[对比学习LangChain和MAF-01]基本编程模式的差异(上篇)

博客园 - Artech

Artech · 2026-05-20 · via 博客园 - Artech

作为一个资深的.NET开发者，当初决定转移到Agent赛道时，我首先选择的是微软的Semantic Kernel、AutoGen以及后来将二者统一在一起的MAF（Microsoft Agent Framework），但是我总觉得这个框架在设计上差点意思。再加上既然都决定决定投入到AI领域，就没有必要继续把自己困在.NET的茧房，于是选择了LangChain。经过对LangChain深入学习和使用后，再回头看看MAF，会有不一样的体会。通过对比，我觉得我现在对MAF有了更深的理解，而且我发现通过对比学习能够有效了理解MAF的精髓所在。

在这个系列中，我们将通过与LangChain对比的方式来介绍MAF的编程模式和架构设计。我们知道LangChain的主流开发语言是Python，如果通过Python来介绍MAF，这样比较起来更加直观。但是如果选择MAF，C#明显是更好的选择，所以我还是决定使用C#来介绍MAF。好在这两种语言都很“人性化”，即使你不会用，总归能看得懂。

MAF提供了多样化的Agent，我们这里主要关注采用Chat模型，采用多轮对话进行推理的ChatClientAgent。LangChain提供了多种编程模式来创建Agent，最常见的就是使用create_agent函数根据指定的模型和工具来创建Agent。MAF也是如此，我们不仅可用调用ChatClientAgent的构造函数利用提供的LLM客户端和工具来创建Agent，它还通过定义扩展方法的形式直接将LLM客户端转换成ChatClientAgent。对应一些复杂的推理任务，LangChain的解决方式是利用LangGraph构建具有对应结构的状态图来规范推理流程，而MAF对应的解决方案是采用工作流，状态图和工作流其实就是同一事物的两种不同说法而已。多轮对话需要通过一个上下文来维护状态，LangChain将此上下文称为Thread，而MAF则称之为Session。

1. 从最简单的Agent开始

最简单的Agent只需要一个LLM客户端就可以了。LLM客户端在LangChain中通过BaseLanguageModel来表示，但是它主要代表基于文本补全的Completion模型，继承于它的BaseChatModel才真正代表了Chat模型。具体的LLM客户端依赖于LLM类型和对应的服务提供商。下面的演示程序使用部署在Azure上的GPT-Chat模型（gpt-5.2-chat）。

1.1 LangChain

如下所示的是使用LangChain创建Agent的示例代码。如代码片段所示，我们针对上述的模型名称（gpt-5.2-chat）创建了一个ChatOpenAI对象，并将其作为参数传递给create_agent函数来创建Agent。然后调用异步方法ainvoke来执行Agent。

from langchain.agents import create_agent
from langchain_openai import ChatOpenAI
from dotenv import load_dotenv
import asyncio

load_dotenv()

async def main():
    agent = create_agent(model=ChatOpenAI(model="gpt-5.2-chat"))
    result = await agent.ainvoke(input= {
        "messages":[{"role":"user","content":"目前的天气是晴天，气温25°C。请给我一些穿衣建议。"}]
    })
    print(result["messages"][-1].content)
    
asyncio.run(main())

LangChain中的LLM客户端组件都会利用环境变量来定义配置，并且它会自动读取环境变量，这一点与MAF的LLM客户端设计不太一样，后者一般要求自行读取并设置环境变量并显式传递给LLM客户端。ChatOpenAI所需的Endpoint地址和API-Key就定义在如下所示的.env文件中，并利用python-dotenv库的load_dotenv函数来加载环境变量。

OPENAI_BASE_URL=https://eap2410.cognitiveservices.azure.com/openai/v1
OPENAI_API_KEY=**********************

