
Microsoft Agent Framework là nền tảng nguồn mở, hỗ trợ đa ngôn ngữ (.NET, Python, Go) được Microsoft phát triển nhằm hợp nhất việc xây dựng, điều phối và triển khai các hệ thống và luồng công việc đa tác tử ( workflows) từ giai đoạn thử nghiệm lên môi trường production.
Nền tảng giải quyết bài toán chuyển giao kỹ thuật bằng cách cung cấp mô hình trừu tượng hóa chuẩn hóa, giúp hệ thống vận hành ổn định, quản lý trạng thái (state management), tích hợp khả năng quan sát (observability) và đáp ứng tiêu chuẩn an toàn dữ liệu doanh nghiệp.
Kiến trúc của Microsoft Agent Framework được thiết kế dựa trên các nguyên tắc phát triển phần mềm hiện đại, hỗ trợ đầy đủ vòng đời của một AI Agent. Chúng ta có thể định nghĩa agent một lần duy nhất và thực thi trên nhiều môi trường khác nhau như ứng dụng Console, các dịch vụ Cloud Hosted, hoặc chạy trong hạ tầng kiểm thử tự động (CI/CD).
Thông qua việc chuẩn hóa lớp giao tiếp mô hình và hạ tầng điều phối, nền tảng giúp loại bỏ hoàn toàn mã nguồn lặp lại (boilerplate code), cho phép đội ngũ kỹ thuật tập trung vào logic nghiệp vụ và khả năng mở rộng của hệ thống AI trong môi trường thực tế.
Vì sao Microsoft hợp nhất AutoGen và Semantic Kernel?

Trước khi Microsoft Agent Framework ra đời, việc phát triển ứng dụng AI Agent trong hệ sinh thái Microsoft bị phân tán giữa hai framework tiền thân là AutoGen và Semantic Kernel. AutoGen thể hiện ưu thế trong môi trường nghiên cứu nhờ cơ chế hợp tác đa tác tử (multi-agent collaboration) linh hoạt, cho phép các mô hình hội thoại tự do để giải quyết bài toán. Tuy nhiên, AutoGen thiếu sự chuẩn hóa về hạ tầng doanh nghiệp, gây khó khăn khi cần đóng gói, quản lý trạng thái và triển khai lên các môi trường production khắt khe.
Ngược lại, Semantic Kernel được tối ưu hóa cho bài toán điều phối doanh nghiệp (enterprise orchestration), tích hợp sâu với hệ sinh thái .NET/Azure và hỗ trợ đóng gói các bộ nối (connectors) hệ thống mạnh mẽ. Mặc dù vậy, Semantic Kernel lại thiếu các mô hình tương tác đa tác tử linh hoạt và các kỹ thuật nghiên cứu nâng cao mà AutoGen sở hữu. Sự khác biệt kiến trúc giữa hai thư viện này tạo ra rào cản lớn khi chuyển giao một mẫu thử nghiệm (prototype) từ AutoGen sang môi trường vận hành của Semantic Kernel.
Để giải quyết bài toán phân mảnh, thư viện nền tảng Microsoft.Extensions.AI được giới thiệu nhằm chuẩn hóa giao diện tương tác với mô hình thông qua lớp trừu tượng IChatClient. Microsoft.Extensions.AI đóng vai trò là hạ tầng chung cho cả .NET và Python, tách biệt hoàn toàn logic xử lý của agent khỏi các nhà cung cấp mô hình cụ thể (Azure OpenAI, GitHub Models, Ollama, Foundry Local). Sự đóng góp của IChatClient giúp đảm bảo tính linh hoạt: agent có thể đổi mô hình backend mà không cần chỉnh sửa mã nguồn điều phối.
Mục tiêu cốt lõi của việc hợp nhất là tạo ra Microsoft Agent Framework - một bộ công cụ sản xuất (production-grade framework) nhất quán. Nền tảng này hỗ trợ toàn bộ vòng đời (lifecycle) của agent: từ khâu xây dựng, điều phối dạng đồ thị (graph-based orchestration), tích hợp khả năng quan sát qua OpenTelemetry, tuân thủ an ninh dữ liệu với Microsoft Purview, cho đến triển khai hạ tầng đám mây trên Foundry Hosted Agents.
Kiến trúc tổng thể và các thành phần cốt lõi của Agent Framework
Kiến trúc của Microsoft Agent Framework được xây dựng xung quanh 3 trụ cột chính cấu thành nên một AI Agent hoàn chỉnh:
- Lý luận (Reasoning): Được đảm nhận bởi các (LLM) hoặc thuật toán lập kế hoạch, giúp agent đưa ra quyết định hành động.
