文章将Agent工具分为Coding Agent产品、Agent SDK和Agent Framework三类，建议根据使用目的选择。Coding Agent选择取决于预算、模型偏好和自定义需求；SDK适合保留现有能力并自定义界面；Framework用于自行定义memory、工具和Agent loop。作者认为DeepSeek Harness目标宏大、仍在发展，短期不作为主力，但其递归自进化方向值得关注。

微软将Agent Framework引入Go语言，为云原生开发者提供构建AI代理的新工具。该框架支持多种模型和工具调用，旨在帮助开发者构建更复杂的AI系统。虽然Go SDK目前尚未具备所有功能，但其发布标志着Go开发者的重要里程碑。

本文介绍了Writer-Critic工作流模式，旨在提高大型语言模型（LLM）生成内容的质量。该模式将生成与评审分开，Writer负责生成初稿，Critic负责评审并提供反馈。通过“生成—评审—修订”的闭环，系统在多轮迭代中逐步提升内容质量，确保生成内容的可控性和质量。

在Agent Framework中，Executor和AI Agent作为工作流的执行节点，分别处理确定性数据和自然语言任务。Adapter Executor负责连接两者，实现数据转换和状态同步。混合编排模式结合了Executor和Agent的优势，提升工作流效率。

本文介绍了工作流组合的概念，阐述了如何将工作流封装为可复用的执行器。通过示例，展示了定义文本处理工作流并将其封装的方法，以便在主工作流中使用。使用 BindAsExecutor() 方法，可以将完整工作流转化为标准执行器，从而简化主流程结构，提高复用性和可维护性。

本文介绍了Agent Framework中的群聊式协作编排模式，通过对话管理器（GroupChatManager）协调多个Agent共同完成任务。默认实现为RoundRobinGroupChatManager，采用轮询方式控制发言顺序。创建群聊工作流的核心方法是CreateGroupChatBuilderWith，允许自定义调度策略。与Handoffs模式不同，群聊中多个Agent持续参与同一对话。

本文介绍了智能体框架中的任务移交模式（Handoffs），用于处理智能体之间的任务切换与协作。Handoffs 允许智能体根据上下文动态决定任务转交，分为一对多（任务分发）和多对一（结果回流）两种形式。通过创建 Handoff 编排链路，智能体可以灵活选择最合适的处理者，实现“运行时决策型编排”。

本文介绍了Agent Framework Workflow的基本概念，包括执行器（Executor）的定义和使用WorkflowBuilder构建工作流。通过创建UppercaseExecutor和ReverseTextExecutor两个执行器，示例展示了如何连接它们以实现流式输出，并实时监听执行器的完成和错误事件，以便调试复杂工作流。

本文介绍了如何在Agent Framework中结合依赖注入（DI）使用Agent Skill。通过示例展示了AgentInlineSkill和AgentClassSkill两种技能，分别用于距离和重量换算。两者通过IServiceProvider解析同一个ConversionService，简化了业务逻辑管理，提高了代码复用性和可测试性，使Agent能够灵活接入真实业务系统，扩展能力。

本文介绍了如何将 DeepSeek API 接入 Agent Framework，支持 OpenAI 和 Anthropic 协议。用户可以通过创建 OpenAIClient 和 AnthropicClient 实例，轻松调用 deepseek-v4-pro 模型。DeepSeek 兼容这两种协议，提供便捷的接入方式。

本文介绍了如何在Agent Framework中组合FileBased、CodeBased和ClassBased三种技能，以实现多能力的Agent。通过AgentSkillsProviderBuilder，可以整合不同来源的技能，提升Agent的功能，使其能够自动选择合适的技能来满足用户请求。技能的扩展将不断增强Agent的能力。

本文介绍了如何通过代码定义技能，与文件基础技能相比，前者将所有内容直接写入代码中。首先创建控制台项目并安装必要的包，然后定义单位转换技能，包括静态和动态资源及计算脚本。最后，注册技能并创建AI代理进行测试，展示如何调用技能并输出结果。

Ollama 是一个本地运行大模型的工具，适合处理敏感数据和成本敏感的项目。安装后，Ollama 启动本地服务，用户可通过 API 调用模型。将 Ollama 集成到 Agent Framework 后，可以灵活地在本地完成 AI 调用链路，增强数据控制和可控性。

Microsoft Foundry Local与Agent Framework结合，解决企业AI应用开发中的数据隐私、延迟和成本问题，通过本地模型实现安全评估、工作流编排和性能优化，支持高效智能体应用开发。

A2A（Agent-to-Agent）是Google提出的协议，旨在实现不同AI智能体之间的无缝通信与协作，提供标准化的交互方式，促进智能体的互操作性，支持多智能体系统的构建。

本文探讨了如何利用AI生成文章内容，并通过引入Agent Framework提升文章质量。尽管初期AI生成内容存在主题不符和错误，重构后实现了多Agent合作，用户可自定义Agent和工作流，以满足特定需求。最终目标是创建灵活且安全的AI写作助手。

Microsoft Agent Framework在构建企业级AI应用时引入中间件机制，以处理隐私和合规问题。开发者可以通过中间件进行日志、审计和监控，而不干扰核心逻辑，从而确保AI代理的安全与合规。

文章讨论了MAI-UI智能体框架，该框架以图形界面为中心，支持从小型到超大规模模型（2B至235B）的交互体验，旨在将基础模型能力应用于真实世界任务，提供设备与云的协同、事件感知和多模态输入支持。