Microsoft Agent Framework 1.0 — один pip install вместо Semantic Kernel и AutoGen, и ваши MCP-серверы теперь работают из .NET

Microsoft Agent Framework 1.0 — один pip install вместо Semantic Kernel и AutoGen, и ваши MCP-серверы теперь работают из .NET

Microsoft наконец объединила Semantic Kernel и AutoGen в один фреймворк. 3 апреля вышла версия 1.0 со стабильными API для Python и .NET, встроенной поддержкой MCP, мульти-агентной оркестрацией и коннекторами для Claude, GPT, Gemini и Ollama. На GitHub уже 9 356 звёзд, 766 открытых issue и 71 релиз.

TL;DR: Microsoft Agent Framework 1.0 объединяет Semantic Kernel и AutoGen в один пакет. pip install agent-framework, 5 строк кода, и у вас мульти-агентная система с MCP и A2A протоколом, поддержкой любой модели от Claude до Ollama. Работает даже на Raspberry Pi 3b.

Два года Microsoft держала два отдельных фреймворка: Semantic Kernel для enterprise-интеграций, AutoGen для мульти-агентных исследований. Хотите и то, и другое? Собирайте Франкенштейна из двух библиотек с несовместимыми API. С версией 1.0 это закончилось.

Что внутри

Agent Framework объединяет пять вещей, которые раньше требовали отдельных библиотек.

Коннекторы. Azure OpenAI, OpenAI, Anthropic Claude, Amazon Bedrock, Google Gemini и Ollama. Все реализуют единый интерфейс IChatClient из Microsoft.Extensions.AI. Смена провайдера — одна строка кода.

Мульти-агентная оркестрация. Паттерны из Microsoft Research: sequential, concurrent, handoff, group chat и Magentic-One. Обкатаны в исследованиях, перенесены из AutoGen.

MCP из коробки. Агенты динамически находят и вызывают инструменты с любого MCP-сервера. Написали MCP-сервер для Claude Code? Он заработает с Agent Framework без единого изменения.

A2A протокол. Агенты из разных фреймворков координируются через структурированные сообщения. Python-агент передаёт задачу .NET-агенту и обратно.

DevUI. Визуальный отладчик для agent workflow. Видно, какой агент что вызвал, в каком порядке, с какими данными. Вместо print() и гадания по логам.

5 строк до первого агента

Python:

# pip install agent-framework
import asyncio
from agent_framework import Agent
from agent_framework.foundry import FoundryChatClient
from azure.identity import AzureCliCredential

async def main():
    agent = Agent(
        client=FoundryChatClient(credential=AzureCliCredential()),
        name="CodeReviewer",
        instructions="Ты — сеньор-ревьюер. Находишь баги и проблемы.",
    )
    print(await agent.run("Проверь этот код на утечки памяти..."))

asyncio.run(main())

.NET:

// dotnet add package Microsoft.Agents.AI.OpenAI
using OpenAI;

var agent = new OpenAIClient("your-api-key")
    .GetChatClient("gpt-5.4-mini")
    .AsIChatClient()
    .CreateAIAgent(
        instructions: "You are a senior .NET architect. Be concise.");

Console.WriteLine(
    await agent.RunAsync("Design a retry policy for SQL failures."));

Хотите Ollama вместо OpenAI? Меняете одну строку на OllamaConnector(model="llama3.2"). Весь остальной код остаётся тем же.

MCP-серверы: ваши инвестиции окупаются вдвойне

До MCP написать инструмент для нескольких AI-фреймворков означало N реализаций для N фреймворков. MCP свёл это к одной. А то, что Microsoft включила поддержку MCP в свой 1.0 релиз, переводит протокол из категории "интересный эксперимент" в "отраслевой стандарт".

