Esecuzione di agenti

Per i dati non in streaming, usare il RunAsync metodo .

Console.WriteLine(await agent.RunAsync("What is the weather like in Amsterdam?"));

Per lo streaming, usare il RunStreamingAsync metodo .

await foreach (var update in agent.RunStreamingAsync("What is the weather like in Amsterdam?"))
{
    Console.Write(update);
}

Per i dati non in streaming, usare il run metodo .

result = await agent.run("What is the weather like in Amsterdam?")
print(result.text)

Per lo streaming, usare il run_stream metodo .

async for update in agent.run_stream("What is the weather like in Amsterdam?"):
    if update.text:
        print(update.text, end="", flush=True)

L'astrazione dell'agente di base consente di passare un oggetto opzioni per ogni esecuzione dell'agente, ma la possibilità di personalizzare un'esecuzione a livello di astrazione è piuttosto limitata. Gli agenti possono variare in modo significativo e pertanto non esistono opzioni di personalizzazione comuni.

Nei casi in cui il chiamante conosce il tipo di agente con cui lavora, è possibile passare opzioni specifiche del tipo per consentire la personalizzazione dell'esecuzione.

Ad esempio, qui l'agente è e ChatClientAgent è possibile passare un ChatClientAgentRunOptions oggetto che eredita da AgentRunOptions. In questo modo il chiamante può fornire un oggetto personalizzato ChatOptions unito a qualsiasi opzione a livello di agente prima di essere passata all'oggetto IChatClientChatClientAgent su cui è basato.

var chatOptions = new ChatOptions() { Tools = [AIFunctionFactory.Create(GetWeather)] };
Console.WriteLine(await agent.RunAsync("What is the weather like in Amsterdam?", options: new ChatClientAgentRunOptions(chatOptions)));

Gli agenti Python supportano la personalizzazione di ogni esecuzione tramite il options parametro . Le opzioni vengono passate come TypedDict e possono essere impostate in fase di costruzione (tramite default_options) e per esecuzione (tramite options). Ogni provider ha una propria classe TypedDict che fornisce il completamento automatico completo dell'IDE e il controllo dei tipi per le impostazioni specifiche del provider.

Le opzioni più comuni includono:

• max_tokens: numero massimo di token da generare
• temperature: controlla la casualità nella generazione della risposta
• model_id: eseguire l'override del modello per questa esecuzione specifica
• top_p: parametro di campionamento del nucleo
• response_format: specificare il formato di risposta (ad esempio, output strutturato)

from agent_framework.openai import OpenAIChatClient, OpenAIChatOptions

# Set default options at construction time
agent = OpenAIChatClient().as_agent(
    instructions="You are a helpful assistant",
    default_options={
        "temperature": 0.7,
        "max_tokens": 500
    }
)

# Run with custom options (overrides defaults)
# OpenAIChatOptions provides IDE autocomplete for all OpenAI-specific settings
options: OpenAIChatOptions = {
    "temperature": 0.3,
    "max_tokens": 150,
    "model_id": "gpt-4o",
    "presence_penalty": 0.5,
    "frequency_penalty": 0.3
}

result = await agent.run(
    "What is the weather like in Amsterdam?",
    options=options
)

# Streaming with custom options
async for update in agent.run_stream(
    "Tell me a detailed weather forecast",
    options={"temperature": 0.7, "top_p": 0.9},
    tools=[additional_weather_tool]  # tools is still a keyword argument
):
    if update.text:
        print(update.text, end="", flush=True)

Ogni provider ha una propria classe TypedDict (ad esempio, OpenAIChatOptions, AnthropicChatOptions, OllamaChatOptions) che espone il set completo di opzioni supportate da tale provider.

Quando vengono forniti sia che default_options per options esecuzione, le opzioni per esecuzione hanno la precedenza e vengono unite con le impostazioni predefinite.

