Agent Framework Workshop Ibm

IBM巴西Microsoft代理框架研讨会

工作坊负责人：小维森特·马西亚尔\ 由...创建：Arturo Rafael Quiroga Magana，微软EPS美洲高级合作伙伴解决方案架构师\ 日期：\[待安排\]\ 持续时间：6-7小时（含休息时间）

🎯 工作坊概述

本次实践研讨会将教您如何使用Microsoft agent Framework构建生产就绪的多代理AI系统，重点是：

1. 多代理编排 -建立协同工作的专业代理
2. MCP集成 -通过模型上下文协议将代理连接到外部服务
3. Azure AI Foundry可观察性 -监控和调试生产中的代理系统

在本次研讨会结束时，您将能够为现实世界的业务场景设计、构建和部署智能多代理解决方案。

📚 车间材料

🚀 快速入门（适用于参与者）

选项1:GitHub代码空间（推荐）

最适合：零设置，为所有参与者提供一致的环境

1. 在代码空间中打开此存储库:

- 点击绿色的“代码”按钮 - 选择“代码空间”选项卡 - 点击“在main上创建代码空间” - 等待3-5分钟进行设置

1. 使用Azure进行身份验证:

   az login --use-device-code
   az account set --subscription YOUR-SUBSCRIPTION-ID

1. 配置环境:

   # Edit .env file with your credentials
   code .env

1. 测试设置:

   python test_setup.py

1. 启动实验1:

   cd lab1
   code 01_basic_agent.py

方案2：地方发展

最适合：经验丰富的开发人员，更喜欢当地环境

先决条件

• Python 3.10或更高版本
• .NET 8.0 SDK（适用于C#实验室）
• Node.js 18或更高版本
• Docker 桌面版
• Azure命令行界面
• 带有扩展名的VS代码：

- python - Azure帐户 - GitHub副本（可选）

设置步骤

1. 克隆存储库:

   git clone 
   cd workshop-repository

1. 安装Python依赖项:

   python -m venv .venv
   source .venv/bin/activate  # Windows: .venv\Scripts\activate
   pip install -r requirements.txt

1. 安装。NET依赖关系 （如果做C#实验）：

   cd dotnet-labs
   dotnet restore
   cd ..

1. 使用Azure进行身份验证:

   az login
   az account set --subscription YOUR-SUBSCRIPTION-ID

1. 配置环境:

   cp .env.example .env
   # Edit .env with your credentials

1. 测试设置:

   python test_setup.py

📋 先决条件

知识先决条件

• 基本了解Python或C#
• 熟悉REST API和JSON
• 对AI/ML概念的基本理解（有帮助但不是必需的）
• Azure经验（有用但不是必需的）

所需Azure资源

您需要访问以下Azure资源：

1. Azure OpenAI服务

- 已部署型号： gpt-4o 或 gpt-4o-mini - 端点和API密钥

1. Azure人工智能铸造项目 （推荐）

- 项目终点 - 连接的Azure OpenAI服务

1. 应用洞察 （实验室3）

- 连接字符串

没有Azure资源？ 联系研讨会组织者以访问共享资源。

GitHub资源

对于实验室2（MCP集成）：

• GitHub账号
• 个人访问令牌 repo 和 read:org 范围
• 在此处创建令牌

🗂️ 厂房结构

上午课程（3.5小时）

实验1：多智能体系统（90分钟）

学习目标:

• 创建和配置AI代理
• 实现函数调用
• 构建多代理编排模式

关键概念:

• 代理商专业化
• 工具/功能调用
• 用于协调的代理模式
• 对话线程

交付物:

• 使用工具操作单个代理
• 带协调器的多代理系统

实验2:MCP集成（75分钟）

学习目标:

• 了解模型上下文协议
• 将MCP服务器与代理集成
• 创建自定义MCP工具

关键概念:

• MCP架构
• STDIO和SSE运输
• GitHub MCP服务器集成
• 将试剂暴露为MCP工具

交付物:

• 代理通过MCP连接到GitHub
• 已创建自定义MCP工具

下午课程（3.5小时）

实验3：观察性（75分钟）

学习目标:

• 实现OpenTetry跟踪
• 使用Azure Monitor进行生产监控
• 分析代理性能和成本

关键概念:

• 分布式跟踪
• 跨度和指标
• Azure监视器集成
• 性能优化

交付物:

• 控制台的本地可观察性
• 使用Azure Monitor进行生产监控

迷你黑客马拉松（120分钟）

挑战：构建完整的多代理解决方案

选项:

1. 技术文档助理
2. DevOps自动化代理
3. 客户服务指挥中心

需求:

• 多代理编排
• MCP集成
• 完全可观察性
• 真实世界用例

📁 存储库结构

workshop-repository/
├── .devcontainer/              # GitHub Codespaces configuration
│   ├── devcontainer.json       # Container setup
│   ├── setup.sh                # Automated setup script
│   └── README.md               # Codespaces documentation
├── lab1/                       # Lab 1: Multi-Agent Systems
│   ├── 01_basic_agent.py
│   ├── 02_agent_with_tools.py
│   ├── 03_specialized_agents.py
│   └── 04_agent_orchestration.py
├── lab2/                       # Lab 2: MCP Integration
│   ├── 00_explore_mcp.md
│   ├── 01_github_mcp_setup.py
│   ├── 02_github_triage_agent.py
│   └── 03_agent_as_mcp_tool.py
├── lab3/                       # Lab 3: Observability
│   ├── 00_observability_concepts.md
│   ├── 01_console_observability.py
│   ├── 02_otlp_observability.py
│   ├── 03_azure_monitor_setup.md
│   └── 04_production_monitoring.py
├── hackathon/                  # Mini Hackathon
│   ├── starter_template.py
│   ├── challenge1_documentation_assistant.md
│   ├── challenge2_devops_agent.md
│   └── challenge3_customer_service.md
├── support/                    # Supporting materials
│   ├── agent-framework-cheatsheet.md
│   └── troubleshooting.md
├── solutions/                  # Sample solutions (reference)
│   ├── lab1/
│   ├── lab2/
│   └── lab3/
├── .env.example                # Environment template
├── .gitignore                  # Git ignore rules
├── requirements.txt            # Python dependencies
├── test_setup.py               # Environment test script
├── vicente-workshop-resources.md  # Complete resource guide
├── workshop-lab-structure.md   # Detailed lab instructions
└── README.md                   # This file

🔧 实用命令

代理开发

# Run a lab exercise
python lab1/01_basic_agent.py

# Run with environment variables
python -c "from dotenv import load_dotenv; load_dotenv()" && python lab1/01_basic_agent.py

# Run in interactive mode
python -i lab1/01_basic_agent.py

可观测性

# Start Aspire Dashboard (OTLP collector)
docker run --rm -it -p 18888:18888 -p 4317:18889 \
  mcr.microsoft.com/dotnet/aspire-dashboard:latest

# Access at: http://localhost:18888

# View traces in Azure Monitor
az monitor app-insights query \
  --app YOUR-APP-INSIGHTS \
  --analytics-query "traces | where operation_Name startswith 'invoke_agent'"

MCP工具

# Test GitHub MCP server
docker run -i --rm \
  -e GITHUB_PERSONAL_ACCESS_TOKEN=$GITHUB_PERSONAL_ACCESS_TOKEN \
  ghcr.io/github/github-mcp-server

# Inspect MCP server tools
npx @modelcontextprotocol/inspector \
  docker run -i --rm \
  -e GITHUB_PERSONAL_ACCESS_TOKEN=$GITHUB_PERSONAL_ACCESS_TOKEN \
  ghcr.io/github/github-mcp-server

Azure命令行界面

# Login
az login

# List subscriptions
az account list --output table

# Set subscription
az account set --subscription YOUR-SUBSCRIPTION-ID

# Show current account
az account show

# List Azure OpenAI deployments
az cognitiveservices account deployment list \
  --name YOUR-OPENAI-RESOURCE \
  --resource-group YOUR-RG