Конкретный workflow:

1. Написали MCP-сервер для Claude Code (допустим, доступ к базе)
2. Прототипируете мульти-агентный workflow в Agent Framework с Ollama (бесплатно, без API-ключей)
3. Тестируете оркестрацию и tool-вызовы
4. Переключаете коннектор на Claude для продакшена

Не жжёте токены Claude на этапе разработки. Другой экономический цикл.

Мульти-агентная оркестрация: от handoff до графов

HandOff — простейший паттерн. Агент-триажер определяет, кому передать задачу:

var workflow = AgentWorkflowBuilder
    .CreateHandoffBuilderWith(triage)
    .WithHandoffs(triage, [clerk, archivist, secretary, researcher])
    .WithHandoff(researcher, triage, 
        "Hand back to Triage when done.")
    .EmitAgentResponseEvents(true)
    .Build();

Graph-based workflow на уровень выше. Агенты соединяются в граф с потоками данных, чекпоинтами и time-travel (откат к любой точке выполнения). Human-in-the-loop тоже встроен: workflow ставится на паузу, ждёт одобрения человека, продолжает.

Автор поста на Хабре собрал домашнего AI-помощника за выходные: интерфейс через Telegram, память на SQLite, банда из пяти агентов. Всё крутится на Raspberry Pi 3b.

Подводные камни

766 открытых issues на GitHub для версии 1.0. Вот конкретные проблемы.

MCP-интеграция сырая. MCPStdioTool.call_tool зависает, если MCP-сервер отправляет resource-уведомления во время вызова инструмента (#4896). MCP-клиент уходит в бесконечный цикл, если сервер не поддерживает метод ping (#4940). В streaming-режиме mcp_server_tool_result просто не доставляется (#4814).

Параллельные запросы ломают hosted-сэмплы. Hosted agent sample переиспользует один экземпляр workflow для всех запросов и падает под нагрузкой (#4766). Планируете хостить агентов за API? Готовьтесь к сюрпризам.

Streaming с OpenRouter не работает. Ошибка tool role without preceding tool_calls при работе через OpenRouter (#5105). Стек не ограничен Azure? Тестируйте заранее.

Compaction strategies содержат баги (#4991). Стратегии сжатия контекста работают некорректно, что может привести к потере информации при длинных диалогах.

Альтернативы

• LangGraph (LangChain) — тоже graph-based оркестрация, зрелая экосистема с большим комьюнити. Python-only, .NET нет. Требует LangChain-экосистему: если уже используете LangChain, переход минимален. Если нет, это дополнительная зависимость.

• CrewAI — role-based мульти-агенты с упрощённым API. Быстрее разобраться, чем в Agent Framework. Python-only, меньше enterprise-фич (нет middleware, нет DevUI). Хорош для прототипов и небольших проектов.

• Google ADK (Agent Development Kit) — поддерживает A2A, плотная интеграция с Gemini и GCP. Если весь стек на Google Cloud, логичный выбор. Экосистема пока уступает Microsoft по размеру.

Вердикт

Если вы пишете на .NET и строите мульти-агентные системы, Agent Framework 1.0 сейчас единственный серьёзный вариант с нативной поддержкой. Не нужно больше выбирать между Semantic Kernel и AutoGen. Встроенный MCP означает, что ваши Claude Code инструменты переиспользуются без изменений.

Для Python-разработчиков в экосистеме LangChain переход неочевиден. LangGraph зрелее, комьюнити больше.

766 open issues на 1.0 = фреймворк сырой. Для прототипов и пет-проектов годится уже сейчас. Для продакшена подождите пару патч-релизов, особенно если рассчитываете на MCP streaming.

Как попробовать

1. Установите: pip install agent-framework или dotnet add package Microsoft.Agents.AI
2. Начните с Ollama (бесплатно): используйте OllamaConnector(model="llama3.2") для прототипирования
3. Подключите существующий MCP-сервер: MCPToolClient(server_url="http://localhost:8000")
4. Попробуйте HandOff workflow с двумя агентами (примеры на GitHub)
5. Документация: learn.microsoft.com/en-us/agent-framework и GitHub