Skapa en lösning för arbetsflödesautomatisering med flera agenter med hjälp av Microsoft Agent Framework

Den här arkitekturen beskriver ett processautomatiseringssystem som använder flera specialiserade AI-agenter för att samordna och köra organisationsuppgifter automatiskt.

Flera AI-agenter samarbetar via en central API-orkestrerare för att skapa skalbara automatiseringspipelines. Anpassad programvara som använder Microsoft Agent Framework definierar agent- och orkestreringsbeteendet och du distribuerar agenterna i Azure Container Apps där de använder Foundry Tools.

Den här artikeln fokuserar på infrastruktur- och DevOps-aspekter för hantering av system med flera agenter i Azure. Den omfattar kontinuerlig integrering, datapersistence, agentsamordning och automatiserade distributionsprocesser för automatisering av uppgifter i företagsklass.

Architecture

Ladda ned en Visio-fil med den här arkitekturen.

Workflow

Följande arbetsflöde motsvarar föregående diagram:

1. Anställda får åtkomst till webbklientdelen för att begära och hantera automatiserade lösningar. De skickar uppgifter som har specifika krav och parametrar via webbgränssnittet.

2. Azure App Service-webbplatsen tar emot användarbegäran från klientdelen och anropar ett API som finns i Container Apps. API:et bearbetar den inkommande uppgiften och avgör vilka specialiserade AI-agenter som ska användas. API:et separerar uppgiften i komponentdelar för samordning med flera agenter.

3. Container Apps API ansluter till en GPT-4o-modell som är värdbaserad på Microsoft Foundry. API:et samordnar flera specialiserade AI-agenter för att hantera olika aspekter av uppgiften. Agenter samarbetar för att planera, utföra och verifiera de uppgifter som krävs.

4. Azure Cosmos DB lagrar alla data som rör aktuella och tidigare planer och lösningar. Den upprätthåller historiska uppgiftsdata och mönster för inlärnings- och optimeringsändamål. Den bevarar även agentbeslut och resultat för framtida referens.

5. Azure Container Registry hanterar bilder för front-end-webbplatsen och back-end-API:et. Det här registret underhåller även versionshanterade containeravbildningar för återställningsfunktioner.

6. GitHub-källlagringsplatsen utlöser automatiska byggnationer av webbplats- och API-serverbilderna vid koduppdateringar. Docker skapar och distribuerar sedan de uppdaterade containeravbildningarna till registret.

Components

• App Service är en PaaS-lösning (plattform som en tjänst) som tillhandahåller en skalbar webbvärdmiljö för program. I den här arkitekturen fungerar App Service-webbplatsen som klientdelsgränssnitt för användare att begära och hantera automatiserade lösningar. Det ger en dynamisk webbupplevelse för att skicka uppgifter och spåra deras förlopp.

• Container Apps är en serverlös containerplattform där du kan köra mikrotjänster och containerbaserade program på en serverlös plattform. I den här arkitekturen fungerar Container Apps API som det centrala orkestreringsskiktet som bearbetar användarbegäranden, samordnar flera AI-agenter och hanterar slutförandetillståndet för uppgifter. Den är värd för den anpassade kod som programvaruteamet utvecklar med hjälp av Agent Framework.

• Foundry är ett enhetligt Azure PaaS-erbjudande för ai-företagsåtgärder, modellbyggare och programutveckling. Den kombinerar infrastruktur i produktionsklass med utvecklarvänliga gränssnitt, vilket gör att utvecklare kan fokusera på att skapa program i stället för att hantera infrastruktur. I den här arkitekturen utgör Foundry grunden för att distribuera och hantera AI-modeller i ett chattgränssnitt och fungerar som gateway till anslutna Foundry Tools, till exempel Foundry Agent Service.

  Foundry Agent Service är en hanterad körningstjänst som ansluter kärndelarna i Foundry, till exempel modeller, verktyg och ramverk, till en enda agentisk körning. Den hanterar konversationer, samordnar verktygsanrop, framtvingar innehållssäkerhet och integrerar med identitets-, nätverks- och observerbarhetssystem. I den här arkitekturen anropar programmet Foundry Agent Service för att driva agentkonversationerna.

• Azure Cosmos DB är en globalt distribuerad databastjänst med flera modeller som ger låg svarstid och elastisk skalbarhet. I den här arkitekturen lagrar Azure Cosmos DB alla data som rör aktuella och tidigare automatiseringsplaner och lösningar. Container Apps-API:et skriver data när det skapar nya planer eller kör uppgifter. API:et läser data när användare får åtkomst till sin automatiseringshistorik via App Service-webbplatsen.

