Microsoft Agent Framework
AutoGen + Semantic Kernel 合并后的唯一官方 SDK：.NET 与 Python 同构，MCP 与 A2A 原生
如果 2026 年要选一个「企业能长期押注」的 Agent 框架，它在候选池的前两位。真实价值不是「又一个编排库」，而是三件事：双语言同构 API（.NET 与 Python 一套概念）、MCP 与 A2A 原生、以及 Agent Harness 把自动上下文压缩、TODO 跟踪、技能发现、后台子 Agent 这些脏活做成了默认件。代价是英文生态与 .NET 系概念门槛。
基于微软官方 devblogs（BUILD 2026 公告与 1.0 GA 说明）与迁移文档评估：五种编排模式 + 图工作流（checkpoint / HITL 暂停续跑）+ 六家模型 provider + MCP/A2A 一等公民 + Agent Harness 开箱
.NET 与 Python API 同构、DevUI 可视化调试降低排障成本，但 kernel / middleware / DI 这套企业概念仍有学习曲线
开源免费、无许可成本
文档与示例以英文为主，中文资料靠社区
1.0 GA 带长期支持与向后兼容承诺、OpenTelemetry 内置
- 评分人
- AI 之家编辑部
- 最近复核
- 2026-10-27
- 下次复核
- 2027-04-25 （周期 180 天）
- 利益声明
- 本站不接软文、不卖排名
TL;DR
一句话： MAF 是微软把 AutoGen（多 Agent 编排） 和 Semantic Kernel（企业底座） 合并后的唯一官方 SDK，2026-04-02 GA，.NET 与 Python 一套概念。
三个真正值钱的点：
- 双语言同构：
Microsoft.Agents.AI（.NET 9+）与agent-framework（Python 3.10+）API 形状一致——这在微软体系里是罕见的承诺，也意味着 .NET 团队终于不用为了用 Agent 框架改技术栈。 - MCP 与 A2A 是一等公民：不是外挂插件，是运行时内建。想接工具走 MCP，想跨组织委派走 A2A。
- Agent Harness 开箱：自动上下文压缩、文件记忆、TODO 跟踪、plan/execute 双模式、技能发现、后台并行子 Agent——一个方法挂上，不用自己造。
该关注的迁移对象：AutoGen 自 2025-10 进入维护模式（只修 bug），新项目不应再从它起步。
来源说明：本卡基于微软官方 devblogs 与官方仓库、迁移文档整理，非第一人称生产实测；GA 日期以官方 devblogs 的 2026-04-02 为准（部分二手报道记 04-03）。
它到底是个什么
先看合并的动机。AutoGen 长于多 Agent 编排（群聊、角色、对话驱动），Semantic Kernel 长于企业集成（类型安全、中间件、连接器、遥测、依赖注入）。两个都在微软研究院体系里长出来、都有几万 star，结果就是客户两边都上、然后两边都在维护：.NET 与 Python 侧漂移、连接器代码重复、两套遥测要对接。
MAF 的解法是五层合成：
| 层 | 内容 | 来自谁 |
|---|---|---|
| 连接器层 | 六家模型 provider 可换 | Semantic Kernel |
| Kernel 层 | DI 容器、中间件管线、类型安全 | Semantic Kernel |
| Agent 原语层 | Agent 抽象、会话、记忆 | 两者融合 |
| 编排层 | 图工作流 + 五种模式 | AutoGen 模式，重写为图引擎 |
| 互操作层 | MCP + A2A 内建 | 新增 |
两层的使用规则很清楚：开放/对话型任务 → 单个 Agent；需要明确控制执行顺序、多角色协调、可确定性重跑 → 工作流。
核心能力
五种编排模式 + 图工作流
| 模式 | 形状 | 典型场景 |
|---|---|---|
| Sequential | A → B → C，前者输出喂后者 | 文档流水线：抽取 → 摘要 → 分类 → 撰写 |
| Concurrent | 同一输入多路并发 | 集成校验：三份草稿里挑最好的 |
| Handoff | A 显式把控制权交给 B | 客服分流：一线判断 → 转专家 |
| Group chat | 多 Agent 共享会话，主持人调度 | 代码评审：规划者 / 实现者 / 批评者同室 |
| Magentic-One | 通用规划器 + 专家 Agent | 开放式研究：浏览、写码、汇总，无固定路径 |
五种都支持流式、checkpoint、人工审批（HITL）与暂停续跑。checkpoint 在步骤边界自动落盘，长流程跑一半崩了可从最近检查点恢复——这是「能不能上生产」的分水岭之一。
Agent Harness：把脏活做成默认件
BUILD 2026 补的这块是 1.0 之后最实用的增量。一个方法把普通 chat client 升级成完整 harness，自带：
- 自动上下文压缩：监控 token 用量、在循环中途压缩历史，避免长工具链把窗口撑爆
- 文件记忆（FileMemoryProvider）：按会话存笔记与学到的东西
