咸阳市网站建设_网站建设公司_内容更新_seo优化

在构建复杂的 AI 应用时，我们经常会遇到一个难题：如何让一个通用 Agent 调用另一个专业 Agent？

单一 Agent 往往无法胜任所有工作，我们需要明确的“分工”。本文通过 Microsoft Agent Framework 的一个示例，演示如何将一个 Agent 封装成标准的“函数工具”，供另一个 Agent 按需调用。

这种模式通常被称为 Agent-as-a-Function，它显著增强了多 Agent 系统的可组合性。

一、场景设定

我们构建一个“套娃”式的多 Agent 场景：

• 底层工具：一个查询天气的 C# 本地函数
• 子 Agent（WeatherAgent）：天气专家，持有底层工具
• 主 Agent（Main Agent）：负责用户交互，并且必须只用日语输出结果
• 任务：用户用中文提问，主 Agent 调用子 Agent 获取信息后，根据自身指令翻译并用日语回答

二、核心代码解析

1. 准备工作与本地函数

首先配置 Azure OpenAI 连接，并定义一个最基础的 GetWeather 本地函数。这里使用 [Description] 特性，是为了让 LLM 能更准确理解工具的用途与参数语义。

为了突出 Agent 组合模式，这里使用了简化的本地函数；在真实项目中，可以替换为 API / MCP / 插件调用。

var endpoint = Environment.GetEnvironmentVariable("AZURE_OPENAI_ENDPOINT");var deploymentName = Environment.GetEnvironmentVariable("AZURE_OPENAI_DEPLOYMENT_NAME") ?? "gpt-4o-mini";[Description("获取指定地点的天气信息。")]static string GetWeather([Description("要获取天气的地点。")] string location) => $"{location} 多云，最高气温 15°C。";

2. 创建子 Agent：WeatherAgent（天气专家）

接下来创建一个专注于天气问题的专家 Agent，并将 GetWeather 注册为它的工具能力。

此时，weatherAgent 仍然只是一个独立 Agent，尚未作为函数对外暴露。

AIAgent weatherAgent = new AzureOpenAIClient(new Uri(endpoint), new AzureCliCredential()) .GetChatClient(deploymentName) .CreateAIAgent( name: "WeatherAgent", instructions: "你专注于回答天气相关的问题，必要时调用工具获取信息后再回答。", description: "一个提供天气信息的智能体。", tools: [AIFunctionFactory.Create(GetWeather)] );

3. 关键一步：将 Agent 封装为函数（Agent-as-a-Function）

核心在于.AsAIFunction()。

它并不是一次简单的函数调用，而是一次完整的 Agent 推理过程，只是对外表现为一个标准的 AI Function 契约。

AIAgent agent = new AzureOpenAIClient(new Uri(endpoint), new AzureCliCredential()) .GetChatClient(deploymentName) .CreateAIAgent( instructions: """你是一个助手，必须只用日语回答。工具返回的内容可能是中文，请将其翻译成自然的日语后再输出。不要输出中文或英文。""", tools: [weatherAgent.AsAIFunction()] );

对主 Agent 来说，WeatherAgent 就像一个普通工具函数，但其内部实际上包含完整的 Prompt、推理和工具调用逻辑。

4. 运行效果与调用流程

Console.WriteLine(await agent.RunAsync("东京的天气如何？"));

一次典型的执行过程如下：

1. 用户用中文提问
2. 主 Agent 在推理过程中判断需要天气信息，并选择调用 WeatherAgent 工具
3. 子 Agent 调用GetWeather("东京")获取结果
4. 子 Agent 返回天气信息
5. 主 Agent 根据自身 System Prompt，将结果翻译并以日语输出

最终输出示例：

東京の天気は曇りで、最高気温は15℃です。

在真实系统中，超时控制、调用深度限制、错误回传与重试等逻辑，通常放在主 Agent 的工具调用包装层（tool policy / middleware）中统一处理，以避免多 Agent 调用链失控或变成黑盒。

三、为什么这种模式很重要？

• 封装与复用：复杂能力（如 SQL Agent、Code Agent）可以整体封装为工具
• 职责分离：主 Agent 负责交互与语言控制，子 Agent 专注垂直领域推理
• 可组合扩展：作为工具的 Agent 内部仍可调用其他 Agent，形成树状结构
• 轻量 vs 编排器：当只需要能力组合时，Agent-as-a-Function 更轻量；当需要复杂路由与多步工作流时，再引入 orchestrator 更合适

四、总结

AsAIFunction()本质上是一座桥梁：它用 Function 作为契约，把一个完整的 Agent 能力模块暴露给其他 Agent 使用。

通过这种方式，我们不再构建一个全知全能的巨型 Brain，而是构建一组可组合、可复用、职责清晰的专家团队。

如果你正在使用 Microsoft Agent Framework，不妨尝试把你的通用能力抽取出来，封装成 Agent Tool，让系统能力真正“模块化”。

源代码地址

https://github.com/bingbing-gui/aspnetcore-developer/tree/master/src/09-AI-Agent/Agent-Framework/12-Agent-As-Function-Tool

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】