foundry --prerelease
dotnet add package Microsoft.Agents.AI.Workflows --prerelease

Шаг 2. Настройка клиента Azure Foundry

Настройте клиент Azure Foundry с переменными среды и проверкой подлинности:

using Azure.AI.Projects;
using Azure.AI.Projects.Agents;
using Azure.Identity;
using Microsoft.Agents.AI;
using Microsoft.Agents.AI.Foundry;
using Microsoft.Agents.AI.Workflows;
using Microsoft.Extensions.AI;

public static class Program
{
    private static async Task Main()
    {
        // Set up the Azure AI Project client
        var endpoint = Environment.GetEnvironmentVariable("AZURE_AI_PROJECT_ENDPOINT")
            ?? throw new InvalidOperationException("AZURE_AI_PROJECT_ENDPOINT is not set.");
        var deploymentName = Environment.GetEnvironmentVariable("AZURE_AI_MODEL_DEPLOYMENT_NAME") ?? "gpt-4o-mini";
        var aiProjectClient = new AIProjectClient(new Uri(endpoint), new AzureCliCredential());

Шаг 3. Создание метода фабрики агентов

Реализуйте вспомогательный метод для создания агентов Azure Foundry с определенными инструкциями:

    /// <summary>
    /// Creates a translation agent for the specified target language.
    /// </summary>
    /// <param name="targetLanguage">The target language for translation</param>
    /// <param name="aiProjectClient">The AIProjectClient to create the agent</param>
    /// <param name="model">The model to use for the agent</param>
    /// <returns>A ChatClientAgent configured for the specified language</returns>
    private static async Task<ChatClientAgent> GetTranslationAgentAsync(
        string targetLanguage,
        AIProjectClient aiProjectClient,
        string model)
    {
        string agentName = $"{targetLanguage} Translator";
        var version = await aiProjectClient.AgentAdministrationClient.CreateAgentVersionAsync(
            agentName,
            new ProjectsAgentVersionCreationOptions(
                new DeclarativeAgentDefinition(model)
                {
                    Instructions = $"You are a translation assistant that translates the provided text to {targetLanguage}."
                }));

        return aiProjectClient.AsAIAgent(version);
    }
}

Шаг 4. Создание специализированных агентов Azure Foundry

Создайте три агента перевода с помощью вспомогательного метода:

        // Create agents
        AIAgent frenchAgent = await GetTranslationAgentAsync("French", aiProjectClient, deploymentName);
        AIAgent spanishAgent = await GetTranslationAgentAsync("Spanish", aiProjectClient, deploymentName);
        AIAgent englishAgent = await GetTranslationAgentAsync("English", aiProjectClient, deploymentName);

Шаг 5. Создание рабочего процесса

Подключите агенты в последовательном рабочем процессе с помощью WorkflowBuilder:

        // Build the workflow by adding executors and connecting them
        var workflow = new WorkflowBuilder(frenchAgent)
            .AddEdge(frenchAgent, spanishAgent)
            .AddEdge(spanishAgent, englishAgent)
            .Build();

Шаг 6. Выполнение с помощью потоковой передачи

Запустите рабочий процесс с потоковой передачей, чтобы наблюдать обновления в режиме реального времени со всех агентов:

        // Execute the workflow
        await using StreamingRun run = await InProcessExecution.RunStreamingAsync(workflow, new ChatMessage(ChatRole.User, "Hello World!"));

        // Must send the turn token to trigger the agents.
        // The agents are wrapped as executors. When they receive messages,
        // they will cache the messages and only start processing when they receive a TurnToken.
        await run.TrySendMessageAsync(new TurnToken(emitEvents: true));
        await foreach (WorkflowEvent evt in run.WatchStreamAsync())
        {
            if (evt is AgentResponseUpdateEvent executorComplete)
            {
                Console.WriteLine($"{executorComplete.ExecutorId}: {executorComplete.Data}");
            }
        }

Шаг 7. Очистка ресурсов

Правильно очистите агенты Azure Foundry после использования:

        // Cleanup the agents created for the sample.
        await aiProjectClient.AgentAdministrationClient.DeleteAgentAsync(frenchAgent.Id);
        await aiProjectClient.AgentAdministrationClient.DeleteAgentAsync(spanishAgent.Id);
        await aiProjectClient.AgentAdministrationClient.DeleteAgentAsync(englishAgent.Id);
    }

