GitHub Explorer

Microsoft Agent Framework 深度分析报告

GitHub: https://github.com/microsoft/agent-framework

一句话总结

微软将 AutoGen（56.7K stars）和 Semantic Kernel（27.6K stars）两大 AI Agent 框架合并统一为一个平台——Python + .NET 双语言、A2A + AG-UI + MCP 三协议、图编排 + 检查点 + 时间旅行，AutoGen 创始人 Eric Zhu 和 .NET 传奇人物 Stephen Toub 共同参与，2026-04-02 发布 v1.0 GA。

值得关注的理由

  • AI Agent 领域最重要的框架合并事件：微软终于回答了「AutoGen 还是 Semantic Kernel」这个困扰开发者两年的问题——答案是合二为一。AutoGen 的创新性（多智能体协作、研究前沿）+ Semantic Kernel 的成熟度（企业级基础设施、会话管理、遥测）融合为统一框架
  • 唯一 Python + .NET 双语言多智能体框架：43 万行代码、24 个 Python 子包 + 30 个 .NET 项目同步开发，Python 占 50.6% 打破微软「.NET first」传统印象
  • 全明星开发团队：Eric Zhu（AutoGen 之父）+ Stephen Toub（.NET 运行时传奇，4,554 followers）+ SK 核心团队 13+ 人，GitHub Copilot 贡献 4.6% 提交（微软 dogfooding 自家 AI 工具）

项目画像

维度数据
GitHubhttps://github.com/microsoft/agent-framework
Star / Fork8,886 / 1,452
代码行数430,963 行（Python 50.6%, C# 36.7%, TSX 3.6%）
项目年龄约 11 个月（2025-04-28 创建，2025-10-01 公开预览）
开发阶段v1.0.0 GA（2026-04-02，Python + .NET 同日发布）
贡献模式微软级团队（13+ 核心贡献者，SK + AutoGen + 新成员融合）
热度定位大众热门（公开预览日 +711 stars，GA 发布再次爆发）
质量评级代码[优秀] 文档[优秀（MS Learn 完整文档站）] 测试[充分]

作者视角：为什么存在这个项目

创始人/作者背景

这是微软 AI 框架团队的「全明星阵容」，融合了 Semantic Kernel 和 AutoGen 两支核心团队：

  • Eduard van Valkenburg（188 commits）：SK 核心开发者，Python 端负责人
  • Evan Mattson（160 commits）：首席工程师，AF Python 负责人
  • Stephen Toub（59 commits）：.NET 核心团队合伙人级工程师（4,554 followers），他的参与表明项目受到 .NET 平台最高级别支持
  • Eric Zhu（36 commits）：AutoGen 创始人/首席架构师，确保技术血脉延续
  • GitHub Copilot（85 commits）：排名第 8 的贡献者——微软在大规模 dogfooding 自家 AI 工具

SK 团队贡献约 60%，AutoGen 团队约 25%，新加入成员约 15%。

问题判断

微软在 AI Agent 框架领域同时维护 AutoGen（研究导向、创新快但稳定性不足）和 Semantic Kernel（企业导向、稳定但创新慢），两个框架的开发者社区各自为政，功能重叠越来越多。微软的原话是：「开发者问我们：为什么不能同时拥有 AutoGen 的创新和 Semantic Kernel 的稳定？」

解法哲学

继承而非重写——从 AutoGen 继承简洁的 Agent 抽象和多智能体协作模式，从 Semantic Kernel 继承企业级基础设施（会话管理、类型安全、中间件、遥测），新增图编排工作流、检查点/时间旅行、声明式 Agent 定义。

AutoGen 和 Semantic Kernel 已进入维护模式（maintenance mode），所有新功能开发集中在 Agent Framework。迁移不是可选的，而是必然的。

战略意图

统一微软在 AI Agent 领域的技术栈，将 Azure Foundry + Copilot Studio + GitHub Copilot SDK 等云/产品生态全部对接到一个框架上。通过同时支持 A2A（Google 倡导的 Agent-to-Agent 协议）、AG-UI 和 MCP 三大协议，确保不绑定任何单一生态。MIT 开源 + Azure 深度集成的双轨模式。