由于采用交谈式的推理方式，作为输入的字典需要利用messages键来指定对话消息列表，每条消息包含角色（role）和内容（content）。在这个示例中，我们只提供了一条用户消息，Agent会根据这条消息来生成穿衣建议。输出同样具有类似的结构，我们通过访问输出字典中的messages键来获取生成的消息列表，并打印最后一条消息的内容。

晴天、25°C 的天气属于**比较舒适偏暖**的状态，穿搭可以以**清爽、透气、防晒**为主。以下是一些具体建议：

### 👕 上装
- 短袖T恤、POLO衫  
- 薄款衬衫（棉或亚麻材质更透气）
- 如果在空调环境久待，可备一件**薄外套或开衫**

### 👖 下装
- 牛仔裤、休闲长裤  
- 九分裤、轻薄休闲裤  
- 喜欢清凉一点的，可以选择**及膝短裤或半身裙**

### 👟 鞋子
- 运动鞋、帆布鞋  
- 乐福鞋、平底鞋  
- 天气干燥时也可以穿凉鞋（通勤场合注意正式度）

### 🧢 配件建议
- 遮阳帽、太阳镜（晴天防晒）
- 防晒霜（尤其是长时间户外活动）
- 轻便背包或手提包

### ✅ 穿搭小提醒
- 选择**浅色系**衣服更不吸热  
- 面料尽量选**棉、麻、莫代尔**等透气材质  
- 早晚如果有风，体感可能稍凉，避免穿得太单薄

如果你要去的是**上班 / 约会 / 运动 / 旅行**，我也可以帮你给出更具体的搭配方案。

OpenAI的API具有两种形式：

Completion：属于早期的补全式生成接口，采用无状态设计。开发者需要手动构建包含system、user、assistant角色的消息，并将完整的历史记录发送给模型以维持对话连贯性；
Response：旨在统一所有生成能力（文本、音频、视觉等）的下一代接口。它具有有状态（Stateful）管理能力，允许通过传递 previous_response_id 自动关联上下文，无需每次都发送完整的历史消息；

ChatOpenAI默认情况下会使用Completion接口来调用Chat模型，但是可以通过use_responses_api参数来切换到Response接口。

agent = create_agent(model=ChatOpenAI(model="gpt-5.2-chat",use_responses_api=True))

1.2 MAF

上面这个简单的例子在MAF中可以玩出很多花样。首先，针对部署在Azure上的GPT-Chat模型，我们可以采用如下三种不同的客户端：

OpenAIClient：微软官方提供的OpenAIClient类，支持Azure OpenAI服务的Chat模型，提供了丰富的功能和配置选项；
AzureOpenAIClient：社区提供的AzureOpenAIClient类，专门针对Azure OpenAI服务进行了优化，简化了配置和使用流程；
AIProjectClient：这是微软最新的Azure AI Foundry (原Azure AI Studio) 推出的项目级客户端。用于管理和调用整个AI项目的资源，而不仅仅是单个模型；

我们可以利用它们来创建ChatClientAgent。虽然使用同一个部署的模型，但是客户端采用的Endpoint地址却不同。由于Python使用了python-dotenv，这里使用它的.NET版本dotenv.net，所以我们依然将Endpoint地址、模型和API-Key定义在.env文件中，并利用dotenv.net库的DotEnv类来加载环境变量。

Foundry_PROJECT_URL=https://eap2410.services.ai.azure.com/api/projects/ai-learning
OPENAI_URL=https://eap2410.cognitiveservices.azure.com/openai/v1
AZURE_OPENAI_URL=https://eap2410.cognitiveservices.azure.com/
MODEL=gpt-5.2-chat
API_KEY=**********************