Принцип работы

1. Настройка клиента Azure Foundry: используется AIProjectClient с учетными данными Azure CLI для проверки подлинности
2. Создание агента: Создает версионированные агенты в Azure Foundry с определенными инструкциями по переводу
3. Последовательная обработка: французский агент сначала преобразует входные данные, а затем испанский агент, а затем английский агент
4. Шаблон обработки токена: агенты кэшируют сообщения и обрабатывают их только при получении TurnToken
5. Потоковая передача обновлений: AgentResponseUpdateEvent предоставляет обновления маркеров в режиме реального времени по мере того как агенты создают ответы.
6. Управление ресурсами. Правильная очистка агентов Azure Foundry с помощью API администрирования

Основные понятия

• Служба агента Azure Foundry: агенты искусственного интеллекта на основе облака с расширенными возможностями анализа
• AIProjectClient: клиент для создания агентов и управления ими в Azure Foundry
• WorkflowEvent: выходные события () содержат выходные данные агента (type="output"AgentResponseUpdateдля потоковой передачи, AgentResponse для непотоковых)
• TurnToken: сигнал, который активирует обработку агента после кэширования сообщений
• Последовательный рабочий процесс: агенты, соединённые в цепочку, где выходные данные передаются от одного агента к следующему

Полная реализация

Полный поток выполнения агентов Azure Foundry можно найти в программе FoundryAgent в файле Program.cs в репозитории Agent Framework.

Что вы будете создавать

Вы создадите рабочий процесс, который:

• Используется FoundryChatClient для создания интеллектуальных агентов
• Реализует агент-писатель, который генерирует контент на основе сигналов
• Реализует агент рецензента, предоставляющий отзывы о содержимом
• Подключает агенты в последовательном конвейере рабочего процесса
• Потоковая передача обновлений в режиме реального времени во время обработки запросов агентами

Основные понятия, описанные в статье

• Агенты в рабочих процессах
• Прямые края
• Построитель рабочих процессов

Предпосылки

• Python 3.10 или более поздней версии
• Установленная платформа агента: pip install agent-framework
• Ответы Azure OpenAI, настроенные с соответствующими переменными среды
• Проверка подлинности Azure CLI: az login

Шаг 1. Импорт требуемых зависимостей

Начните с импорта необходимых компонентов для рабочих процессов и агентов Azure OpenAI Responses:

import asyncio
import os

from agent_framework import AgentResponseUpdate, WorkflowBuilder
from agent_framework.foundry import FoundryChatClient
from azure.identity import AzureCliCredential

Шаг 2. Создание клиента ответов Azure OpenAI

Создайте один общий клиент, который можно использовать для создания нескольких агентов:

async def main() -> None:
    client = FoundryChatClient(
        project_endpoint=os.environ["FOUNDRY_PROJECT_ENDPOINT"],
        model=os.environ["FOUNDRY_MODEL"],
        credential=AzureCliCredential(),
    )

Шаг 3. Создание специализированных агентов

Создайте два специализированных агента для создания контента и проверки:

    # Create a Writer agent that generates content
    writer_agent = client.as_agent(
        name="Writer",
        instructions=(
            "You are an excellent content writer. You create new content and edit contents based on the feedback."
        ),
    )

    # Create a Reviewer agent that provides feedback
    reviewer_agent = client.as_agent(
        name="Reviewer",
        instructions=(
            "You are an excellent content reviewer. "
            "Provide actionable feedback to the writer about the provided content. "
            "Provide the feedback in the most concise manner possible."
        ),
    )

Шаг 4. Создание рабочего процесса

Подключите агентов в последовательном рабочем процессе с помощью конструктора.

        # Build the workflow with agents as executors
        workflow = WorkflowBuilder(start_executor=writer_agent).add_edge(writer_agent, reviewer_agent).build()

Шаг 5. Выполнение с помощью потоковой передачи

Запустите рабочий процесс с потоковой передачей, чтобы наблюдать обновления в режиме реального времени от обоих агентов:

    last_author: str | None = None

    events = workflow.run("Create a slogan for a new electric SUV that is affordable and fun to drive.", stream=True)
    async for event in events:
        if event.type == "output" and isinstance(event.data, AgentResponseUpdate):
            update = event.data
            author = update.author_name
            if author != last_author:
                if last_author is not None:
                    print()
                print(f"{author}: {update.text}", end="", flush=True)
                last_author = author
            else:
                print(update.text, end="", flush=True)

Шаг 6. Полная основная функция

Оберните все в главной функции с корректной асинхронной обработкой.

