github-trend-summarizer

これは何？

Microsoft が開発した、LLM ベースの AI エージェントを構築・連携・運用するためのフレームワーク。Python と .NET の両方で同等の API を提供する。単一エージェントの構築から、複数エージェントをグラフ構造で連携させるワークフロー、本番デプロイまでを一貫してカバーする。

コア構造はシンプルで、Agent（LLM と対話する主体）、Tool（エージェントが呼び出す関数）、Workflow（複数エージェントの実行グラフ）の 3 層で成り立つ。

何が嬉しいのか？（既存手段との比較）

観点	Agent Framework	LangChain / LangGraph	AutoGen	CrewAI
設計思想	Protocol ベース（duck typing）	継承ベース	クラス継承	ロール定義
言語	Python + .NET 両対応	ほぼ Python	Python	Python
ワークフロー	Pregel モデル（同期的スーパーステップ）	DAG ベース	会話ベース	チーム構造
ミドルウェア	3 層（Agent / Chat / Function）	Runnable chain	なし	なし
コンテキスト管理	5 種のメッセージ圧縮戦略	手動	なし	なし
評価	ローカル＋クラウド＋ベンチマーク内蔵	外部連携	一部	限定的
本番運用	Azure Functions / Durable Task / A2A 対応	限定的	限定的	限定的

主な差別化ポイント：

Protocol ベース設計 — フレームワークのクラスを継承しなくても、run() メソッドさえ持てばエージェントとして扱える。既存コードへの組み込みが容易。
エンタープライズ向け機能が組み込み — ツール実行前の承認フロー、チェックポイント／再開、OpenTelemetry による可観測性が最初から用意されている。
.NET との対称性 — C# チームと Python チームが同じ概念モデルで開発できる。
宣言的エージェント定義 — YAML/JSON でエージェントを定義し、コード変更なしに構成を変更可能。

使うときの流れ

Step 1：インストール

pip install agent-framework[openai]   # OpenAI の場合
pip install agent-framework[foundry]  # Azure AI Foundry の場合

Step 2：チャットクライアント作成（LLM プロバイダーの選択）

from agent_framework.openai import OpenAIChatClient
client = OpenAIChatClient(model="gpt-4o", api_key="...")

OpenAI / Azure OpenAI / Anthropic / Bedrock / Ollama など多数対応。

Step 3：エージェント定義（ツール付き）

from agent_framework import Agent, tool

@tool
def get_weather(location: str) -> str:
    return f"{location}は晴れです"

agent = Agent(
    client=client,
    name="WeatherBot",
    instructions="天気について答えるアシスタントです。",
    tools=[get_weather],
)

Step 4：実行

result = await agent.run("東京の天気は？")
print(result.text)  # → "東京は晴れです"

ストリーミングも stream=True で対応。

Step 5：複数エージェントの連携（必要に応じて）

from agent_framework import WorkflowBuilder

workflow = (
    WorkflowBuilder(start_executor=research_agent)
    .add_edge(research_agent, editor_agent)
    .build()
)
result = await workflow.run("AIの最新動向をまとめて")

エージェント同士をグラフのエッジでつなぎ、条件分岐・ファンアウト・ヒューマンインザループも可能。

Step 6：本番デプロイ（必要に応じて）

Azure Functions、Durable Task Framework、A2A（Agent-to-Agent）プロトコルなどでホスティング。評価フレームワークで品質を担保しつつ運用に乗せる。

まとめ： 「LLM エージェントを PoC で終わらせず本番に持っていく」ことを強く意識した設計。LangChain が”何でもできる汎用ツールキット”なのに対し、本フレームワークはプロトコル準拠・ミドルウェア・可観測性・承認フローといったエンタープライズ要件を構造的に組み込んでいる点が最大の特徴。

This site is open source. Improve this page.