- Ngữ cảnh (Context awareness): Quản lý trạng thái, lịch sử hội thoại, bộ nhớ (Memory) và dữ liệu doanh nghiệp để cung cấp thông tin đầu vào chính xác cho mô hình.
- Công cụ (Tools): Các khả năng thực thi cụ thể như API, công cụ (MCP), thực thi mã nguồn (Code Execution) hoặc truy vấn dữ liệu.

Về mặt phần mềm, framework cung cấp các lớp trừu tượng cốt lõi như AIAgent và ChatClientAgent. AIAgent định nghĩa giao diện chung cho mọi agent trong hệ thống, trong khi ChatClientAgent là triển khai cụ thể tích hợp với IChatClient. Framework tích hợp hệ thống Middleware linh hoạt, cho phép các kỹ sư can thiệp trực tiếp vào pipeline xử lý yêu cầu/phản hồi (request/response), hỗ trợ các tác vụ như ghi log, xử lý ngoại lệ, kiểm duyệt an ninh hoặc thay đổi ngữ cảnh trước khi gửi tới LLM.
Ngoài việc khai báo bằng mã nguồn, Microsoft Agent Framework hỗ trợ định nghĩa Agent dạng khai báo cấu hình (Declarative Agents thông qua file YAML), giúp tách biệt cấu hình agent khỏi logic ứng dụng và thuận tiện cho việc quản lý phiên bản. Đi kèm với framework là công cụ DevUI, cung cấp giao diện trực quan hỗ trợ kiểm thử, theo dõi luồng thực thi và tinh chỉnh agent trong quá trình phát triển.
Dưới đây là đoạn mã minh họa cài đặt gói thư viện và khởi tạo một AIAgent tích hợp trực tiếp với Azure AI Foundry SDK trong môi trường .NET:
# Cài đặt các gói NuGet nền tảng cho .NET
dotnet add package Microsoft.Agents.AI
dotnet add package Microsoft.Agents.AI.Foundry
dotnet add package Azure.AI.Projects
dotnet add package Azure.Identityusing System;
using Azure.AI.Projects;
using Azure.Identity;
using Microsoft.Agents.AI;
string endpoint = Environment.GetEnvironmentVariable("FOUNDRY_PROJECT_ENDPOINT")
?? throw new InvalidOperationException("FOUNDRY_PROJECT_ENDPOINT chưa được cấu hình.");
string deploymentName = Environment.GetEnvironmentVariable("FOUNDRY_MODEL") ?? "gpt-4o-mini";
// 1. Khởi tạo AIAgent chuẩn hóa thông qua AIProjectClient của Azure AI Foundry
AIAgent writerAgent = new AIProjectClient(new Uri(endpoint), new DefaultAzureCredential())
.AsAIAgent(
model: deploymentName,
instructions: "Bạn là một chuyên viên biên soạn nội dung kỹ thuật ngắn gọn, chính xác.",
name: "Writer"
);
// 2. Thực thi agent
AgentRunResponse response = await writerAgent.RunAsync("Viết mô tả ngắn về Microsoft Agent Framework.");
Console.WriteLine(response.Text);Điều phối đa tác tử với Graph-Based Workflows
Khi ứng dụng mở rộng, các mục tiêu phức tạp không thể giải quyết hiệu quả bằng một agent đơn lẻ mà cần chia nhỏ thành các bước do những agent chuyên biệt đảm nhận. Microsoft Agent Framework giải quyết bài toán này bằng cơ chế điều phối dạng đồ thị (Graph-Based Workflows), cho phép kết nối các agent và công cụ thành một quy trình xử lý có cấu trúc.
Framework hỗ trợ 4 mô hình điều phối chính:
- Tuần tự (Sequential): Các agent thực thi theo thứ tự tuyến tính; kết quả đầu ra (output) của agent trước trở thành dữ liệu đầu vào (input) của agent sau.
- Song song (Concurrent): Nhiều agent vận hành đồng thời để xử lý các khía cạnh khác nhau của một yêu cầu, sau đó tổng hợp kết quả lại.
- Chuyển giao (Handoff): Quyền điều khiển hệ thống được chuyển giao linh hoạt giữa các agent dựa trên ngữ cảnh phát sinh trong quá trình hội thoại.