- TODO 跟踪（TodoProvider）：Agent 自己加 / 完成 / 删除 / 列出工作项
- plan / execute 双模式（AgentModeProvider）：先规划再执行，两件事分开
- 技能发现（AgentSkillsProvider）：从文件系统发现并执行技能，模块化注入能力
- 后台子 Agent（BackgroundAgentsProvider）：并行 fan-out 委派
- 审批规则（ToolApprovalAgent）：「这类工具以后不用再问我」
- 遥测（OpenTelemetryAgent）：按语义约定自动埋点
对做过 Agent 工程的人来说，这张清单就是过去半年踩过的坑的集合。
六家 provider，不再锁 Azure
Azure OpenAI、OpenAI、Anthropic Claude、Amazon Bedrock、Google Gemini、Ollama。这一条的意义是能力抽象在 provider 之间成立——接 Bedrock 或本地 Ollama 不用改架构。对国内团队，Ollama 这一项意味着可以全离线跑。
声明式 YAML Agent
Agent 与其工作流可以写成 YAML 提交到版本库，用一个 API 调用加载运行。能进 code review 与回滚这件事，在受监管行业比性能更值钱——行为变更变成可 diff 的代码评审，而不是「谁在后台改了 prompt」。
DevUI + OpenTelemetry 默认开
浏览器里的本地调试器，实时渲染工具调用、编排决策、Agent 间消息；遥测默认接 OpenTelemetry，直接进 Grafana / Datadog。官方的那句提醒值得抄下来：第一次玩 handoff 模式前先把 DevUI 打开，否则调试并发 Agent 与群聊只能靠读日志。
价格
| 项目 | 价格 | 说明 |
|---|---|---|
| 框架本体 | $0 | 开源，Python 与 .NET 双 SDK |
| 模型调用 | 按各家 token 价 | 六家任选；本地 Ollama 零 token 成本（吃硬件） |
| Foundry Hosted Agents | 按容器 / 会话 | 托管部署、scale-to-zero、托管会话状态、版本管理 |
成本结构的真相：框架不要钱，模型和容器要钱。长会话 + 并行子 Agent 会同时放大 token 与容器两块账单，先小流量验证再放量。
同层对比
| 维度 | MAF | AutoGen | CrewAI | Langflow |
|---|---|---|---|---|
| 状态 | 1.0 GA，官方主推 | 维护模式（仅 bug 修复） | 活跃 | 活跃 |
| 语言 | .NET + Python 同构 | Python | Python | 可视化 + Python |
| 编排 | 图工作流 + 5 模式 | 对话驱动 | 角色 / crew | 画布 |
| HITL / checkpoint | 原生 | 部分 | 部分 | 有限 |
| MCP / A2A | 一等公民 | MCP 部分 | MCP 支持 | MCP 支持 |
| 企业底座（DI / 中间件 / 遥测） | 强 | 弱 | 中 | 中 |
| 上手成本 | 中高 | 中 | 低 | 低 |
怎么选：.NET / 企业集成 / 要长期支持 → MAF；快速原型、角色化团队 → CrewAI；业务同学要拖拽 → Langflow / Dify；存量 AutoGen 项目 → 排迁移，别等。
国内使用注意事项
- 框架可完全自托管，接本地 Ollama 或国产模型 OpenAI 兼容端点即可，但文档与示例全英文。
- 托管路径受合规约束：Foundry Hosted Agents 在 Azure 上，数据驻留要单独评估。
- 替代路线：可视化 + 私有化看 Dify；轻量 Python 编排看 CrewAI。
避坑清单
- 别把 GA 日期写错：官方是 2026-04-02，很多二手文章写 04-03。站内引用统一。
- AutoGen 存量项目要排期迁移：它只收关键 bug 与安全修复，不再演进；「等它更新」等于等一个不会来的版本。
- Harness 不是免费加速：自动上下文压缩与后台子 Agent 都在放大 token 消耗，先量小任务再铺开。
- .NET 与 Python「同构」不等于「完全一致」：部分能力（如 harness 的 shell 执行）目前只在 .NET 侧，跨语言项目先核对能力矩阵。
- YAML 声明式很适合合规，但别用它做复杂分支：复杂控制流仍是图工作流的活。
- 别拿它当低代码平台卖：它没有面向业务同学的画布，配置成本在代码侧。
适合 / 不适合
已有 .NET 技术栈、要接企业既有系统；需要图工作流 + checkpoint + 人工审批的生产编排；要在同一套代码里同时接 MCP 与 A2A；从 AutoGen / Semantic Kernel 迁移的存量项目。
只想拖拽搭工作流；纯 TS 栈团队；要极简依赖的小项目；代码与数据都不能出内网、又不愿自建模型服务。
相关阅读
- 前身与迁移：AutoGen（维护模式）· CrewAI · Langflow
- 协议：MCP 协议 · A2A 协议
- 平台对照：Dify · Coze · OpenAI Agents API