我们的程序会同时演示上述三种客户端的使用方式来创建Agent，并调用Agent来执行同样的推理任务。为此我们需要添加如下所示的NuGet包引用：

<PackageReference Include="Azure.AI.OpenAI" Version="2.9.0-beta.1" />
<PackageReference Include="Azure.AI.Projects" Version="2.1.0-beta.1" />
<PackageReference Include="Azure.Identity" Version="1.21.0" />
<PackageReference Include="dotenv.net" Version="4.0.2" />
<PackageReference Include="Microsoft.Agents.AI.Foundry" Version="1.3.0" />
<PackageReference Include="Microsoft.Agents.AI.OpenAI" Version="1.3.0" />
<PackageReference Include="Microsoft.Extensions.AI.Ollama" Version="9.7.0-preview.1.25356.2" />
<PackageReference Include="OpenAI" Version="2.10.0" />

如下所示的是完整的示例代码。我们首先加载环境变量，然后创建三个不同客户端的Agent，并调用它们来执行同样的推理任务。如代码片段所示，我们根据指定的地址和API-KEY创建了OpenAIClient和AzureOpenAIClient，并指定模型名称调用其GetChatClient方法得到一个ChatClient对象，然后直接调用它的扩展方法AsAIAgent来创建ChatClientAgent。对于AIProjectClient，我们直接调用它的扩展方法AsAIAgent来创建ChatClientAgent，并在参数中指定模型名称和一些指令。

using Azure.AI.OpenAI;
using Azure.AI.Projects;
using Azure.Identity;
using dotenv.net;
using Microsoft.Extensions.AI;
using OpenAI;
using OpenAI.Chat;
using OpenAI.Responses;
using System.ClientModel;

DotEnv.Load();

var model = Environment.GetEnvironmentVariable("MODEL")!;
var apiKey = Environment.GetEnvironmentVariable("API_KEY")!;
var openAIUrl = Environment.GetEnvironmentVariable("OPENAI_URL")!;
var azureOpenAIUrl = Environment.GetEnvironmentVariable("AZURE_OPENAI_URL")!;
var foundryProjectUrl = Environment.GetEnvironmentVariable("FOUNDRY_PROJECT_URL")!;
var prompt = "目前的天气是晴天，气温25°C。请给我一些穿衣建议。";

// 1.Create an OpenAI client using the OpenAI SDK
var openAIClient = new OpenAIClient(
    credential: new ApiKeyCredential(key: apiKey),
    options: new OpenAIClientOptions
    {
        Endpoint = new Uri(openAIUrl)
    });

var agent = openAIClient.GetChatClient(model: model).AsAIAgent();
var result = await agent.RunAsync(message: prompt);
Console.WriteLine(result);

// 2.Create an OpenAI client using the Azure OpenAI SDK
var azureOpenAIClient = new AzureOpenAIClient(
    endpoint: new Uri(azureOpenAIUrl),
    credential: new ApiKeyCredential(key: apiKey));
agent = azureOpenAIClient.GetChatClient(deploymentName:model).AsAIAgent();


result = await agent.RunAsync(message: prompt);
Console.WriteLine(result);

// 3.Create an AI Project client using the Azure AI Projects SDK
var aiProjectClient = new AIProjectClient(
    endpoint: new Uri(foundryProjectUrl),
    tokenProvider: new DefaultAzureCredential());

agent = aiProjectClient.AsAIAgent(model: model, instructions: "You are a helpful assistant.");
result = await agent.RunAsync(message: prompt);
Console.WriteLine(result);

最后我们调用每个Agent的RunAsync方法来执行推理任务。ChatClientAgent和LangChain的Agent一样，都是基于对话的推理方式，所以它们作为交谈历史的消息列表是输入、输出以及执行过程中的状态的核心内容。只是ChatClientAgent的RunAsync方法做了封装，允许我们直接指定一个字符串作为输入消息。我们从输出结果中依然会得到我们希望的内容：

