对于一些技术性比较强的文章，我都会使用AI来帮助我生成部分文章内容，并自动推送到微信公众号的草稿箱。简单地说，在写文章这件事情上，我和AI是责任共担的，AI负责生成封面图片，并根据我的要求产生文章内容主体，我则负责审核生成的内容，并根据自己的需要和技术细节进行修改，这不仅能够提高我的撰文效率，而且还可以保证输出优质的文章内容。
目前，这个小工具是以ASP.NET Core Web API托管了AI服务和微信公众号服务，它以容器的形式运行在Azure WebApp上，后端数据库采用了PostgreSQL，代码实现本身使用了Microsoft Semantic Kernel，它的整体架构如下图：
这样的一个小工具基本可以满足我的撰文需求，但是使用一段时间后发现，AI自动生成的文章中的有些内容并不是特别贴合主题，而且还会存在错误的情况，这可能是由于模型本身所感知的外部信息有限，无法提供更为准确的内容输出。此外，有些特殊需求无法通过单一的问答式模型实现，比如：
我想写篇文章，基于已有代码，介绍这套代码的设计思想
我想写篇文章，收集公开文献中针对某种前沿技术的主流观点，并进行总结归纳
我想写篇文章，对现行主流思想给出相对客观的评价
（等等）
于是，我决定对这个小工具进行重构，尝试引入Agent的概念，并通过Agent Workflow达到多Agent合作并生成高质量文章的目的。相比Semantic Kernel，Microsoft Agent Framework在多Agent支持方面做得更为完善和易用，所以，决定使用Agent Framework来替换Semantic Kernel的部分功能。
| 重构：引入Agent Framework
在ASP.NET Core Web API中引入Agent Framework是很简单的，只需要引入Microsoft.Agents.AI.Hosting这个NuGet包就可以了。之后，就是对代码的一顿魔改，首先从环境变量读入Azure OpenAI中配置的大语言模型的相关信息：
var aiModel = builder.Configuration[ComposerAzureOpenAiModelConfigKey] ?? throw new ApplicationException("Azure OpenAI Model is not configured.");var aiApiKey = builder.Configuration[ComposerAzureOpenAiApiKeyConfigKey] ?? throw new ApplicationException("Azure OpenAI ApiKey is not configured.");var aiEndpoint = builder.Configuration[ComposerAzureOpenAiEndpointConfigKey] ?? throw new ApplicationException("Azure OpenAI Endpoint is not configured.");然后，注入OpenAIClient对象：
builder.Services.AddSingleton(_ => new AzureOpenAIClient( new Uri(aiEndpoint), new ApiKeyCredential(aiApiKey)) .GetChatClient(aiModel) .AsIChatClient());接下来就是注入Agent实例，并通过这个Agent产生一个简单的Agent Workflow：
builder.AddAIAgent("Composer", (sp, key) =>{ var chatClient = sp.GetRequiredService<IChatClient>(); var agent = chatClient.AsAIAgent(new ChatClientAgentOptions { Name = key, Id = "FD61B233-5CFA-4124-AE5B-1561F3530135", ChatOptions = new ChatOptions { Temperature = 0.3f, Instructions = """ 你是一个技术博客写作助手，帮助用户生成文章。请根据用户提供的摘要生成一篇文章。请确保文章内容与摘要相关，并且逻辑清晰。 你可以使用一些常见的写作技巧来增强文章的质量，比如使用比喻、类比等修辞手法，尽量做到文章内容通俗易懂， 请注意，生成的内容应该是原创的，不要抄袭或引用其他人的作品，也不要使用Markdown格式，直接生成文本就可以。 请确保生成的内容符合相关法律法规，不包含任何违法或不当内容。请遵循这些指导原则，帮助用户生成高质量的文章。文章最后 不要提出任何询问用户的问题。 """ } }, services: sp); return agent;}); builder.AddWorkflow("WechatAIComposerWorkflow", (sp, key) =>{ var agent = sp.GetRequiredKeyedService<AIAgent>("Composer"); return AgentWorkflowBuilder.BuildSequential(key, agent);}).AddAsAIAgent("WechatAIComposerAgent");在使用的时候，可以通过构造器注入，获得由Workflow创建的AI Agent的实例：
public class WechatArticleComposer( // ... [FromKeyedServices("WechatAIComposerAgent")] AIAgent wechatComposerAgent, // ...) : IWechatArticleComposer{ // ...}最后，直接调用AI Agent的RunAsync方法即可：
