Microsoft Agent Framework + Ertas

在 Microsoft Agent Framework 上建構正式上線代理——這是 AutoGen 與 Semantic Kernel 的 GA 釋出繼任者，具備企業等級的編排與對 Ertas 訓練本地模型的完整支援。

Overview

Microsoft Agent Framework 是 AutoGen 與 Semantic Kernel 的統一繼任者，於 2026 年 2 月以 RC1.0 釋出，並於 2026 年 4 月 3 日以 1.0 版本達到正式可用（general availability）。2026 年 5 月初的 v1.3.0 釋出加入了基於類別的 skills、實驗性 harness context provider、提示注入防禦、擴展的 OpenAI / Anthropic / Foundry 支援，以及已發布的 durable-workflows 文件。它將 AutoGen 的多代理對話模式與 Semantic Kernel 的編排原語整合為單一框架，具備 .NET、Python 與 TypeScript 執行期。Microsoft 公開的方向是 AutoGen 進入維護模式，新的開發應以 Microsoft Agent Framework 為目標——使其成為今後 Microsoft 規範的代理堆疊。

框架架構借鑒兩個前身。從 AutoGen 它繼承多代理對話模式：擁有不同角色的代理透過結構化訊息溝通，並透過對話達成結果。從 Semantic Kernel 它繼承規劃器抽象、連接器生態系，以及與 Microsoft 企業堆疊（Microsoft 365、Azure AI、Power Platform）的緊密整合。結果是一個能乾淨契合以 Microsoft 為核心的企業架構，同時保有足夠彈性，可在其模型抽象上承載任何 LLM provider 的框架。

框架支援任何 OpenAI 相容端點作為模型 provider，這使自託管與微調本地模型與 Azure OpenAI 和更廣的 Azure AI Foundry 目錄同為一級公民。對於已投資 Microsoft 工具——Visual Studio、Azure DevOps、Microsoft 365——的團隊而言，這是不依賴雲端 API 經濟模型的正式上線代理之最低摩擦路徑。

How Ertas Integrates

Ertas 訓練的模型透過其 OpenAI 相容 provider 與 Microsoft Agent Framework 整合。在 Studio 微調並匯出為 GGUF 後，你透過 Ollama、vLLM 或 Ertas Cloud 提供模型服務，再以你的端點 URL 與佔位用 API 金鑰設定框架的 `OpenAIChatClient`（或 .NET / TypeScript 中的對應物）。代理抽象、多代理編排與 Microsoft 堆疊連接器全都對你的微調模型透明地運作。

這個組合對於想要 Microsoft 開發者工具與連接器生態系，但又不想在規模化下承擔 Azure OpenAI 按 token 計費成本的企業特別相關。Microsoft Agent Framework + Ertas 訓練模型 + 本地端推論產生一個適合既有 Microsoft Enterprise Agreement，同時保持推論成本固定且可預期的代理堆疊。對於處理高呼叫量的代理應用——客戶支援、內部知識檢索、文件處理——這可以將每任務經濟模型反轉 10–100 倍。

對於從 AutoGen 遷移的團隊，框架提供了已記錄的遷移路徑。既有 AutoGen 多代理對話可主要以機械式變更移植到 Microsoft Agent Framework，且底層模型 provider 可在同一遷移步驟中從 Azure OpenAI 換成本地的 Ertas 訓練模型。這通常是將每 token API 成本轉為每 VM 計算成本的好時機，作為更廣泛的平台現代化工作的一部分。

Getting Started

1
在 Ertas Studio 微調領域模型
在擷取你企業特定模式的資料上訓練——術語、文件慣例、內部工具 schema。Studio 的資料格式可與既有 AutoGen 或 Semantic Kernel 部署中的多代理對話軌跡協同運作。
2
部署到 OpenAI 相容端點
匯出為 GGUF 並透過 Ollama、vLLM 或 Ertas Cloud 提供服務。Microsoft Agent Framework 呼叫任何暴露標準 chat-completion API 的端點。
3
安裝 Microsoft Agent Framework
以你選擇的語言安裝框架（.NET 透過 NuGet、Python 透過 pip、TypeScript 透過 npm）。三個執行期共享相同的代理與編排抽象。
4
設定模型 client 並定義代理
建立一個 `OpenAIChatClient` 指向你的 Ertas 推論端點。使用框架的代理抽象並搭配角色、指示與工具來定義代理。
5
以內建模式或自訂工作流程進行編排
使用框架內建的編排模式（順序、群組聊天、階層）或建構自訂工作流程。Microsoft 365 連接器、Power Platform 整合與 Azure AI Search 對本地模型透明地運作。

python

from agent_framework import ChatAgent, OpenAIChatClient, GroupChat
from agent_framework.tools import function_tool

# Point the framework at your Ertas-trained model served via Ollama
client = OpenAIChatClient(
    base_url="http://localhost:11434/v1",
    api_key="not-needed",
    model="ertas-finance-ops-14b",
)

@function_tool
async def fetch_invoice(invoice_id: str) -> dict:
    """Look up an invoice from the finance system."""
    return await finance_api.get_invoice(invoice_id)

@function_tool
async def approve_payment(invoice_id: str, amount: float) -> dict:
    """Approve and queue a payment."""
    return await finance_api.approve(invoice_id, amount)

# Define specialized agents
auditor = ChatAgent(
    name="Auditor",
    client=client,
    instructions="You verify invoice details and flag anomalies.",
    tools=[fetch_invoice],
)

approver = ChatAgent(
    name="Approver",
    client=client,
    instructions="You approve payments after the auditor verifies them.",
    tools=[approve_payment],
)

# Multi-agent group chat
chat = GroupChat(agents=[auditor, approver])
result = await chat.run("Process invoice INV-2026-0512 — verify and approve if valid.")

使用 Microsoft Agent Framework 並由 Ertas 訓練的 14B 模型支援，建構多代理財務工作流程。框架處理編排；本地模型以零按 token 成本處理推論。