- Thảo luận nhóm (GroupChat): Các agent cùng tương tác, trao đổi và phản hồi trong một không gian hội thoại chung. Việc luân chuyển lượt nói (turn-taking) được quản lý chặt chẽ bởi các chiến lược điều phối như
RoundRobinGroupChatManagerhoặc bộ quản lý tùy biến.

Để đảm bảo tính tin cậy cho các quy trình chạy dài (long-running workflows), framework tích hợp các tính năng quản lý trạng thái nâng cao:
- Checkpointing: Lưu lại điểm kiểm tra của quy trình, cho phép tạm dừng và khôi phục trạng thái làm việc khi gặp sự cố mà không phải chạy lại từ đầu.
- Human-in-the-loop: Cho phép con người can thiệp vào quy trình để phê duyệt (approval) hoặc chỉnh sửa dữ liệu trước khi agent tiếp tục bước tiếp theo.
- Time-travel: Quay ngược trạng thái hệ thống về một điểm kiểm tra trong quá khứ để thử nghiệm các hướng xử lý khác.
- Streaming: Phản hồi dữ liệu theo thời gian thực (real-time stream) cho ứng dụng phía người dùng.
Đoạn mã C# dưới đây minh họa việc kết nối Writer Agent và Editor Agent thành một quy trình tuần tự bằng AgentWorkflowBuilder:
using Microsoft.Agents.AI;
using Microsoft.Agents.AI.Workflows;
// Giả định writerAgent đã được khởi tạo
AIAgent editorAgent = new ChatClientAgent(
chatClient,
new ChatClientAgentOptions
{
Name = "Editor",
Instructions = "Chỉnh sửa văn bản về mặt ngữ pháp, cấu trúc và văn phong kỹ thuật."
});
// Kết nối các agent thành quy trình tuần tự: Writer -> Editor
Workflow workflow = AgentWorkflowBuilder.BuildSequential(writerAgent, editorAgent);
// Đóng gói Workflow thành một AIAgent thống nhất để tái sử dụng
AIAgent workflowAgent = await workflow.AsAgentAsync();
// Thực thi quy trình với yêu cầu đầu vào
AgentRunResponse workflowResponse = await workflowAgent.RunAsync("Viết bài tổng quan về hệ thống AI.");
Console.WriteLine(workflowResponse.Text);Mở rộng khả năng qua Model Context Protocol và Distributed Skills

Trong việc thiết kế hệ thống đa tác tử, chúng ta nâng cao năng lực hệ thống qua hai kiến trúc chính: Agent-as-a-Tool (A2A) và Distributed Skills thông qua Model Context Protocol (MCP). Việc lựa chọn kiến trúc ảnh hưởng trực tiếp đến hiệu năng và chi phí vận hành.
Về bản chất kỹ thuật, mô hình Agent-as-a-Tool () thực hiện ủy quyền nhiệm vụ (Task Delegation). Khi agent chính gọi một agent phụ trách (ví dụ: chuyên gia thời tiết), agent phụ sẽ khởi chạy một vòng lặp suy luận (model loop) độc lập với mô hình, ngữ cảnh và lịch sử truy vấn riêng. Trong khi đó, kiến trúc Distributed Skills thực hiện ủy quyền thao tác (Operation Delegation). Dịch vụ chuyên môn chỉ cung cấp tài nguyên hướng dẫn SKILL.md và các công cụ MCP chuẩn hóa. Agent chính sẽ nạp hướng dẫn này vào ngữ cảnh của mình và trực tiếp gọi các công cụ MCP trên cùng một vòng lặp suy luận duy nhất.
Mô hình Agent-as-a-Tool (A2A):
[Orchestrator Agent (Model Loop 1)] ---> (Calls A2A Tool) ---> [Specialist Agent (Model Loop 2)] ---> [Specialist Tool]
Mô hình Distributed Skills (MCP):
[Orchestrator Agent (Model Loop 1)] --- (Loads SKILL.md) ---> Context Integration
--- (Calls MCP Tool) ---> [MCP Tool Execution]
Dữ liệu thực nghiệm từ các thử nghiệm hệ thống (trên kịch bản Ski Resort Demo) thể hiện sự khác biệt rõ rệt giữa hai phương pháp:
- Số lượng vòng gọi mô hình (Model Calls): Mô hình A2A yêu cầu từ 6 đến 7 model calls cho một yêu cầu phức tạp (do các agent phụ phải tự chạy vòng lặp suy luận riêng). Ngược lại, kiến trúc MCP Skills chỉ tốn đúng 3 model calls trên agent chính.
