Microsoft Agent Framework 完整教學：用 AutoGen 與 Semantic Kernel 打造多 Agent AI 系統

如果你最近有在關注 AI Agent 開發的動態，應該會注意到 Microsoft 搞了一個大動作——他們把旗下兩大框架 AutoGen 和 Semantic Kernel 整合成了一個全新的 Microsoft Agent Framework。這不是簡單的改名，而是真正把兩套系統的優勢融合在一起，讓開發者可以用一套工具打造企業級的多 Agent AI 系統。

對於已經在用 各種 AI Agent 框架的開發者來說，這個消息值得認真看待。畢竟微軟在企業市場的影響力擺在那裡，加上 KPMG 這類大型企業已經開始導入，Agent Framework 很可能會成為企業端的主流選擇。

為什麼需要 Agent Framework？AutoGen 怎麼了？

先講個背景。AutoGen 原本是微軟研究院推出的多 Agent 對話框架，在開源社群非常受歡迎。但隨著實際企業應用場景越來越複雜，AutoGen 原本的架構開始顯得力不從心——特別是在工作流程控制、可觀測性、跟企業既有系統整合這些面向。

同一時間，Semantic Kernel 作為微軟的 AI 編排 SDK，在企業端已經有大量使用者。微軟做了一個務實的決定：把 AutoGen 的多 Agent 協作能力跟 Semantic Kernel 的企業級基礎設施合併，產出 Agent Framework。

重要的事情說一次：AutoGen 現在已經進入維護模式，只會修 bug，不會再加新功能。如果你是新專案，請直接用 Agent Framework；如果你有既有的 AutoGen 專案，微軟提供了遷移指南幫你過渡。

核心概念：兩種編排模式

Agent Framework 最核心的設計哲學是同時支援兩種編排方式，這點跟其他框架很不一樣：

1. Agent Orchestration（LLM 驅動編排）

這是讓 LLM 自己決定下一步要做什麼、要呼叫哪個 Agent。適合那些流程不固定、需要靈活應對的場景。如果你用過 LangChain Agent 的 Tool Calling，概念是類似的，但 Agent Framework 在多 Agent 協作上做得更完整。

2. Workflow Orchestration（確定性工作流編排）

這是用 Graph-based 的方式定義固定流程，每一步做什麼都是事先規劃好的。這種模式對企業來說特別重要，因為你可以精確控制流程、做到可預測的結果。

實務上，很多場景是兩者混用的——外層用 Workflow 控制大流程，某些節點內部用 Agent Orchestration 讓 LLM 自主判斷。

Graph-based Workflow 實戰

Agent Framework 的工作流引擎基於有向圖（DAG）設計，內建了幾個殺手級功能：

• Streaming：Agent 的回應可以即時串流，不用等整個流程跑完
• Checkpointing：工作流中間狀態可以存檔，系統重啟後能從斷點繼續
• Human-in-the-Loop：在關鍵決策點暫停，等人類審核後再繼續

來看一個 Python 的基本範例，定義一個包含研究員和撰寫者兩個 Agent 的工作流：

from microsoft.agents import Agent, Workflow, GraphBuilder
from microsoft.agents.models import OpenAIChatCompletion

# 定義 Agent
researcher = Agent(
    name="Researcher",
    instructions="你是一個研究分析師，負責蒐集和整理資料。",
    model=OpenAIChatCompletion(model="gpt-4o")
)

writer = Agent(
    name="Writer",
    instructions="你是一個技術作家，根據研究結果撰寫報告。",
    model=OpenAIChatCompletion(model="gpt-4o")
)

# 建立 Graph-based Workflow
graph = GraphBuilder()
graph.add_node("research", researcher)
graph.add_node("write", writer)
graph.add_edge("research", "write")

# 啟用 checkpointing 和 human-in-the-loop
workflow = Workflow(
    graph=graph.build(),
    checkpoint_enabled=True,
    human_approval_nodes=["write"]  # 寫作前需要人工確認
)

# 執行（支援 streaming）
async for chunk in workflow.run_stream("分析 2026 年 AI Agent 市場趨勢"):
    print(chunk, end="", flush=True)

