feat(ms-ai-architect): add plugin to open marketplace (v1.5.0 baseline)
Initial addition of ms-ai-architect plugin to the open-source marketplace. Private content excluded: orchestrator/ (Linear tooling), docs/utredning/ (client investigation), generated test reports and PDF export script. skill-gen tooling moved from orchestrator/ to scripts/skill-gen/. Security scan: WARNING (risk 20/100) — no secrets, no injection found. False positive fixed: added gitleaks:allow to Python variable reference in output-validation-grounding-verification.md line 109. Co-Authored-By: Claude Opus 4.6 <noreply@anthropic.com>
This commit is contained in:
Kjell Tore Guttormsen
parent
a8d79e4484
commit
6a7632146e
490 changed files with 213249 additions and 2 deletions
|
|
@ -0,0 +1,474 @@
|
|||
# Microsoft Agent Framework - Knowledge Base
|
||||
|
||||
**Last updated:** 2026-01
|
||||
**Status:** GA (General Availability)
|
||||
|
||||
---
|
||||
|
||||
## Hva er Microsoft Agent Framework?
|
||||
|
||||
Microsoft Agent Framework er Microsofts SDK for å bygge AI-agenter i kode. Det er etterfølgeren til Semantic Kernel og tilbyr et unified rammeverk for agent-utvikling på tvers av Azure AI Foundry og standalone-applikasjoner.
|
||||
|
||||
**Nøkkelegenskaper:**
|
||||
- Multi-agent orkestrering
|
||||
- Tool/function calling
|
||||
- Memory og state management
|
||||
- Streaming og async support
|
||||
- Azure AI Foundry-integrasjon
|
||||
|
||||
**Språk:** Python, C#, JavaScript/TypeScript
|
||||
|
||||
---
|
||||
|
||||
## Forhold til Semantic Kernel
|
||||
|
||||
| Aspekt | Semantic Kernel | Microsoft Agent Framework |
|
||||
|--------|-----------------|---------------------------|
|
||||
| **Status** | Vedlikeholdes fortsatt | Anbefalt for nye prosjekter |
|
||||
| **Fokus** | LLM-orkestrering, plugins | Multi-agent systemer |
|
||||
| **Abstraksjonsnivå** | Høy | Middels |
|
||||
| **Azure-integrasjon** | God | Tight (Foundry-native) |
|
||||
| **Memory** | Basic | Avansert (persistent) |
|
||||
|
||||
**Anbefaling:** Bruk Microsoft Agent Framework for nye prosjekter. Semantic Kernel-kode kan migreres gradvis.
|
||||
|
||||
---
|
||||
|
||||
## Kjernekomponenter
|
||||
|
||||
### Agent
|
||||
|
||||
En autonom enhet som kan:
|
||||
- Motta instruksjoner
|
||||
- Bruke verktøy (tools)
|
||||
- Samarbeide med andre agenter
|
||||
- Opprettholde tilstand
|
||||
|
||||
```python
|
||||
from azure.ai.agent import Agent, AgentConfig
|
||||
|
||||
agent = Agent(
|
||||
config=AgentConfig(
|
||||
name="ResearchAgent",
|
||||
instructions="Du er en forskningsassistent som finner fakta.",
|
||||
model="gpt-4o",
|
||||
tools=[search_tool, file_reader_tool]
|
||||
)
|
||||
)
|
||||
```
|
||||
|
||||
### Tools
|
||||
|
||||
Funksjoner agenten kan kalle:
|
||||
|
||||
```python
|
||||
from azure.ai.agent import tool
|
||||
|
||||
@tool
|
||||
def search_web(query: str) -> str:
|
||||
"""Søk på nettet etter informasjon."""
|
||||
# Implementasjon
|
||||
return results
|
||||
|
||||
@tool
|
||||
def read_file(path: str) -> str:
|
||||
"""Les innholdet i en fil."""
|
||||
# Implementasjon
|
||||
return content
|
||||
```
|
||||
|
||||
### Memory
|
||||
|
||||
Lagre og hente kontekst på tvers av samtaler:
|
||||
|
||||
```python
|
||||
from azure.ai.agent import Memory
|
||||
|
||||
memory = Memory(
|
||||
type="persistent", # eller "session"
|
||||
storage="cosmos_db" # eller "in_memory"
|
||||
)
|
||||
|
||||
agent = Agent(
|
||||
config=config,
|
||||
memory=memory
|
||||
)
|
||||
```
|
||||
|
||||
### Multi-Agent Orchestration
|
||||
|
||||
Koordiner flere agenter:
|
||||
|
||||
```python
|
||||
from azure.ai.agent import Swarm, Handoff
|
||||
|
||||
research_agent = Agent(name="Researcher", ...)