在**晴天、气温约 25°C**的情况下，整体体感会比较舒适偏暖，穿搭可以以**清爽、透气**为主：

### 👕 上装建议
- **短袖T恤 / Polo衫 / 薄衬衫**
  选择棉、麻或速干面料，透气又吸汗。
- 如果需要防晒或室内空调较冷，可带一件**薄外套 / 防晒衣**。

### 👖 下装建议
- **长裤**：薄款牛仔裤、休闲裤、九分裤都很合适。
- **短裤 / 裙子**：户外活动或休闲出行非常舒服。

### 👟 鞋子建议
- **运动鞋 / 帆布鞋 / 休闲鞋**
- 如果活动轻松，也可以选择**透气的凉鞋**

### 🧢 配件建议
- **遮阳帽 / 太阳镜**：晴天防晒必备
- **防晒霜**：尤其是中午外出时
- 可携带一瓶水，防止轻微脱水

### ✅ 小提醒
- 早晚如果有微风，体感可能略凉，**薄外套会更灵活**
- 如果需要长时间户外活动，尽量选择**浅色衣物**，更凉爽

如果你要**上班、约会、运动或出游**，我也可以帮你做更具体的搭配建议 😊

OpenAIClient和AzureOpenAIClient的GetChatClient方法采用的是Completion接口来调用Chat模型，所以我们需要在输入消息中构建完整的对话历史来维持上下文。而AIProjectClient的AsAIAgent方法默认采用Response接口来调用Chat模型，它会自动管理对话状态，我们只需要提供当前的输入消息即可，无需担心上下文维护的问题。OpenAIClient和AzureOpenAIClient可以调用GetResponseClient方法切换到Response接口来调用Chat模型。

// 1.Create an OpenAI client using the OpenAI SDK
var openAIClient = new OpenAIClient(
    credential: new ApiKeyCredential(key: apiKey),
    options: new OpenAIClientOptions
    {
        Endpoint = new Uri(openAIUrl)
    });

var agent = openAIClient.GetResponsesClient().AsAIAgent(model: model);
var result = await agent.RunAsync(message: prompt);
Console.WriteLine(result);

// 2.Create an OpenAI client using the Azure OpenAI SDK
var azureOpenAIClient = new AzureOpenAIClient(
    endpoint: new Uri(azureOpenAIUrl),
    credential: new ApiKeyCredential(key: apiKey));
agent = azureOpenAIClient.GetResponsesClient().AsAIAgent(model: model);
result = await agent.RunAsync(message: prompt);
Console.WriteLine(result);

2. 注册工具

只有LLM的Agent相当于一个只有大脑的“人”，它只能通过对话来进行推理和决策，无法直接与外部环境进行交互。工具就相当于这个“人”的手脚，能够让Agent执行一些具体的操作来获取信息、处理数据或者完成任务。前面实例创建的Agent没有什么实质上的作用，为了让Agent提供着装建议，我们需要为Agent提供天气信息。这本质上是RAG的做法：我们利用查询检索并向LLM提供它并不具有的知识作为推理上下文。更理想的做法是让Agent自己去查询天气信息，这样就不需要我们事先准备好天气信息了。为此，我们可以为Agent注册一个查询天气的工具，让它在需要的时候调用这个工具来获取天气信息。

2.1 LangChain

如下的程序演示了LangChain注册工具的典型方式。我们首先定义了一个工具函数get_weather，并使用@tool装饰器将其注册为一个工具。这个工具函数接受一个位置参数，并返回该位置的天气信息。在这个示例中，我们只是返回了一个固定的天气信息，实际应用中可以通过调用天气API来获取真实的天气数据。然后我们在创建Agent时将这个工具作为参数传递给create_agent函数，这样Agent就可以在推理过程中调用这个工具来获取天气信息。

from langchain.agents import create_agent
from langchain_openai import ChatOpenAI
from langchain.tools import tool
from dotenv import load_dotenv
import asyncio

load_dotenv()