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

Принцип работы

1. Настройка клиента. Использует один FoundryChatClient с учетными данными Azure CLI для проверки подлинности.
2. Создание агентов: создаются агенты записи и агенты рецензирования из одной и той же конфигурации клиента.
3. Последовательная обработка: агент-создатель сначала создает содержимое, а затем передает его агенту-проверяющему.
4. Потоковая передача обновлений: события вывода (type="output") с AgentResponseUpdate данными предоставляют обновления токенов в реальном времени, пока агенты генерируют ответы.

Основные понятия

• FoundryChatClient: общий клиент, используемый для создания агентов рабочих процессов с согласованной конфигурацией.
• WorkflowEvent: события вывода (type="output") содержат выходные данные агента (AgentResponseUpdate для потоковой передачи, AgentResponse для непотоковых).
• Последовательный рабочий процесс: агенты подключены к конвейеру, в котором данные передаются от одного агента к следующему.

Полная реализация

Полную рабочую реализацию см. в azure_ai_agents_streaming.py в репозитории Agent Framework.

Что вы будете создавать

Вы создадите рабочий процесс, который:

• В качестве исполнителя рабочих процессов используется агенты OpenAI Azure
• Реализует агента перевода на французский язык
• Реализует агента перевода на испанский язык
• Реализует агент английского перевода
• Подключает агенты в последовательном конвейере рабочего процесса
• Потоковая передача обновлений в режиме реального времени во время обработки запросов агентами

Основные понятия, описанные в статье

• Агенты в рабочих процессах
• Прямые края
• Построитель рабочих процессов

Предпосылки

• Перейти 1.25 или более поздней версии
• Конечная точка проекта Microsoft Foundry и развертывание модели настроены
• аутентификация Azure CLI или другой источник учетных данных Azure

Шаг 1. Настройка конфигурации Foundry

endpoint := os.Getenv("FOUNDRY_PROJECT_ENDPOINT")
model := cmp.Or(os.Getenv("FOUNDRY_MODEL"), "gpt-4o-mini")

token, err := azidentity.NewDefaultAzureCredential(nil)
if err != nil {
    return err
}

Шаг 2. Создание функции фабрики агентов

Создайте агенты с определенными инструкциями по переводу:

newTranslationAgent := func(language string) *agent.Agent {
    return foundryprovider.NewAgent(endpoint, token, foundryprovider.ModelDeployment(model), foundryprovider.AgentConfig{
        Instructions: fmt.Sprintf(
            "Translate the user's text to %s. Return only the translation.",
            language,
        ),
        Config: agent.Config{Name: language + "Agent"},
    })
}

Шаг 3. Создайте специализированных агентов Foundry

frenchAgent := newTranslationAgent("French")
spanishAgent := newTranslationAgent("Spanish")
englishAgent := newTranslationAgent("English")

Шаг 4. Создание рабочего процесса

Агенты можно использовать в качестве исполнителей workflow-процессов, обеспечивая шаги рабочего процесса на базе ИИ.

Привяжите каждый агент в качестве исполнителя рабочего процесса, затем соедините исполнителей рёбрами:

import (
    "github.com/microsoft/agent-framework-go/agent"
    "github.com/microsoft/agent-framework-go/workflow/agentworkflow"
    "github.com/microsoft/agent-framework-go/message"
    "github.com/microsoft/agent-framework-go/workflow"
    "github.com/microsoft/agent-framework-go/workflow/inproc"
)

cfg := agentworkflow.Config{DisableForwardIncomingMessages: true}
french := agentworkflow.New(frenchAgent, cfg)
spanish := agentworkflow.New(spanishAgent, cfg)
english := agentworkflow.New(englishAgent, cfg)

wf, err := workflow.NewBuilder(french).
    AddEdge(french, spanish).
    AddEdge(spanish, english).
    WithOutputFrom(english).
    Build()
if err != nil {
    return err
}