|
||||
writer_agent = Agent(name="Writer", ...)
|
||||
|
||||
swarm = Swarm(
|
||||
agents=[research_agent, writer_agent],
|
||||
handoffs=[
|
||||
Handoff(
|
||||
from_agent="Researcher",
|
||||
to_agent="Writer",
|
||||
condition="research_complete"
|
||||
)
|
||||
]
|
||||
)
|
||||
|
||||
result = await swarm.run("Skriv en rapport om AI-trender")
|
||||
```
|
||||
|
||||
---
|
||||
|
||||
## Azure AI Foundry-integrasjon
|
||||
|
||||
Agent Framework er native integrert med Azure AI Foundry Agent Service.
|
||||
|
||||
### Deploye til Foundry
|
||||
|
||||
```python
|
||||
from azure.ai.foundry import FoundryClient
|
||||
|
||||
client = FoundryClient(
|
||||
endpoint="https://<workspace>.api.azureml.ms",
|
||||
credential=DefaultAzureCredential()
|
||||
)
|
||||
|
||||
# Deploye agent
|
||||
deployment = client.agents.deploy(
|
||||
agent=my_agent,
|
||||
name="production-agent",
|
||||
scaling={
|
||||
"min_instances": 1,
|
||||
"max_instances": 10
|
||||
}
|
||||
)
|
||||
```
|
||||
|
||||
### Bruke Foundry Tools
|
||||
|
||||
Tilgang til 1,400+ Logic Apps connectors:
|
||||
|
||||
```python
|
||||
from azure.ai.foundry import FoundryTools
|
||||
|
||||
tools = FoundryTools(client)
|
||||
|
||||
# Legg til SharePoint-tilgang
|
||||
sharepoint = tools.get("sharepoint")
|
||||
my_agent.add_tool(sharepoint)
|
||||
|
||||
# Legg til Fabric-tilgang
|
||||
fabric = tools.get("fabric")
|
||||
my_agent.add_tool(fabric)
|
||||
```
|
||||
|
||||
---
|
||||
|
||||
## Patterns
|
||||
|
||||
### Pattern 1: RAG Agent
|
||||
|
||||
```python
|
||||
from azure.ai.agent import Agent, tool
|
||||
from azure.ai.search import SearchClient
|
||||
|
||||
search_client = SearchClient(...)
|
||||
|
||||
@tool
|
||||
def search_documents(query: str) -> str:
|
||||
"""Søk i kunnskapsbasen."""
|
||||
results = search_client.search(query, top=5)
|
||||
return "\n".join([r.content for r in results])
|
||||
|
||||
rag_agent = Agent(
|
||||
name="KnowledgeAgent",
|
||||
instructions="""
|
||||
Du er en kunnskapsassistent. Bruk search_documents for å finne
|
||||
relevant informasjon før du svarer. Siter alltid kilder.
|
||||
""",
|
||||
tools=[search_documents]
|
||||
)
|
||||
```
|
||||
|
||||
### Pattern 2: Supervisor-Worker
|
||||
|
||||
```python
|
||||
from azure.ai.agent import Agent, Swarm
|
||||
|
||||
# Worker agents
|
||||
researcher = Agent(name="Researcher", instructions="Finn fakta...")
|
||||
writer = Agent(name="Writer", instructions="Skriv innhold...")
|
||||
reviewer = Agent(name="Reviewer", instructions="Kvalitetssjekk...")
|
||||
|
||||
# Supervisor
|
||||
supervisor = Agent(
|
||||
name="Supervisor",
|
||||
instructions="""
|
||||
Du koordinerer arbeidet mellom Researcher, Writer og Reviewer.
|
||||
1. Gi Researcher en research-oppgave
|
||||
2. Gi Writer output fra Researcher
|
||||
3. La Reviewer validere
|
||||
4. Iterer hvis nødvendig
|
||||
""",
|
||||
sub_agents=[researcher, writer, reviewer]
|
||||
)
|
||||
```
|
||||
|
||||
### Pattern 3: Human-in-the-Loop
|
||||
|
||||
```python
|
||||
from azure.ai.agent import Agent, Checkpoint
|
||||
|
||||
@checkpoint
|
||||
async def approve_action(action: str) -> bool:
|
||||
"""Krever menneskelig godkjenning."""