核心价值提炼

创新之处

  1. AutoGen + Semantic Kernel 的技术融合（新颖度 4/5 | 实用性 5/5 | 可迁移性 3/5） 不是简单的品牌重塑，而是代码层面的真实融合。Agent 抽象来自 AutoGen，中间件/遥测/会话管理来自 SK，图编排工作流是全新模块。AutoGen 创始人和 SK 核心团队共同参与确保了技术血脉。

  2. 图编排工作流（Graph-based Workflows）+ 检查点/时间旅行（新颖度 4/5 | 实用性 5/5 | 可迁移性 4/5） 声明式 YAML 或代码定义 Agent 工作流的 DAG 拓扑，支持运行时检查点保存和恢复（时间旅行调试）。对比 LangGraph 的图编排，AF 的检查点+时间旅行是差异化能力。

  3. A2A + AG-UI + MCP 三协议支持（新颖度 3/5 | 实用性 5/5 | 可迁移性 5/5） 唯一同时支持 Google 的 A2A（Agent-to-Agent）、AG-UI 和 Anthropic 的 MCP 三大 Agent 通信协议的框架。确保了在碎片化的协议生态中的最大兼容性。

  4. DevUI 交互式调试界面（新颖度 3/5 | 实用性 4/5 | 可迁移性 3/5） 内置的 React 前端调试界面（TSX 15K 行），可视化 Agent 工作流执行过程、消息流、工具调用。对比 AutoGen Studio，DevUI 与框架深度集成。

  5. Python + .NET 双语言同步 GA（新颖度 3/5 | 实用性 5/5 | 可迁移性 2/5） 24 个 Python 子包 + 30 个 .NET 项目同日发布 v1.0，确保两个生态的开发者获得一致体验。在 AI 框架领域几乎没有竞品做到双语言同步。

可复用的模式与技巧

模式描述适用场景
双语言同步发版Python + .NET 共享核心抽象，各自实现，同日 GA需要覆盖多语言生态的框架
三协议适配层A2A/AG-UI/MCP 各有独立子包，核心不绑定协议多协议 Agent 通信场景
检查点/时间旅行工作流执行中保存状态快照，支持恢复和重放复杂多步骤 Agent 工作流调试
声明式 Agent 定义YAML 定义 Agent 能力、工具、工作流拓扑低代码 Agent 配置
Copilot 辅助开发GitHub Copilot 贡献 4.6% 提交大型工程团队的 AI 辅助实践
dependabot 自动化145 次依赖更新提交（7.9%）多子包项目的依赖安全管理

关键设计决策

决策Trade-off
合并 AutoGen + SK 而非从零开始继承两套历史包袱，换来两大社区的信任和迁移路径
Python + .NET 双语言开发和维护成本翻倍，换来最大的语言生态覆盖
MIT 许可证放弃商业壁垒，换来社区采纳和竞品对比中的开放性优势
三协议支持增加集成复杂度，换来协议碎片化中的最大兼容性
图编排而非线性工作流学习曲线更陡，换来复杂多 Agent 场景的表达能力

竞品格局与定位

竞品对比矩阵

维度Microsoft AFLangChain/LangGraphCrewAIOpenAI Agents SDKGoogle ADK
Stars8,886~100K / ~8K~25K~15K~10K
语言Python + .NETPython/JSPythonPythonPython
多 Agent原生（AutoGen 血统）LangGraph 图编排角色扮演原生原生
协议A2A + AG-UI + MCP无无OpenAI 原生A2A
企业特性Azure 深度集成有限有限无GCP 集成
检查点时间旅行调试LangGraph 有无无无
DevUI内置LangSmith（付费）无无无
前身AutoGen + SK————

差异化护城河

AF 的护城河是四重的：(1) 技术血统——AutoGen + SK 合并，继承两大社区；(2) Azure 生态——Azure Foundry/Cosmos/AI Search 深度集成；(3) 双语言——唯一 Python + .NET 同步支持；(4) 三协议——A2A + AG-UI + MCP 最大兼容性。

