为了解决LLM调用的无状态问题，需要将消息历史作为上下文发送给LLM。随着对话的进行，消息历史不断增长，可能超出LLM的上下文窗口限制，导致响应质量下降。因此，压缩对话历史是必要的。MAF提供了多种压缩策略，CompactionProvider支持摘要、折叠、删除和替换等策略，有效压缩消息历史，保留核心信息。

本文介绍了如何使用ChatHistoryMemoryProvider和Mem0Provider为AI代理实现长期记忆功能。Mem0Provider通过远程调用Mem0服务存储和检索对话历史，使AI能够像人类一样记住用户偏好。示例中，代理根据用户的口味偏好进行外卖点餐，展示了会话状态的创建和管理。Mem0Provider的实现与ChatHistoryMemoryProvider相似，但不需要维护向量数据库。

本文探讨了通过赋予智能代理记忆能力来提升外卖服务质量。短期记忆支持多轮对话，长期记忆实现跨会话的信息共享。使用ChatHistoryMemoryProvider，代理能够记录用户的口味偏好，并在后续点餐中根据这些偏好推荐菜品。示例代码展示了这一功能的实现，并指出了推荐多样性方面的不足。

Agent Skills通过动态加载提示词机制增强用户与LLM的对话。以翻译古典诗词为例，定义了名为translator的Skill，提供三种翻译变体。实现包括AgentSkill类及其子类，支持从文件或内存加载。AgentSkillsProvider管理这些Skills，并通过构建器模式简化配置，旨在提升对话的灵活性和准确性。

ChatClientAgent通过输入增强和输出增强与大型语言模型（LLM）交互。检索增强生成（RAG）利用TextSearchProvider根据上下文检索相关信息，从而提升LLM的回答质量。文章示例展示了如何使用TextSearchProvider获取2026年斯诺克世锦赛冠军吴宜泽的信息，强调了RAG在解决LLM知识局限性中的重要性。

在构建对话式 AI 应用时，管理上下文信息至关重要。AIContextProvider 是 Microsoft Agent Framework 的核心，允许开发者在对话中注入和持久化上下文。通过重写 InvokingAsync、InvokedAsync 和 Serialize 方法，开发者可以动态调整 AI 行为，实现个性化交互。