• Container Registry är en hanterad Docker-registertjänst som lagrar och hanterar containeravbildningar. I den här arkitekturen hanterar Container Registry avbildningar för både klientdelswebbplatsen och serverdels-API:et. Den här konfigurationen säkerställer konsekvent distribution och versionskontroll av systemkomponenter med flera agenter i olika miljöer.

Alternatives

Den här arkitekturen innehåller en komponent som du kan ersätta med en annan Azure-tjänst eller -metod, beroende på arbetsbelastningens funktionella och icke-funktionella krav. Överväg följande alternativ och kompromisser.

Agentorkestrering

Aktuell metod: Den här lösningen använder anpassad agentkod, skriven med Agent Framework SDK, för att orkestrera agenter och deras interaktioner. Container Apps fungerar som den centrala orchestrator-beräkning som kör koden. Koden samordnar de flera AI-agenter som körs i aktiva arbetsflöden. Den här kod-första lösningen ger maximal kontroll över agentbeteende, orkestreringslogik och beräkningsskala.

Alternativ metod: Använd Foundry Agent Service för att definiera agenter och ansluta dem individuellt till relevanta kunskapslager och verktyg. I den här lösningen utan kod definierar du agentbeteende och agentrelationer via en systemprompt. Foundry Agent Service är värd för och hanterar agenterna, så att du inte kontrollerar den beräkning som kör agenterna.

Överväg det här alternativet om din arbetsbelastning har följande egenskaper:

• Du behöver inte deterministisk agentorkestrering. Du kan definiera agentbeteendet tillräckligt, inklusive åtkomst och verktygsanvändning i kunskapsarkivet, via en systemprompt.

• Du behöver inte fullständig kontroll över dina agenters datorkraft.

• Du behöver bara verktyg som kan nås via HTTPS, och Foundry Agent Service stöder dina kunskapslager.

Om din organisation har blandade krav kan du använda en hybridmetod. Använd Foundry Agent Service för standardarbetsflöden och Container Apps för kritiska eller mycket anpassade processer som kräver mer kontroll.

Information om scenario

Den här anpassade automatiseringsmotorn med flera agenter hanterar utmaningen att samordna komplexa, avdelningsoberoende affärsprocesser som traditionellt kräver betydande manuell tillsyn och samordning. Organisationer kämpar ofta med uppgifter som omfattar flera expertområden, kräver konsekventa prestanda mellan team och kräver spårningsspår för att stödja efterlevnad.

Den här lösningen använder specialkodade, specialiserade AI-agenter som samarbetar för att dela in komplexa organisationsuppgifter i hanterbara komponenter. Varje agent tillämpar sina specifika kunskaper och funktioner. Systemet hanterar avancerade arbetsflöden som annars kräver mänsklig samordning mellan flera avdelningar. Arkitekturen skalar genom containerbaserad distribution, bevarar inlärning via beständig datalagring och stöder kontinuerlig förbättring genom automatiserade integrerings- och leveranspipelines.

Du kan också använda den här arkitekturen för kodmodernisering och äldre systemmigrering, som omfattar utmaningar som teknisk komplexitet och krav på affärskontinuitet. Äldre system saknar ofta korrekt dokumentation, använder inaktuella programmeringsspråk och innehåller viktig affärslogik som du måste bevara. Metoden med flera agenter samordnar specialiserad expertis inom teknisk översättning, affärsanalys, kvalitetssäkring och dokumentationsgenerering.

Potentiella användningsfall

Överväg följande potentiella användningsfall för automatisering av arbetsflöden med flera agenter.

Kodmodernisering och migrering

• Äldre SQL-frågeöversättning: Samordna flera specialiserade agenter för att översätta SQL-frågor mellan olika databasdialekter samtidigt som du bevarar affärslogik och prestandaegenskaper.

  • En SQL-analysagent identifierar dialektspecifika konstruktioner.

  • En översättningsagent konverterar syntax till målplattformen.

  • En valideringsagent testar frågejämvikt.

  • En dokumentationsagent genererar migreringsanteckningar.

  Den här metoden hanterar den vanliga utmaningen att upprätthålla funktionell likvärdighet när du migrerar från plattformar som Oracle till Azure SQL Database eller Azure Database for PostgreSQL.

• Äldre programmodernisering: Samordna agenter som specialiserar sig på kodanalys, extrahering av affärslogik, arkitekturutvärdering och moderniseringsplanering. Agenter samarbetar för att analysera äldre kodbaser, extrahera inbäddade affärsregler, utvärdera tekniska skulder, generera moderniseringsöversikter och skapa dokumentation som samlar in institutionell kunskap som ofta går förlorad under övergångar.