- Thời gian phản hồi (Latency): Trong các thử nghiệm thực thi lại với bộ nhớ đệm (cache), thời gian phản hồi trung bình của A2A mất ~15.48 giây, trong khi kiến trúc MCP Skills chỉ mất ~6.35 giây.
- Mức tiêu thụ Token: Mặc dù giảm số lượng model calls, kiến trúc MCP Skills làm tổng lượng tích lũy tăng khoảng 22% (13,533 tokens so với 11,134 tokens ở mô hình A2A). Nguyên nhân là do việc nạp trực tiếp tài nguyên hướng dẫn
SKILL.mdcùng toàn bộ định dạng tham số (schemas) của các công cụ MCP khiến (context window) của duy nhất một vòng lặp suy luận trên agent chính tăng tích lũy qua từng lượt tương tác.
Cơ chế vận hành của Distributed Skills dựa trên giao thức MCP. Các dịch vụ đăng ký endpoint /skillsmcp, cung cấp chỉ mục qua tài nguyên skill://index.json và nội dung qua skill://<skill-name>/SKILL.md. Khi một skill được nạp, middleware SkillToolsMiddleware trong Agent Framework sẽ tự động đăng ký các công cụ MCP tương ứng vào runtime của agent thông qua API add_tools, giúp agent chính có thể gọi trực tiếp thao tác ở lượt suy luận tiếp theo.
Ví dụ về cấu hình tài nguyên hướng dẫn trong file SKILL.md:
---
name: weather
description: Cung cấp thông tin thời tiết thực tế và dự báo cho khu vực.
---
# Quy trình xử lý thời tiết
1. Sử dụng công cụ `weather_current_conditions` để lấy nhiệt độ, độ ẩm và tốc độ gió hiện tại.
2. Sử dụng công cụ `weather_forecast` khi người dùng yêu cầu thông tin dự báo cho các giờ tiếp theo (giá trị từ 1 đến 24).
3. Báo cáo chính xác các giá trị kèm đơn vị đo lường.Đoạn mã C# minh họa việc định nghĩa công cụ MCP trên phía dịch vụ cung cấp bằng McpServerTool:
using System.ComponentModel;
using System.ComponentModel.DataAnnotations;
public class WeatherTools
{
[McpServerTool(
Name = "weather_forecast",
ReadOnly = true,
Destructive = false,
UseStructuredContent = true)]
[Description("Tạo dự báo thời tiết theo giờ dựa trên dữ liệu hiện tại.")]
public async Task<WeatherForecast> Forecast(
[Description("Số giờ dự báo (từ 1 đến 24)."), Range(1, 24)] int hours,
CancellationToken cancellationToken)
{
if (hours is < 1 or > 24)
throw new ArgumentOutOfRangeException(nameof(hours), "Số giờ phải nằm trong khoảng 1-24.");
// Gọi dịch vụ nghiệp vụ nội bộ
return await _weatherService.GetForecastAsync(hours, cancellationToken);
}
}Đưa Agent lên production với Agent Harness và Observability

Để đưa một ứng dụng AI Agent từ môi trường phát triển cá nhân lên vận hành thực tế ở quy mô doanh nghiệp, hệ thống cần được gia cố trên 4 trục năng lực chính thông qua mô hình Agent Harness:
+-----------------------------------+
| Shared Agent Factory |
+-----------------------------------+
|
+------------------+-------+-------+------------------+
| | | |
v v v v
+-----------------+ +---------------+ +---------------+ +---------------+
| Observability | | Governance | | Deployment | | Evaluations |
| (OpenTelemetry) | | (Purview) | |(Foundry Host) | | (Local/Foundry|
+-----------------+ +---------------+ +---------------+ +---------------+
1. Shared Agent Factory (Nhà máy khởi tạo Agent dùng chung)
Một thiết kế quan trọng trong bài toán production là tách biệt định nghĩa logic của agent khỏi môi trường thực thi (host). Chúng ta sử dụng Shared Agent Factory để cấu hình toàn bộ instructions, tools, skills, memory và background agents tại một nơi duy nhất. Sau đó, factory này được nạp bởi các host khác nhau: Console (dùng khi dev), Service Host (chạy REST API trên cloud), và CI Evals Runner (chạy kiểm thử tự động).
