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。

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。

本文介绍了如何使用DelegatingAIAgent中间件装饰AIAgent对象，以构建AIAgent管道。通过插入不同的中间件，可以增强和控制Agent调用。DelegatingAIAgent是一个抽象类，包含InnerAgent属性，支持功能扩展。AIAgentBuilder用于注册中间件并构建AIAgent对象，提供多种重载方法以满足不同需求。

本文介绍了ChatClientAgent如何整合IChatClient、ChatHistoryProvider和AIContextProvider。ChatClientAgent通过构造函数接收这些组件，支持会话管理和响应处理，允许开发者自定义输出格式，以确保与LLM的顺畅交互。

本文介绍了`ChatClientAgent`的构建与整合，重点在于将`IChatClient`、`ChatHistoryProvider`和`AIContextProvider`结合。`ChatClientAgent`通过构造函数接收配置选项，支持对话历史管理和上下文定制，讨论了会话创建、序列化及执行流程，并强调了结构化输出的需求，提供了多种重载方法以满足不同响应格式的需求。

ChatClientAgent封装了IChatClient对象，提供与大型语言模型（LLM）交互的能力。其响应质量受输入消息和配置选项的影响。用户可以通过ChatHistoryProvider和AIContextProvider定制输入和处理LLM返回的结果，前者管理对话历史，后者处理消息和选项。系统提供多种内置实现，以支持灵活的对话管理和上下文处理。

本文介绍了如何使用IChatClient的GetResponseAsync<T>方法提取个人信息。通过创建OpenAIClient的IChatClient对象，可以从文本中提取信息并生成Profile对象。示例中定义了Profile类，并通过调用GetResponseAsync<Profile>方法获取响应，验证提取的信息是否正确。

本文介绍了如何使用IChatClient对象与大型语言模型（LLM）进行交互。通过OpenAIClient和AzureOpenAIClient，可以创建IChatClient对象，并获取天气信息以提供穿搭建议。示例中，用户询问苏州天气，LLM根据天气生成了穿搭建议，强调面料选择和搭配技巧。