竞争风险

  • LangChain 生态更成熟（~100K stars），LangGraph 是图编排的先行者
  • OpenAI/Google 各自推出的 Agent SDK 绑定自家模型，对简单场景更易上手
  • AF 的复杂度和学习曲线较高，可能劝退轻量级用户
  • v1.0 刚发布，生产环境实战案例需要时间积累

生态定位

微软在 AI Agent 领域的统一平台级基础设施——不只是一个框架，而是连接 Azure 云、Copilot 产品线和开源社区的枢纽。类似于 .NET 之于微软的应用开发，AF 之于微软的 AI Agent 开发。

套利机会分析

  • 信息差: 「AutoGen + Semantic Kernel 合并」是 2025-2026 年 AI Agent 领域最重要的框架级事件之一，中文社区尚缺深度解读。「微软为什么要合并两个 56K+27K stars 的框架？」这个问题本身极具话题性
  • 技术借鉴: 图编排 + 检查点/时间旅行是多 Agent 工作流调试的突破；三协议适配层（A2A/AG-UI/MCP）是协议碎片化时代的最佳实践；Copilot 贡献 4.6% 是大型工程团队 AI 辅助开发的真实数据
  • 生态位: 填补了「企业级 + 开源 + 双语言 + 多协议」的 Agent 框架空白
  • 趋势判断: v1.0 GA 刚发布（2026-04-02），正是关注和采纳的最佳窗口期。AutoGen/SK 已进入维护模式，迁移浪潮即将到来

风险与不足

  • 学习曲线陡峭：43 万行代码、24+30 个子包，入门门槛高于 CrewAI 等轻量框架
  • Bug 集中在高级特性：流式处理跨提供商兼容、多 Agent 检查点恢复、Human-in-the-loop 审批等高级功能仍有较多 Issue
  • .NET 集成测试稳定性：合并队列 73% 失败率（Issue #4971），CI 质量需要关注
  • v1.0 刚发布：生产环境大规模验证尚需时间
  • Azure 深度绑定：虽然核心开源，但完整企业体验需要 Azure 生态
  • 迁移成本：AutoGen/SK 现有用户需要投入迁移工作（虽有官方迁移指南）

行动建议

  • 如果你要用它: pip install agent-framework 安装 Python 版。推荐从 MS Learn 快速入门 开始。如果你已在用 AutoGen 或 SK，官方提供了专门的迁移指南。对比 LangGraph，AF 的优势在于企业特性（Azure 集成、检查点、遥测）；对比 CrewAI，AF 更复杂但能力更强
  • 如果你要学它: 重点关注 python/packages/core/agent_framework/（核心 Agent 抽象和工具系统）→ python/packages/a2a/（A2A 协议实现，理解 Agent 互通信）→ DevUI（TSX 前端，可视化调试）→ 30 分钟介绍视频
  • 如果你要 fork 它: MIT 许可，自由度高。可改进方向 (1) 轻量级入门封装（降低学习曲线）(2) 更多非 Azure 云平台集成 (3) 中文文档本地化

知识入口

资源链接
MS Learn 文档learn.microsoft.com/agent-framework
官方博客Introducing Microsoft Agent Framework
SK 团队说明SK and Microsoft Agent Framework
30 分钟视频YouTube
DevUI 演示YouTube
DiscordMicrosoft Foundry Discord
PyPIagent-framework
SK 迁移指南Migration from SK
AutoGen 迁移指南Migration from AutoGen
关联论文无（基于 AutoGen/SK 的学术基础）

相关报告

一个人 5 个月写 49 万行 Rust，造了个会自我进化的 Claude Code 竞品

⭐ 20.8k
Rust AI AgentAI 编程

MaxKB

⭐ 20.6k
Python AI AgentLLM 框架开发者工具

manim

⭐ 85.4k
Python AI Agent音视频 已发布

BettaFish

⭐ 39.6k
Python AI Agent 已发布

MiroFish

⭐ 38.2k
Python AI Agent 已发布

小智 ESP32 (xiaozhi-esp32)

⭐ 25.4k
C++ IoT / 硬件协议与规范