|
||||
approval = await request_human_approval(action)
|
||||
return approval.approved
|
||||
|
||||
agent = Agent(
|
||||
name="ActionAgent",
|
||||
instructions="Utfør handlinger, men be om godkjenning først.",
|
||||
checkpoints=[approve_action]
|
||||
)
|
||||
```
|
||||
|
||||
### Pattern 4: Streaming Response
|
||||
|
||||
```python
|
||||
from azure.ai.agent import Agent
|
||||
|
||||
agent = Agent(...)
|
||||
|
||||
# Streaming for responsiv UI
|
||||
async for chunk in agent.run_stream("Forklar kvantefysikk"):
|
||||
print(chunk.text, end="", flush=True)
|
||||
```
|
||||
|
||||
---
|
||||
|
||||
## Memory Strategies
|
||||
|
||||
### In-Memory (Session)
|
||||
|
||||
```python
|
||||
memory = Memory(type="session")
|
||||
# Varer kun for denne sesjonen
|
||||
# Raskest, men ingen persistens
|
||||
```
|
||||
|
||||
### Cosmos DB (Persistent)
|
||||
|
||||
```python
|
||||
memory = Memory(
|
||||
type="persistent",
|
||||
storage="cosmos_db",
|
||||
connection_string="...",
|
||||
database="agents",
|
||||
container="conversations"
|
||||
)
|
||||
# Persisterer på tvers av sesjoner
|
||||
# Støtter vector search for semantic retrieval
|
||||
```
|
||||
|
||||
### Redis (Distributed)
|
||||
|
||||
```python
|
||||
memory = Memory(
|
||||
type="distributed",
|
||||
storage="redis",
|
||||
connection_string="..."
|
||||
)
|
||||
# For multi-instance deployment
|
||||
# Lavere latency enn Cosmos DB
|
||||
```
|
||||
|
||||
---
|
||||
|
||||
## Observability
|
||||
|
||||
### Tracing
|
||||
|
||||
```python
|
||||
from azure.ai.agent import enable_tracing
|
||||
from opentelemetry.sdk.trace.export import ConsoleSpanExporter
|
||||
|
||||
enable_tracing(
|
||||
exporter=ConsoleSpanExporter(),
|
||||
# eller: AzureMonitorExporter()
|
||||
)
|
||||
|
||||
# Alle agent-operasjoner logges nå
|
||||
```
|
||||
|
||||
### Metrics
|
||||
|
||||
```python
|
||||
from azure.ai.agent import metrics
|
||||
|
||||
# Agent-level metrics
|
||||
agent.on_run_complete(lambda m: log_metrics(m))
|
||||
|
||||
# Metrics inkluderer:
|
||||
# - Token usage
|
||||
# - Tool calls
|
||||
# - Latency
|
||||
# - Error rates
|
||||
```
|
||||
|
||||
### Azure Monitor Integration
|
||||
|
||||
```python
|
||||
from azure.monitor.opentelemetry import configure_azure_monitor
|
||||
|
||||
configure_azure_monitor(
|
||||
connection_string="InstrumentationKey=..."
|
||||
)
|
||||
|
||||
# All telemetry -> Application Insights
|
||||
```
|
||||
|
||||
---
|
||||
|
||||
## Security
|
||||
|
||||
### Managed Identity
|
||||
|
||||
```python
|
||||
from azure.identity import DefaultAzureCredential
|
||||
|
||||
agent = Agent(
|
||||
credential=DefaultAzureCredential(),
|
||||
# Ingen secrets i koden
|
||||
)
|
||||
```
|
||||
|
||||
### Content Safety
|
||||
|
||||
```python
|
||||
from azure.ai.contentsafety import ContentSafetyClient
|
||||
|
||||
safety = ContentSafetyClient(...)