@tool
def get_weather(location: str) -> str:
    """根据给定的位置获取当前天气。"""
    return f"所在地 {location} 的天气是晴天，最高气温25°C。"

async def main():
    agent = create_agent(
        model=ChatOpenAI(model="gpt-5.2-chat"),
        tools=[get_weather],)
    result = await agent.ainvoke(input= {
        "messages":[{"role":"user","content":"根据当前苏州的天气给我一些穿衣建议。"}]
    })
    print(result["messages"][-1].content)
    
asyncio.run(main())

输出：

好的！根据**当前苏州天气：晴天，最高气温约 25°C**，给你一些穿衣建议：

### 👕 白天穿搭
- **上衣**：短袖 T 恤、薄衬衫、POLO 衫都很合适  
- **下装**：牛仔裤、休闲裤、薄款长裤或半身裙  
- **鞋子**：运动鞋、帆布鞋、透气的休闲鞋即可  

### 🧥 早晚/室内
- 早晚可能稍微凉一点，或在空调房里：
  - 建议带一件**薄外套 / 开衫 / 轻薄风衣**

### 🌞 防晒与配件
- 晴天紫外线可能偏强：
  - **帽子、太阳镜**
  - **防晒霜**
- 出汗较多的话，选择**透气、吸汗面料**会更舒服

### ✅ 总体建议
👉 **“短袖 + 薄外套”是最稳妥的搭配**，既不热也能应对温差。

如果你是**上班通勤、出游、运动或带孩子出门**，我也可以给你更具体的搭配建议。

2.2 MAF

在MAF中注册工具的方式与LangChain类似。我们首先定义了一个工具函数GetWeather，并使用Description特性将其注册为一个工具。这个工具函数接受一个位置参数，并返回该位置的天气信息。在这个示例中，我们同样返回了一个固定的天气信息，实际应用中可以通过调用天气API来获取真实的天气数据。然后我们在创建Agent时将这个工具作为参数传递给AsAIAgent方法，这样Agent就可以在推理过程中调用这个工具来获取天气信息。

using Azure.AI.Projects;
using Azure.Identity;
using dotenv.net;
using Microsoft.Extensions.AI;
using OpenAI.Chat;
using OpenAI.Responses;
using System.ComponentModel;

DotEnv.Load();

var model = Environment.GetEnvironmentVariable("MODEL")!;
var apiKey = Environment.GetEnvironmentVariable("API_KEY")!;
var foundryProjectUrl = Environment.GetEnvironmentVariable("FOUNDRY_PROJECT_URL")!;

var prompt = "根据当前苏州的天气给我一些穿衣建议。";

var aiProjectClient = new AIProjectClient(
    endpoint: new Uri(foundryProjectUrl),
    tokenProvider: new DefaultAzureCredential());

var agent = aiProjectClient.AsAIAgent(
    model: model, 
    instructions: "You are a helpful assistant.",
    tools: [AIFunctionFactory.Create(GetWeather)]);
var result = await agent.RunAsync(message: prompt);
Console.WriteLine(result);

[Description("获取指定位置的天气信息")]
static string GetWeather([Description("天气查询所在的位置")] string location)
    => $" {location}当前添加晴天，气温25°C。";

输出：

根据当前**苏州晴天、气温约 25°C**的天气情况，给你一些穿衣建议：

### 👕 日常出行
- **上装**：短袖T恤、薄衬衫都很合适，怕晒的话可以选长袖但要透气。
- **下装**：薄款长裤、休闲裤或半身裙都可以，体感会比较舒适。
- **外套**：白天基本不需要外套，但如果早晚出门或在空调房久待，可带一件**薄开衫/防晒衣**。