2. Observability (Khả năng quan sát)
Hệ thống agent tích hợp sẵn chuẩn OpenTelemetry, tự động phát sinh các dữ liệu traces, metrics và logs cho từng lượt gọi mô hình, từng thao tác gọi công cụ (tool call) và mức tiêu thụ token. Điểm khác biệt quan trọng giữa các môi trường thực thi nằm ở cấu hình xuất dữ liệu (exporting):
- Môi trường cục bộ (Local/Console): Đội ngũ phát triển cần thiết lập thủ công các Provider và chỉ định endpoint nhận dữ liệu thông qua biến môi trường
OTEL_EXPORTER_OTLP_ENDPOINT. - Môi trường Foundry Hosted Agent: Runtime của Foundry tự động đăng ký pipeline xuất OpenTelemetry mà không cần viết lại mã nguồn cấu hình exporter (zero-config). Hệ thống tự động tiêm biến môi trường
APPLICATIONINSIGHTS_CONNECTION_STRING, đẩy trực tiếp toàn bộ dữ liệu telemetry về Azure Application Insights.
3. Governance (Quản trị dữ liệu)
Đối với các hệ thống xử lý dữ liệu nhạy cảm (như tài chính, y tế), việc tích hợp Microsoft Purview thông qua Chat Middleware (PurviewChatPolicyMiddleware hoặc .WithPurview()) cho phép kiểm duyệt dữ liệu đầu vào (prompt) và đầu ra (response) theo chính sách của tổ chức. Hệ thống tự động chặn các thông tin nhạy cảm, mã hóa hoặc thay thế bằng thông báo vi phạm, đồng thời lưu vết nhật ký để phục vụ công tác kiểm toán (audit trail).
4. Triển khai & Môi trường thực thi an toàn
Khi triển khai lên dịch vụ Foundry Hosted Agent (thông qua Responses API), các tính năng có nguy cơ mất an toàn trên container cần phải bị vô hiệu hóa bằng cách thiết lập cấu hình: EnableFileAccess = false và EnableShell = false. Nếu ứng dụng bắt buộc phải lưu trữ file, chúng ta không ghi trực tiếp lên đĩa tạm của container mà phải sử dụng một bộ lưu trữ ngoài như BlobAgentFileStore (kết nối Azure Blob Storage). Đối với tính năng thực thi mã Python (CodeAct), môi trường production sẽ áp dụng LocalCodeAct để chạy mã nguồn trong một tiến trình con đã được cách ly bởi container.
5. Đánh giá (Evaluations)
Trước khi nâng cấp phiên bản, hệ thống được đánh giá tự động thông qua LocalEvaluator (chạy các hàm kiểm tra logic nhanh, không tốn chi phí trên CI) kết hợp với FoundryEvals (sử dụng LLM để chấm điểm chất lượng về độ liên quan - relevance và độ bối cảnh - coherence).
Đoạn mã C# dưới đây minh họa việc đóng gói một Agent Factory vào ASP.NET Core Minimal API để triển khai dịch vụ Hosted Agent sẵn sàng cho production:
using Azure.Identity;
using Microsoft.Agents.AI.Foundry.Hosting;
var builder = WebApplication.CreateBuilder(args);
// 1. Tải cấu hình Agent từ Factory dùng chung với các thiết lập an toàn
await using ClawAgentBuild build = await ClawAgentFactory.CreateAsync(new ClawAgentFactoryOptions
{
ProjectEndpoint = Environment.GetEnvironmentVariable("FOUNDRY_PROJECT_ENDPOINT"),
DeploymentName = Environment.GetEnvironmentVariable("FOUNDRY_MODEL"),
Credential = new DefaultAzureCredential(),
// Tắt các tính năng nguy hiểm trên đĩa container tạm thời
EnableFileAccess = false,
EnableShell = false
});
// 2. Đăng ký dịch vụ Responses API và tự động cấu hình OpenTelemetry
builder.Services.AddFoundryResponses(build.Agent);
var app = builder.Build();
// 3. Ánh xạ endpoint để Foundry Service tương tác trực tiếp
app.MapFoundryResponses();
app.Run();So sánh Microsoft Agent Framework với LangGraph và AutoGen
Để định vị Microsoft Agent Framework trong hệ sinh thái AI hiện tại, chúng ta phân tích các điểm khác biệt về kiến trúc so với những nền tảng phổ biến khác:
| Tiêu chí so sánh | AutoGen (Thế hệ cũ) | LangGraph | Microsoft Agent Framework |