Per estrarre il risultato del testo da una risposta, tutti gli TextContent elementi di tutti gli ChatMessages elementi devono essere aggregati. Per semplificare questa operazione, una Text proprietà è disponibile in tutti i tipi di risposta che aggregano tutti .TextContent

Per il caso non in streaming, tutto viene restituito in un oggetto AgentResponse . AgentResponse consente l'accesso ai messaggi prodotti tramite la Messages proprietà .

var response = await agent.RunAsync("What is the weather like in Amsterdam?");
Console.WriteLine(response.Text);
Console.WriteLine(response.Messages.Count);

Per il caso di streaming, AgentResponseUpdate gli oggetti vengono trasmessi man mano che vengono prodotti. Ogni aggiornamento può contenere una parte del risultato dell'agente e anche vari altri elementi di contenuto. Analogamente al caso non di streaming, è possibile usare la Text proprietà per ottenere la parte del risultato contenuto nell'aggiornamento ed esaminare i dettagli tramite la Contents proprietà .

await foreach (var update in agent.RunStreamingAsync("What is the weather like in Amsterdam?"))
{
    Console.WriteLine(update.Text);
    Console.WriteLine(update.Contents.Count);
}

Per il caso non in streaming, tutto viene restituito in un oggetto AgentResponse . AgentResponse consente l'accesso ai messaggi prodotti tramite la messages proprietà .

Per estrarre il risultato del testo da una risposta, tutti gli TextContent elementi di tutti gli ChatMessage elementi devono essere aggregati. Per semplificare questa operazione, una Text proprietà è disponibile in tutti i tipi di risposta che aggregano tutti .TextContent

response = await agent.run("What is the weather like in Amsterdam?")
print(response.text)
print(len(response.messages))

# Access individual messages
for message in response.messages:
    print(f"Role: {message.role}, Text: {message.text}")

Per il caso di streaming, AgentResponseUpdate gli oggetti vengono trasmessi man mano che vengono prodotti. Ogni aggiornamento può contenere una parte del risultato dell'agente e anche vari altri elementi di contenuto. Analogamente al caso non di streaming, è possibile usare la text proprietà per ottenere la parte del risultato contenuto nell'aggiornamento ed esaminare i dettagli tramite la contents proprietà .

async for update in agent.run_stream("What is the weather like in Amsterdam?"):
    print(f"Update text: {update.text}")
    print(f"Content count: {len(update.contents)}")

    # Access individual content items
    for content in update.contents:
        if hasattr(content, 'text'):
            print(f"Content: {content.text}")

Microsoft Agent Framework usa i tipi di messaggio e di contenuto forniti dalle Microsoft.Extensions.AI astrazioni. I messaggi sono rappresentati dalla ChatMessage classe e tutte le classi di contenuto ereditano dalla classe base AIContent .

Esistono varie AIContent sottoclassi usate per rappresentare tipi diversi di contenuto. Alcuni vengono forniti come parte delle astrazioni di base Microsoft.Extensions.AI , ma i provider possono anche aggiungere i propri tipi, se necessario.

Ecco alcuni tipi comuni di Microsoft.Extensions.AI:

Python Agent Framework usa i tipi di messaggio e contenuto del agent_framework pacchetto. I messaggi sono rappresentati dalla ChatMessage classe e tutte le classi di contenuto ereditano dalla classe base BaseContent .

Esistono varie BaseContent sottoclassi usate per rappresentare tipi diversi di contenuto:

Ecco come usare tipi di contenuto diversi:

from agent_framework import ChatMessage, Content

# Create a text message
text_message = ChatMessage(role="user", text="Hello!")

# Create a message with multiple content types
image_data = b"..."  # your image bytes
mixed_message = ChatMessage(
    role="user",
    contents=[
        Content.from_text("Analyze this image:"),
        Content.from_data(data=image_data, media_type="image/png"),
    ]
)

# Access content from responses
response = await agent.run("Describe the image")
for message in response.messages:
    for content in message.contents:
        if content.type == "text":
            print(f"Text: {content.text}")
        elif content.type == "data":
            print(f"Data URI: {content.uri}")
        elif content.type == "uri":
            print(f"External URI: {content.uri}")