Microsoft Agent Framework + Ertas

在 Microsoft Agent Framework 上构建生产智能体——AutoGen 与 Semantic Kernel 已正式发布的继任者，具备企业级编排能力，并完整支持 Ertas 训练的本地模型。

Overview

Microsoft Agent Framework 是 AutoGen 与 Semantic Kernel 的统一继任者，于 2026 年 2 月以 RC1.0 发布，并在 2026 年 4 月 3 日以 1.0 版本正式可用。2026 年 5 月初的 v1.3.0 发布新增了基于类的 skills、实验性的 harness context providers、提示注入防护以及扩展的 OpenAI / Anthropic / Foundry 支持，并发布了持久化工作流文档。它把 AutoGen 的多智能体对话模式与 Semantic Kernel 的编排原语整合到一个具备 .NET、Python 与 TypeScript 运行时的统一框架中。微软公开声明的方向是 AutoGen 进入维护模式，新开发应面向 Microsoft Agent Framework——使其成为今后规范的微软智能体技术栈。

该框架的架构借鉴了两个前身。从 AutoGen 继承了多智能体对话模式：具有不同角色的智能体通过结构化消息沟通，并通过对话达到结果。从 Semantic Kernel 继承了 planner 抽象、connector 生态以及与微软企业栈（Microsoft 365、Azure AI、Power Platform）的紧密集成。结果是一个能够干净地适配以微软为中心的企业架构、同时灵活到能在其模型抽象上承载任何 LLM 提供商的框架。

该框架支持任何兼容 OpenAI 的端点作为模型提供商，这使得自托管与微调本地模型与 Azure OpenAI 以及更广泛的 Azure AI Foundry 目录平起平坐。对于已经投入微软工具——Visual Studio、Azure DevOps、Microsoft 365——的团队，这是通往不依赖云 API 经济模型的生产智能体的最低摩擦路径。

How Ertas Integrates

Ertas 训练的模型通过 Microsoft Agent Framework 的 OpenAI 兼容提供商集成。在 Studio 中微调并导出为 GGUF 后，你通过 Ollama、vLLM 或 Ertas Cloud 提供模型服务，然后用你的端点 URL 与占位符 API key 配置框架的 `OpenAIChatClient`（或 .NET / TypeScript 中的等价物）。智能体抽象、多智能体编排以及微软栈连接器都对你的微调模型透明工作。

这种组合对希望获得微软开发工具与连接器生态、但不愿在规模化时承担 Azure OpenAI 按 token 计费成本的企业尤为相关。Microsoft Agent Framework + Ertas 训练模型 + 本地推理产出的智能体栈契合现有的微软企业协议，同时让推理成本固定可预测。对于处理高调用量的智能体应用——客户支持、内部知识检索、文档处理——这可以将每任务经济模型翻转 10 至 100 倍。

对于从 AutoGen 迁移的团队，该框架提供了文档化的迁移路径。现有的 AutoGen 多智能体对话主要通过机械式改动即可移植到 Microsoft Agent Framework，并且底层模型提供商可以在同一迁移步骤中从 Azure OpenAI 替换为本地的 Ertas 训练模型。这通常是把按 token 的 API 成本作为更广泛平台现代化工作的一部分转换为按 VM 的计算成本的合适时机。

Getting Started

1
在 Ertas Studio 中微调领域模型
在能够捕获你企业特定模式的数据上训练——术语、文档约定、内部工具 schema。Studio 的数据格式可与现有 AutoGen 或 Semantic Kernel 部署的多智能体对话轨迹协作。
2
部署到兼容 OpenAI 的端点
导出为 GGUF 并通过 Ollama、vLLM 或 Ertas Cloud 提供服务。Microsoft Agent Framework 可调用任何暴露标准聊天补全 API 的端点。
3
安装 Microsoft Agent Framework
用你选择的语言安装框架（通过 NuGet 安装 .NET、通过 pip 安装 Python、通过 npm 安装 TypeScript）。三个运行时共享相同的智能体与编排抽象。
4
配置模型客户端并定义智能体
创建一个指向你的 Ertas 推理端点的 `OpenAIChatClient`。使用框架的智能体抽象定义带角色、指令和工具的智能体。
5
用内置模式或自定义工作流进行编排
使用框架内置的编排模式（顺序、群聊、分层）或构建自定义工作流。Microsoft 365 连接器、Power Platform 集成与 Azure AI Search 都能针对本地模型透明工作。

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 与一个 14B 的 Ertas 训练模型构建多智能体财务工作流。框架处理编排；本地模型以零按 token 成本处理推理。