### 👟 鞋子
- 透气的运动鞋、休闲鞋或凉鞋都很合适，适合步行。

### 🌞 防晒与小提醒
- 晴天紫外线偏强，建议：
  - 戴**遮阳帽 / 太阳镜**
  - 涂**防晒霜**
- 多喝水，避免中午时段长时间暴晒。

如果你是**通勤、旅游、还是户外活动**，我也可以帮你更具体地搭配 👍

3 流式响应

Agent执行在绝大部分场景下都是一个长耗时操作，执行几分钟、几小时甚至几天都是很常见的。如果等到Agent执行完成才返回结果，那么用户体验就会非常差了。流式响应（Streaming Response）就是为了解决这个问题而设计的，它允许Agent在执行过程中逐步返回结果，让用户能够实时看到Agent的推理过程和中间结果，从而提升交互的流畅性和响应速度。

3.1 LangChain

对于上面演示的这个实例，我们只需要将针对ainvoke方法的调用改成astream方法的调用就可以了。astream方法会返回一个异步生成器，我们可以通过异步迭代的方式来获取Agent执行过程中逐步返回的结果。如代码片段所示，我们在异步迭代中获取每个返回的结果块，并提取其中的最后一个消息来打印输出。通过这种方式，我们可以在Agent执行的过程中实时看到它的推理结果，而不需要等到整个执行完成。LangChain定义了多种流模式，默认的values会在每次单步推理完成后更新状态的values，并将更新后的状态作为结果返回。

from langchain.agents import create_agent
from langchain_openai import ChatOpenAI
from langchain.tools import tool
from dotenv import load_dotenv
import asyncio

load_dotenv()

@tool
def get_weather(location: str) -> str:
    """根据给定的位置获取当前天气。"""
    return f"所在地 {location} 的天气是晴天，最高气温25°C。"

async def main():
    agent = create_agent(
        model=ChatOpenAI(model="gpt-5.2-chat"),
        tools=[get_weather],)
    async for chunk in agent.astream(input= {
        "messages":[{"role":"user","content":"根据当前苏州的天气给我一些穿衣建议。"}]
    }):
       result = chunk["model"] if "model" in chunk else chunk["tools"]
       message = result["messages"][-1]
       message.pretty_print()   
    
asyncio.run(main())

输出：

================================== Ai Message ==================================
Tool Calls:
  get_weather (call_9TyRU0zLwY4tOZf8Hufy5qrJ)
 Call ID: call_9TyRU0zLwY4tOZf8Hufy5qrJ
  Args:
    location: 苏州
================================= Tool Message =================================
Name: get_weather

所在地 苏州 的天气是晴天，最高气温25°C。
================================== Ai Message ==================================

好的，根据**当前苏州的天气情况（晴天，最高气温约 25°C）**，给你一些穿衣建议：

### 🌤️ 白天穿搭建议
- **上衣**：  
  - 薄款长袖衬衫 / T 恤 / 薄针织衫  
  - 如果怕晒，可以选**透气的长袖**或带防晒功能的衣服
- **下装**：  
  - 牛仔裤、休闲裤、薄款西裤  
  - 也可以穿半身裙或连衣裙，体感会更清爽
- **鞋子**：  
  - 运动鞋、帆布鞋、乐福鞋  
  - 如果走路多，建议选择透气舒适的鞋