var response = await wechatComposerAgent.RunAsync(summary);经过重构之后，文章生成的整个过程就是基于Agent Framework了，这为接下来引入新的设计做好了准备。
| 思考：新的设计
虽然重构后，技术栈从Semantic Kernel换到了Agent Framework，但是从用户使用的角度，并没有明显变化，也就是仍然无法满足之前我列举出来的几个主要需求。考虑上面的实现不难发现，在应用程序启动的时候，AI Agent和Agent Workflow的创建过程就已经决定了，其实这也就意味着单个AI Agent单兵作战的模式就已经确定了。为什么单兵作战有问题呢？因为从满足需求的角度以及日后方便扩展的角度，我更希望能够让某个AI Agent负责某个方面的任务，最后可以由另一个AI Agent对其它负责各个方面的AI Agent的结论进行总结，完成文章撰写。这样的设计，有两个主要亮点：
处理特定任务的Agent是可以扩展的，比如我可以让某个Agent具有阅读源代码并总结代码设计的能力，而另一个Agent则可以上网搜索相关设计模式的实践经验
各个Agent之间的合作方式，也是可以自定义的，比如我可以让“代码阅读Agent”完成代码解读，并让“设计评估Agent”根据已有的成功案例，评估我的代码设计，最后由“总结撰文Agent”根据这两个Agent的结论，总结成一篇文章；我也可以选择不使用“设计评估Agent”，而是由“代码阅读Agent”完成代码解读之后，直接产生文章内容；我还可以面向多个不同的领域收集最前沿的科技信息，然后汇总成文
【Agent工作流：跨领域科技文章撰写】
根据这样的技术需求，可以将设计调整成这个样子（点击图片放大）：
基本设计思路是，用户可以自定义AI Agent和Workflow，AI Agent和Workflow的元数据（Metadata）可以通过数据库访问组件进行存储和读取，这里仍然使用PostgreSQL数据库，这部分逻辑使用仓储模式实现。接下来，AgentWorkflowService会使用AI Agent和Workflow的仓储，根据需要从数据库中获取相关元数据，并创建Workflow，最后，将Workflow转化为AI Agent并返回到调用方。
于是，在界面上，用户可以创建具有各种能力的AI Agent，并且通过自定义Workflow，将这些Agents编排在一起，以完成特定的撰文任务。由于Workflow也是可管理的，所以在分配撰文任务的时候，还可以让Agent自己选择合适的Workflow来完成文章撰写。
下面是AgentWorkflowService的部分代码实现，通过这个代码可以看到，这个服务是如何通过AgentMetadata构建AI Agent，并通过这些Agents来创建Workflow的。在这里仅仅创建了一个简单的Sequential Workflow，实际上应该通过WorkflowMetadataRepository读取WorkflowMetadata的信息，然后根据WorkflowMetadata动态创建Workflow，这里就不详细展开介绍了。
public async Task<AIAgent> GetOrCreateWorkflowAgentAsync(CancellationToken cancellationToken = default){ if (_workflowAgent is not null) { logger.LogDebug("Returns the workflow agent from cache."); return _workflowAgent; } logger.LogDebug("Building the workflow agent."); var agentMetadataList = await agentRepository.GetAgentsAsync(cancellationToken); List<AIAgent> agents = []; foreach (var agentMetadata in agentMetadataList) { agents.Add(new ChatClientAgent(chatClient, new ChatClientAgentOptions { Id = $"chat_agent_{agentMetadata.Id}", Name = agentMetadata.Name, Description = agentMetadata.Description, ChatOptions = new ChatOptions { Instructions = agentMetadata.Instructions, Temperature = agentMetadata.Temperature, } })); } logger.LogDebug($"Number of agents from repository: {agents.Count}"); _workflowAgent = AgentWorkflowBuilder.BuildSequential(agents).AsAgent(); return _workflowAgent;}| 总结
通过Microsoft Agent Framework可以非常方便地搭建Agent工作流，并且AI Agent和工作流的构建是非常灵活的。其实对于现有的设计再向外扩展一下，比如加入插件式的Tools和Skills的支持，就能得到一款看上去像Clawdbot的个人AI助理工具，只不过这个工具会更专注于文章撰写，而且也会相对安全可控。
)