MAF中的ReAct循环通过FunctionInvokingChatClient中间件实现，AIFunction调用由此驱动。TransferMoney工具函数在用户未确认转账时，会注入风险提示消息，确保用户提供验证码。MessageInjectingChatClient用于注入消息并存储在Session的StateBag中，增强了风控能力。

OpenTelemetry已成为应用和服务可观测性的标准。OpenTelemetryChatClient中间件通过重写方法，支持LLM调用的链路跟踪和性能监控。结合Prometheus和Grafana，开发者可以轻松搭建监控环境，收集和展示性能指标。示例代码展示了如何使用ActivitySource记录调用链信息，并在控制台和Grafana中查看性能数据。

本文讨论了ReAct循环中ChatHistoryProvider的消息存档机制。默认情况下，消息在循环结束后存档，可能导致数据丢失。为提高可靠性，建议使用PerServiceCallChatHistoryPersistingChatClient中间件，实现每次迭代后即时存档，确保数据安全。通过示例展示了如何创建和使用该中间件，以持久化对话历史，防止数据丢失。

本文介绍了如何利用ImageGeneratingChatClient中间件与ImageGenerator结合生成高质量图片。用户通过与Agent对话描述图片，LLM生成专业提示词，ImageGenerator根据提示生成图片。示例展示了如何输入描述并生成不同风格的布偶猫图片，强调了提示词的细节要求和生成过程中的工具使用。

本文介绍了如何使用IChatClient和ChatClientAgent动态配置ChatOptions，以实现不同模型的交替使用。通过ConfigureOptionsChatClient中间件，可以在每次调用时设置模型ID。同时，AIContextProviderChatClient中间件利用AIContextProvider生成增强的请求消息，提升对话质量。示例代码展示了对话摘要处理和动态配置的实现。

ReducingChatClient是一种中间件，旨在通过精简对话内容来提高Agent的决策准确性。它利用SummarizingChatReducer对对话进行摘要处理，保留关键信息，减少上下文干扰，从而优化LLM推理质量。系统通过设置targetCount和threshold参数，确保在不丢失基本语义的情况下保留必要的对话信息。

CachingChatClient是一个中间件，用于缓存LLM调用结果，减少重复调用的时间和费用。它通过检查缓存返回相同输入的响应，若不存在则调用LLM并存储结果。DistributedCachingChatClient是其具体实现，利用IDistributedCache作为缓存存储，确保相同输入得到相同输出，提高效率。

FunctionInvokingChatClient是IChatClient中的关键中间件，驱动Agent执行ReAct循环。ReAct通过分析问题并调用工具函数来解决复杂任务，并在敏感操作中引入人机交互审批流程，以确保用户同意后再执行。示例包括根据天气提供穿衣建议和银行转账的审批流程，确保操作的安全性和有效性。

LoggingChatClient是一个IChatClient中间件，用于记录调用日志，帮助调试和监控Agent行为。它记录输入、输出及时间戳信息，并支持不同日志级别的设置。通过UseLogging方法，可以轻松注册该中间件并控制日志输出。

MAF（Microsoft Agent Framework）是微软的企业级AI代理开发框架，支持状态管理、身份定义和工具管理。与IChatClient相比，MAF的AIAgent具备多轮对话和记忆功能。创建Agent需经过三步，支持同步和流式调用。核心概念包括Agent、Thread和Run。目前的限制是单次调用不具备历史记忆，需通过AgentThread解决。