🎓 学习路径

初学者轨道

1. 完成所有实验1练习
2. 完成实验2 A和B部分（跳过C部分）
3. 完成实验3 A和B部分（跳过C部分）
4. 简单的黑客马拉松挑战

高级跟踪

1. 完成所有实验，包括挑战
2. 实现自定义MCP服务器
3. 具有自定义指标的高级可观察性
4. 使用多个MCP服务器的复杂黑客马拉松挑战

专家追踪

1. 完成所有实验
2. 构建自定义多代理框架功能
3. 实施高级编排模式
4. 带有CI/CD的生产就绪黑客马拉松解决方案

📊 成功标准

在研讨会结束时，您应该能够：

• \[\]创建和配置具有特定个性的AI代理
• \[\]为代理实现函数调用/工具
• \[\]设计具有专门角色的多智能体系统
• \[\]将MCP服务器（如GitHub）与代理集成
• \[\]从代理创建自定义MCP工具
• \[\]在本地实现OpenTetry跟踪
• \[\]配置Azure Monitor以实现生产可观察性
• \[\]分析代理性能和令牌使用情况
• \[\]构建完整的多代理解决方案
• \[\]在生产环境中部署和监控代理

🆘 获取帮助

工作坊期间

1. 举手 -讲师或助教将提供协助
2. Slack频道 -将问题发布到研讨会频道
3. 同伴帮助 -与其他参与者合作

工作坊结束后

1. GitHub问题 - 微软/代理框架
2. 文档 - 微软学习
3. Discord 的中文翻译是“不和谐”或“纷争”。 - Azure AI Foundry社区
4. 堆栈溢出 -标签： azure-ai-agent-service

常见问题

看 支持/故障排除.md 常见问题的解决方案。

📖 额外资源

官方文件

• 代理框架: https://learn.microsoft.com/agent-framework/
• Azure AI Foundry: https://learn.microsoft.com/azure/ai-foundry/
• 语义内核: https://learn.microsoft.com/semantic-kernel/

示例应用程序

• 旅行社: https://github.com/Azure-Samples/azureai-travel-agent-python
• Contoso聊天: https://github.com/Azure-Samples/contoso-chat
• 创意作家: https://github.com/Azure-Samples/contoso-creative-writer

学习模块

• 多智能体开发: https://learn.microsoft.com/training/modules/develop-multi-agent-azure-ai-foundry/
• Azure人工智能基础: https://learn.microsoft.com/training/paths/get-started-azure-ai/

🤝 贡献

发现问题或想改进车间材料？

1. 分叉存储库
2. 创建要素分支
3. 进行更改
4. 提交拉取请求

📝 反馈

我们很乐意听取您的反馈！

• 工作坊期间：使用反馈表（提供链接）
• 工作坊结束后：发送电子邮件至\[组织者电子邮件\]
• 建议：打开带有“增强”标签的GitHub问题

📜 许可证

本工作坊已获得麻省理工学院许可证。有关详细信息，请参阅LICENSE文件。

研讨会材料使用Microsoft Agent Framework和Azure服务，它们有自己的服务条款。

👥 鸣谢

工作坊开发:

• Vicente Macial Junior-IBM巴西PSA
• Arturo Quiroga-技术顾问

基于:

• Microsoft代理框架(https://github.com/microsoft/agent-framework)
• Azure AI Foundry示例(https://github.com/Azure-Samples/azureai-samples)
• 微软语义内核(https://github.com/microsoft/semantic-kernel)

特别感谢:

• Microsoft代理框架团队
• Azure AI Foundry团队
• IBM巴西AI社区

______________________________________________________________________

🎬 让我们开始吧！

准备好构建令人惊叹的多智能体AI解决方案了吗？

代码空间用户：你的环境准备好了！从开始 cd lab1

本地用户：运行 python test_setup.py 验证您的设置

问题：检查 车间-实验室结构.md 详细说明

祝你好运，玩得开心！ 🚀🤖

______________________________________________________________________

最后更新：2025年11月4日\ 版本: 1.0\ 对于：IBM巴西多代理研讨会