|---|---|---|---|
| Mô hình điều phối | Hội thoại tự do giữa các tác tử, khó kiểm soát luồng | Dựa trên đồ thị trạng thái (Stateful Graph) | Dựa trên đồ thị chuẩn hóa (Sequential, Concurrent, Handoff, GroupChat) |
| Hỗ trợ ngôn ngữ | Chủ yếu là Python | Python, TypeScript | Đồng nhất giữa .NET, Python và Go |
| Quản lý trạng thái | Hạn chế, phụ thuộc vào bộ nhớ đệm hội thoại | Tích hợp Checkpointing và State persistence | Hỗ trợ Checkpointing, Time-travel, Human-in-the-loop enterprise |
| Giao thức công cụ | Tùy biến theo thư viện | Tùy biến hoặc tích hợp LangChain Tools | Chuẩn hóa qua giao thức MCP và Distributed Skills |
| Tích hợp Cloud & Enterprise | Phải tự xây dựng hạ tầng hosting và monitoring | Cung cấp dịch vụ LangGraph Cloud (nền tảng trả phí đóng) | Tích hợp sâu vào hạ tầng Cloud Azure/Foundry Native, Application Insights, Purview, Aspire |
So với các phiên bản AutoGen thế hệ cũ, Microsoft Agent Framework đã chuyển đổi hoàn toàn từ mô hình hội thoại tự do khó đoán sang quy trình điều phối đồ thị có kiểm soát chặt chẽ. Việc bổ sung cơ chế Checkpointing giúp quản lý trạng thái doanh nghiệp ổn định hơn.
So với các framework dựa trên đồ thị như LangGraph vốn phụ thuộc vào hạ tầng thương mại riêng biệt (LangGraph Cloud), điểm mạnh của Microsoft Agent Framework nằm ở bản chất nguồn mở hoàn toàn, hỗ trợ đa ngôn ngữ (.NET & Python) và khả năng tích hợp trực tiếp vào hạ tầng đám mây sẵn có của doanh nghiệp. Đội ngũ kỹ thuật có thể tận dụng Microsoft Purview cho an ninh dữ liệu, OpenTelemetry cho quan sát, và đóng gói hệ thống qua .NET Aspire mà không bị khóa chặt vào dịch vụ độc quyền.
Một ưu điểm kiến trúc khác là tính linh hoạt hạ tầng (Infrastructure Flexibility). Thông qua việc sử dụng trừu tượng IChatClient, hệ thống có thể chuyển đổi linh hoạt giữa các nhà cung cấp mô hình như Azure OpenAI, GitHub Models, Foundry Local hoặc Ollama chạy cục bộ mà không cần phải viết lại bất kỳ dòng mã nào trong logic điều phối của Agent.
Khi nào nên chọn Microsoft Agent Framework?
Doanh nghiệp nên lựa chọn Microsoft Agent Framework khi đội ngũ phát triển làm việc chính trên hệ sinh thái .NET hoặc Python, có nhu cầu đưa hệ thống AI Agent từ dạng thử nghiệm lên môi trường vận hành thực tế (production). Đây là giải pháp phù hợp cho các hệ thống đòi hỏi khắt khe về khả năng quan sát (OpenTelemetry), an ninh và quản trị dữ liệu (Microsoft Purview), quản lý trạng thái phức tạp (State Management/Checkpointing), và tích hợp sâu vào hạ tầng điện toán đám mây Azure hoặc Foundry Native.
Ngược lại, việc áp dụng Microsoft Agent Framework là không cần thiết nếu dự án chỉ dừng lại ở các ứng dụng xử lý hội thoại đơn giản, không lưu trữ trạng thái (stateless chat) hoặc các tác vụ chỉ yêu cầu thực thi một câu lệnh prompt duy nhất.
Tài liệu tham khảo
- Microsoft Agent Framework Documentation Overview — Microsoft Learn
- Microsoft Agent Framework Open Source Repository — GitHub
- Introducing Microsoft Agent Framework: The Open-Source Engine for Agentic AI Apps — Microsoft Foundry Blog
- Agent Framework Workflows: Graph-Based Multi-Agent Orchestration — Microsoft Learn
- Introducing Microsoft Agent Framework (Preview): Making AI Agents Simple for Every Developer — .NET Blog
- From Specialist Agents to Distributed Skills over MCP — Microsoft Agent Framework
- Agent Harness: Making Your Agent Production-Ready — Microsoft Agent Framework
- Microsoft Agent Framework Samples & Reference Topologies — GitHub