|
||||
|
||||
@tool
|
||||
def safe_generate(prompt: str) -> str:
|
||||
# Sjekk input
|
||||
input_check = safety.analyze_text(prompt)
|
||||
if input_check.harmful:
|
||||
raise ValueError("Harmful input detected")
|
||||
|
||||
# Generer
|
||||
response = llm.generate(prompt)
|
||||
|
||||
# Sjekk output
|
||||
output_check = safety.analyze_text(response)
|
||||
if output_check.harmful:
|
||||
return "Kunne ikke generere trygt svar"
|
||||
|
||||
return response
|
||||
```
|
||||
|
||||
### Tool Permission Scoping
|
||||
|
||||
```python
|
||||
@tool(
|
||||
permissions=["files.read"], # Begrensede permissions
|
||||
require_confirmation=True # Krev bekreftelse
|
||||
)
|
||||
def read_sensitive_file(path: str) -> str:
|
||||
...
|
||||
```
|
||||
|
||||
---
|
||||
|
||||
## Migration fra Semantic Kernel
|
||||
|
||||
### Kernel → Agent
|
||||
|
||||
```python
|
||||
# Semantic Kernel
|
||||
kernel = Kernel()
|
||||
kernel.add_plugin(MyPlugin())
|
||||
result = await kernel.invoke(function, input)
|
||||
|
||||
# Agent Framework
|
||||
agent = Agent(tools=[my_tool])
|
||||
result = await agent.run(input)
|
||||
```
|
||||
|
||||
### Plugins → Tools
|
||||
|
||||
```python
|
||||
# Semantic Kernel plugin
|
||||
@kernel_function
|
||||
def my_function(input: str) -> str:
|
||||
return process(input)
|
||||
|
||||
# Agent Framework tool
|
||||
@tool
|
||||
def my_function(input: str) -> str:
|
||||
return process(input)
|
||||
```
|
||||
|
||||
### Planners → Orchestration
|
||||
|
||||
```python
|
||||
# Semantic Kernel planner
|
||||
planner = SequentialPlanner(kernel)
|
||||
plan = await planner.create_plan(goal)
|
||||
result = await plan.invoke()
|
||||
|
||||
# Agent Framework
|
||||
agent = Agent(
|
||||
instructions=goal,
|
||||
tools=[...]
|
||||
)
|
||||
result = await agent.run() # Automatisk planning
|
||||
```
|
||||
|
||||
---
|
||||
|
||||
## For Cosmo: Beslutningsveiledning
|
||||
|
||||
### Når anbefale Agent Framework
|
||||
|
||||
1. **Utviklerteam** som bygger AI-applikasjoner
|
||||
2. **Multi-agent systemer** med kompleks orkestrering
|
||||
3. **Tight Azure-integrasjon** via Foundry Agent Service
|
||||
4. **Custom logic** som krever kode
|
||||
5. **Produksjonskrav** (observability, scaling, security)
|
||||
|
||||
### Når anbefale Copilot Studio istedenfor
|
||||
|
||||
1. **Citizen developers** uten kodeerfaring
|
||||
2. **Rask prototyping** av chatbots
|
||||
3. **Standard scenarios** (Q&A, IT helpdesk)
|
||||
4. **Power Platform-økosystem** allerede i bruk
|
||||
|
||||
### Når anbefale direkte Azure OpenAI istedenfor
|
||||
|
||||
1. **Enkle API-kall** uten orkestrering
|
||||
2. **Minimal kompleksitet** påkrevd
|
||||
3. **Eksisterende SDK-integrasjon** (OpenAI SDK)
|
||||
|
||||
### Spørsmål å stille kunden
|
||||
|
||||
1. "Har dere utviklere som kan skrive Python/C#/TypeScript?"
|
||||
2. "Trenger dere at flere agenter samarbeider?"
|
||||
3. "Hvilke systemer må agenten integrere med?"
|
||||
4. "Hva er kravene til observability og logging?"
|
||||
5. "Skal løsningen kjøre i Azure, on-prem, eller hybrid?"
|
||||
|
||||
---
|
||||
|
||||
## Ressurser
|
||||
|
||||
- [Agent Framework Documentation](https://learn.microsoft.com/azure/ai-services/agents)
|
||||
- [Azure AI Foundry Agent Service](https://learn.microsoft.com/azure/ai-foundry/agent-service)
|
||||
- [Migration Guide from Semantic Kernel](https://learn.microsoft.com/azure/ai-services/agents/migrate-semantic-kernel)
|
||||
- [GitHub Samples](https://github.com/azure-samples/ai-agent-framework)
|
||||
|
||||
---
|
||||
|
||||
*Sist oppdatert: Januar 2026*
|
||||
Loading…
Add table
Add a link
Reference in a new issue