### 🌅 早晚与细节
- 早晚可能稍微偏凉或有风，**带一件薄外套/开衫**会更稳妥
- 晴天紫外线偏强：
  - ☀️ 帽子、太阳镜
  - 🧴 防晒霜（尤其是中午前后）

### 💡 体感小提醒
- 25°C 属于**不冷不热、偏舒适**的温度  
- 活动量大时容易出汗，建议选择**吸汗、透气的面料**

如果你是**上班通勤 / 出游 / 运动 / 带小孩**，我也可以按具体场景再帮你细化穿搭 👍

输出结果体现了Agent的执行流程：

由于工具被注册到Agent中，工具相关的描述会作为调用LLM提示词的一部分。对于指定的问题（根据当前苏州的天气给我一些穿衣建议），LLM经过推理认为在提供最终答案之前需要先调用工具来获取天气信息，此时它会生成一个AIMessage，并将工具调用信息包含在其中，具体的工具调用信息不仅包括工具名称（get_weather），表示当前工具调用的ID（call_9TyRU0zLwY4tOZf8Hufy5qrJ），还有它根据工具的输入Schema从请求中提取的参数列表（Args）；
Agent接收到这个AIMessage后会查看是否具有工具调用，如果没有工具调用信息，那么它就会将这个AIMessage作为最终的输出结果返回；如果有工具调用信息，那么它就会根据工具调用信息来执行对应的工具，在这个示例中就是调用get_weather工具来获取天气信息。工具调用的结果被封装在一个ToolMessage中被添加到作为对话历史的消息列表中。对于我们的例子来说，get_weather工具被调用后返回了一个ToolMessage，其中包含了工具的输出结果（所在地苏州的天气是晴天，最高气温25°C）。所有所有工具执行完毕（采用并发执行），Agent会将新的对话历史发送给LLM来继续推理，直到LLM不再生成新的工具调用信息为止，此时Agent会将最后一个AIMessage作为最终的输出结果返回。在这个示例中，Agent在执行完工具调用后又生成了一个新的AIMessage，这个AIMessage包含了根据工具输出的天气信息生成的穿衣建议。
LLM根据新的对话历史继续推理认为根据目前拥有的信息（所在地苏州的天气是晴天，最高气温25°C）已经足够生成穿衣建议了，所以它就没有再生成新的工具调用信息，而是直接将穿衣建议作为输出结果返回了Agent。
按照前面的逻辑，Agent接收到这个AIMessage后会发现它没有工具调用信息了，于是就将这个AIMessage作为最终的输出结果返回了用户；

3.2 MAF

我们同样将MAF版本做类似的修改来支持流式响应。MAF的ChatClientAgent的RunAsync方法也有一个对应的RunStreamingAsync方法来支持流式响应。这个方法会返回一个异步生成器，我们可以通过异步迭代的方式来获取Agent执行过程中逐步返回的结果。与LangChain不同的是，MAF在流式响应中直接将LLM生成的原始内容作为结果返回，而不是封装在一个特定结构的字典中，所以我们可以直接打印输出。如下所示的是修改后的示例代码：

using Azure.AI.Projects;
using Azure.Identity;
using dotenv.net;
using Microsoft.Agents.AI;
using Microsoft.Extensions.AI;
using OpenAI.Chat;
using OpenAI.Responses;
using System.ComponentModel;

DotEnv.Load();

var model = Environment.GetEnvironmentVariable("MODEL")!;
var apiKey = Environment.GetEnvironmentVariable("API_KEY")!;
var foundryProjectUrl = Environment.GetEnvironmentVariable("FOUNDRY_PROJECT_URL")!;

var prompt = "根据当前苏州的天气给我一些穿衣建议。";

var aiProjectClient = new AIProjectClient(
    endpoint: new Uri(foundryProjectUrl),
    tokenProvider: new DefaultAzureCredential());

var agent = aiProjectClient.AsAIAgent(
    model: model, 
    instructions: "You are a helpful assistant.",
    tools: [AIFunctionFactory.Create(GetWeather)]);

await foreach (AgentResponseUpdate update in agent.RunStreamingAsync(message: prompt))
{
    Console.Write(update.RawRepresentation);
}

[Description("获取指定位置的天气信息")]
static string GetWeather([Description("天气查询所在的位置")] string location)
    => $" {location}当前添加晴天，气温25°C。";

但是这样修改与Langchain版本的效果不太一样了，它会实现类似于你在使用ChatGPT时逐字输出的效果，而不是等到每一步推理完成后才输出结果了。

此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。原文来自 — 版权归原作者所有。

推荐订阅源

博客园 - Artech

1. 从最简单的Agent开始

1.1 LangChain

1.2 MAF

2. 注册工具

2.1 LangChain

2.2 MAF

3 流式响应

3.1 LangChain

3.2 MAF