Шаг 5. Выполнение с помощью потоковой передачи

Запустите рабочий процесс и включите события обновления с помощью workflow.TurnToken:

run, err := inproc.Default.RunStreaming(ctx, wf, message.NewText("Hello World"))
if err != nil {
    return err
}
defer run.Close(ctx)

emitEvents := true
if err := run.SendMessage(ctx, workflow.TurnToken{EmitEvents: &emitEvents}); err != nil {
    return err
}

for evt, err := range run.WatchStream(ctx) {
    if err != nil {
        return err
    }
    if out, ok := evt.(workflow.OutputEvent); ok {
        if update, ok := out.Output.(*agent.ResponseUpdate); ok {
            fmt.Printf("%s: %s\n", out.ExecutorID, update.String())
        }
    }
}

Принцип работы

1. Настройка клиента: использует учетные данные Azure с клиентом OpenAI.
2. Создание агентов: создает специализированных агентов с инструкциями для конкретных языков.
3. Размещение агента: используется agentworkflow.New для привязки каждого агента в качестве исполнителя рабочего процесса.
4. Последовательная обработка: сначала запускается французский исполнительный модуль, затем испанский, а затем английский.
5. Шаблон маркера хода: размещённые агенты буферируют сообщения и запускаются при получении workflow.TurnToken.
6. Потоковые обновления: workflow.OutputEvent значения могут содержать *agent.ResponseUpdate вывод для отображения хода выполнения в реальном времени.

Основные понятия

• Агент Azure OpenAI: agent.Agent, работающий на базе Azure OpenAI.
• agentworkflow.New: Адаптирует агента для использования в качестве средства выполнения рабочего процесса.
• workflow.TurnToken: сигнал, который активирует размещённые агенты для обработки буферизованных сообщений.
• Workflow OutputEvent: Содержит обновления ответов агента и окончательные результаты рабочего процесса.
• Последовательный рабочий процесс: агенты подключены к конвейеру, в котором данные передаются от одного агента к следующему.

Полная реализация

package main

import (
    "cmp"
    "context"
    "fmt"
    "log"
    "os"

    "github.com/microsoft/agent-framework-go/agent"
    "github.com/microsoft/agent-framework-go/workflow/agentworkflow"
    "github.com/microsoft/agent-framework-go/message"
    "github.com/microsoft/agent-framework-go/workflow"
    "github.com/microsoft/agent-framework-go/workflow/inproc"

    "github.com/Azure/azure-sdk-for-go/sdk/azidentity"
    "github.com/microsoft/agent-framework-go/provider/foundryprovider"
)

func main() {
    ctx := context.Background()
    endpoint := os.Getenv("FOUNDRY_PROJECT_ENDPOINT")
    model := cmp.Or(os.Getenv("FOUNDRY_MODEL"), "gpt-4o-mini")

    credential, err := azidentity.NewDefaultAzureCredential(nil)
    if err != nil {
        log.Fatal(err)
    }

    newTranslationAgent := func(language string) *agent.Agent {
        return foundryprovider.NewAgent(endpoint, credential, foundryprovider.ModelDeployment(model), foundryprovider.AgentConfig{
            Instructions: fmt.Sprintf(
                "Translate the user's text to %s. Return only the translation.",
                language,
            ),
            Config: agent.Config{Name: language + "Agent"},
        })
    }

    cfg := agentworkflow.Config{DisableForwardIncomingMessages: true}
    french := agentworkflow.New(newTranslationAgent("French"), cfg)
    spanish := agentworkflow.New(newTranslationAgent("Spanish"), cfg)
    english := agentworkflow.New(newTranslationAgent("English"), cfg)

    wf, err := workflow.NewBuilder(french).
        AddEdge(french, spanish).
        AddEdge(spanish, english).
        WithOutputFrom(english).
        Build()
    if err != nil {
        log.Fatal(err)
    }

    run, err := inproc.Default.RunStreaming(ctx, wf, message.NewText("Hello World"))
    if err != nil {
        log.Fatal(err)
    }
    defer run.Close(ctx)

    emitEvents := true
    if err := run.SendMessage(ctx, workflow.TurnToken{EmitEvents: &emitEvents}); err != nil {
        log.Fatal(err)
    }

    for evt, err := range run.WatchStream(ctx) {
        if err != nil {
            log.Fatal(err)
        }
        if out, ok := evt.(workflow.OutputEvent); ok {
            if update, ok := out.Output.(*agent.ResponseUpdate); ok {
                fmt.Printf("%s: %s\n", out.ExecutorID, update.String())
            }
        }
    }
}