- 概念：Agent 编排 · Agent 沙箱 · 上下文压缩
Long-tail quick picks
长尾检索速查：对应「MAF 和 AutoGen 区别 / 免费吗 / 国内怎么用」等搜索意图。
Open-source alternatives
Free tier
- 是否有免费档：框架完全免费
- 花钱的只有模型 token 与可选托管；本地 Ollama 可把 token 成本压到零
China availability
- 是否国内可用：可自托管使用
- 中文友好度评分：2 / 5
- 文档英文为主；托管路径受 Azure 数据驻留约束，国内常见做法是自建 + 国产模型兼容端点
来源
- Microsoft Agent Framework at BUILD 2026（官方 devblogs）
- Microsoft Agent Framework 官方仓库
- AutoGen → Microsoft Agent Framework 迁移指南
- Microsoft Agent Framework 1.0 架构拆解（第三方交叉核对）
本卡片由 AI 之家编辑部根据官方文档与公开资料整理，非厂商付费内容、非第一人称生产实测；API 与能力矩阵以官方文档为准，欢迎在 反馈邮箱 反馈更新。
| 计划 | 价格 | 限制 | 国内支付 | 备注 |
|---|---|---|---|---|
| 框架本体 | $0（开源） | Python `pip install agent-framework`；.NET `Microsoft.Agents.AI` | — | 无许可成本，无席位费 |
| 模型调用 | 按各家 token 价 | 六家 provider 任选，或本地 Ollama | — | 成本完全由模型侧决定 |
| Foundry Hosted Agents | 按容器 / 会话 | 托管部署、自动扩缩、scale-to-zero、版本管理、托管会话状态 | — | 省运维，但要算容器账 |
- · 已有 .NET 技术栈、要接企业既有系统的团队（这是它的主场）
- · 需要图工作流 + checkpoint + 人工审批节点（HITL）的生产编排
- · 要在同一套代码里同时接 MCP 与 A2A 的平台团队
- · 从 AutoGen / Semantic Kernel 迁移、不想推倒重来的存量项目
- · 只想拖拽搭个工作流给业务同学用（看 Dify / Coze）
- · 纯前端 / TS 栈团队（它的双语言是 .NET 与 Python）
- · 要完全脱离云厂商、追求极简依赖的小项目（CrewAI 更轻）
- · 国内合规要求代码与数据都不出内网、且不愿自建模型服务的团队
MAF 和 AutoGen 是什么关系？
官方继任者。AutoGen 自 2025-10 起进入维护模式（只收关键 bug 与安全修复，不再加新功能），Semantic Kernel 的用户也在迁往 MAF。MAF 把 AutoGen 的多 Agent 编排模式重建在 Semantic Kernel 的企业底座上（kernel 抽象、插件模型、连接器、中间件、OpenTelemetry），并新增图工作流引擎。微软提供了两条官方迁移指南。
1.0 到底是哪天 GA 的？
微软官方 devblogs 记 **2026-04-02**；部分二手报道写 04-03。以官方为准，写稿与站内引用统一用 04-02。
五种编排模式具体是哪五种？
Sequential（顺序：A 的输出喂给 B）、Concurrent（并发：同一输入多路跑，适合集成校验）、Handoff（交接：A 显式把控制权交给 B，客服分流典型）、Group chat（群聊：多个 Agent 共享会话、由主持人选谁发言）、Magentic-One（通用规划器驱动的专家调度）。五种都支持流式、checkpoint、人工审批与暂停续跑。
Agent Harness 是什么，为什么重要？
它是「模型推理」和「真实执行」之间的那一层：shell 与文件访问、人工审批流、长会话的上下文管理。MAF 把它做成一个方法调用就能挂上（.NET 是 `chatClient.AsHarnessAgent()`，Python 是 `create_harness_agent()`），默认自带自动上下文压缩、FileMemoryProvider、TodoProvider、AgentModeProvider（plan / execute 双模式）、AgentSkillsProvider（从文件系统发现技能）、BackgroundAgentsProvider（并行子 Agent）。自研这套东西通常要几周，而且很容易做砸。
能托管到生产吗？
能。Foundry Hosted Agents 把你的 Agent 打成容器部署到微软托管基础设施，自带身份、自动扩缩、托管会话状态、可观测与版本管理，空闲可缩到零。自托管仍是可选项——框架本身不强制上云。
国内能用吗？
框架本身能在任何环境跑（开源、可接本地 Ollama），但文档与生态是英文；托管路径在 Azure / Foundry，受数据驻留与合规约束。国内团队常见做法是自建 + 接国产模型 OpenAI 兼容端点。
可接入 / 兼容以下大模型 API（在设置中配置 key 即可切换底座）：