這段程式碼展示了幾個關鍵能力：Graph 定義 Agent 間的執行順序、checkpoint 讓流程可以恢復、human-in-the-loop 在寫作節點前暫停等人工確認、streaming 輸出讓使用者不用乾等。

多 Agent 協作模式

如果你之前用過 CrewAI 的多 Agent 協作，會發現 Agent Framework 提供了更細緻的控制。它支援幾種協作模式：

from microsoft.agents import GroupChat, RoundRobinStrategy
from microsoft.agents import SelectorStrategy

# 方式一：輪流發言
round_robin = GroupChat(
    agents=[researcher, writer, reviewer],
    strategy=RoundRobinStrategy(max_rounds=3)
)

# 方式二：LLM 動態選擇下一個發言的 Agent
smart_chat = GroupChat(
    agents=[researcher, writer, reviewer],
    strategy=SelectorStrategy(
        model=OpenAIChatCompletion(model="gpt-4o"),
        prompt="根據目前對話進度，選擇最適合的下一位發言者"
    )
)

SelectorStrategy 讓 LLM 根據對話情境動態決定誰該發言，這在複雜任務中特別有用。

企業級整合能力

Agent Framework 真正讓企業買單的是它的整合生態系：

• OpenAPI：任何有 API 規格的服務都能直接變成 Agent 的工具
• Agent2Agent (A2A) 協定：Google 提出的跨框架 Agent 通訊標準，Agent Framework 原生支援
• Model Context Protocol (MCP)：Anthropic 提出的工具整合協定，讓 Agent 能存取各種外部資源
• OpenTelemetry：內建完整的可觀測性支援，每個 Agent 的每次呼叫都能追蹤

OpenTelemetry 這點特別值得一提。在生產環境中，你需要知道每個 Agent 花了多少時間、呼叫了幾次 LLM、Token 用量多少。Agent Framework 把這些 metrics 直接整合進去，不用自己接線。

Python 和 .NET 雙語言支援

Agent Framework 同時提供 Python 和 C#/.NET 的 SDK，而且不是那種「一個是主力、另一個勉強能用」的狀態——兩邊的功能是對等的。這對企業來說很重要，因為很多團隊同時有 Python 和 .NET 的開發者。

如果你的團隊主要用 Python，寫法跟你熟悉的 LLM Function Calling 模式很接近，學習曲線不會太陡。

KPMG 企業案例

KPMG 是目前最具代表性的企業採用者。他們用 Agent Framework 建構了內部的知識管理和審計輔助系統，多個 Agent 分別負責資料擷取、合規檢查、報告生成等任務。根據公開資訊，這套系統幫助他們的審計團隊顯著提升了工作效率。

這個案例說明了一件事：Agent Framework 不只是實驗性的玩具，而是已經被放進大型企業的正式業務流程中。

版本規劃與遷移建議

Agent Framework 1.0 GA 預計在 2026 年 Q1 末正式發布。目前的 Preview 版本已經可以用於開發和測試，但 API 可能還會有小幅調整。

給不同背景的開發者幾個建議：

• AutoGen 使用者：開始規劃遷移，AutoGen 只維護不更新了
• Semantic Kernel 使用者：Agent Framework 建立在 SK 之上，升級路徑很平滑
• 新專案：直接用 Agent Framework，不要再選 AutoGen
• 其他框架使用者：如果你的場景是企業級、需要 .NET 支援、或重度使用微軟生態系，值得評估

總結

Microsoft Agent Framework 代表了微軟在 AI Agent 領域的策略整合。它把 AutoGen 的多 Agent 協作經驗跟 Semantic Kernel 的企業級架構合在一起，提供了一個同時支援靈活的 LLM 驅動編排和可控的確定性工作流的平台。

對於在企業環境中建構 AI Agent 系統的團隊來說，Agent Framework 的雙語言支援、OpenTelemetry 整合、以及 A2A/MCP 等開放協定的支援，都是很實際的優勢。加上 KPMG 的背書和即將到來的 1.0 GA，2026 年會是這個框架快速成長的一年。