• Databasschemamigrering: Samordna agenter för schemaanalys, datatypsmappning, begränsningsöversättning och valideringstestning. Systemet med flera agenter översätter korrekt komplexa databasstrukturer, relationer och affärsregler samtidigt som dataintegritet och prestandakrav upprätthålls.

Automatisering av företagsprocesser

• Orkestrering av medarbetarregistrering: Samordna IT-etablering, personaldokumentation (HR), åtkomst till anläggningar, träningsscheman och efterlevnadskrav för flera avdelningar.

• Arbetsflöde för kontraktshantering: Automatisera juridisk granskning, godkännande av anskaffning, finansiell analys och leverantörskommunikation för komplexa affärsavtal.

• Samordning av incidenthantering: Samordna teknisk reparation, kommunikation med intressenter, dokumentation och analys efter incident i IT-, säkerhets- och affärsteam.

Finansiella tjänster och efterlevnad

• Automatisering av regelefterlevnad: Samordna datainsamling, analys, rapportering och överföring i flera regelverk samtidigt.

• Pipeline för lånebearbetning: Automatisera arbetsflöden för kreditanalys, riskbedömning, dokumentationsgranskning och godkännande som omfattar flera specialistteam.

• Hantering av granskningsförberedelser: Samordna insamling av bevis, förberedelse av dokumentation, intervjuer med intressenter och efterlevnadsverifiering mellan affärsenheter.

Sjukvård och forskning

• Hantering av kliniska prövningar: Samordna patientrekrytering, regelefterlevnad, datainsamling, säkerhetsövervakning och rapportering mellan forskningsteam.

• Samordning av patientvård: Automatisera schemaläggning, behandlingsplanering, försäkringsverifiering och kommunikation med vårdteamet för komplexa medicinska fall.

• Inköp av medicinsk utrustning: Samordna kliniska krav, tekniska specifikationer, leverantörsutvärdering och processer för myndighetsgodkännande.

Tillverknings- och leveranskedja

• Samordning av produktlansering: Orkestrera designfinalisering, tillverkningskonfiguration, kvalitetssäkring, marknadsföringsförberedelse och distributionsplanering.

• Registreringsprocess för leverantörer: Automatisera kvalificeringsutvärderingar, kontraktsförhandlingar, systemintegreringar och konfiguration av prestandaövervakning.

• Hantering av kvalitetsincidenter: Samordna undersökning, rotorsaksanalys, korrigerande åtgärder och leverantörskommunikation för problem med kvalitet.

Orkestreringsmönster med flera agenter

När du utformar automatiseringssystem med flera agenter bör du fundera på hur agenter måste samordna för att åstadkomma komplexa arbetsflöden. Den här arkitekturen använder en anpassad orkestrerare som hanterar agentinteraktioner, men de samordningsmönster som du väljer påverkar systemets prestanda och tillförlitlighet avsevärt.

Sekventiella mönster passar beroende uppgifter som arbetsflöden för dokumentgodkännande. Samtidiga mönster passar oberoende åtgärder som datainsamling från flera källor. Gruppchattmönster möjliggör samarbetsproblemlösning. Med överlämningsmönster kan specialiserade agenter hantera olika arbetsflödesfaser. Mer information om hur du implementerar dessa samordningsstrategier finns i AI-agentorkestreringsmönster. Den här artikeln innehåller arkitekturmönster och implementeringsöverväganden för olika scenarier med flera agenter.

Överväganden

Dessa överväganden implementerar grundpelarna i Azure Well-Architected Framework, som är en uppsättning vägledande grundsatser som du kan använda för att förbättra kvaliteten på en arbetsbelastning. För mer information, se Well-Architected Framework.

Kostnadsoptimering

Kostnadsoptimering fokuserar på sätt att minska onödiga utgifter och förbättra drifteffektiviteten. Mer information finns i Checklista för designgranskning för kostnadsoptimering.

Mer information om kostnaderna för att köra det här scenariot finns i den förkonfigurerade uppskattningen i Priskalkylatorn för Azure.

Priserna varierar beroende på region och användning, så du kan inte förutsäga exakta kostnader i förväg. De flesta Azure-resurser i den här infrastrukturen följer användningsbaserade prismodeller. Men Container Registry medför en daglig fast kostnad för varje register.

Distribuera det här scenariot

Om du vill distribuera en implementering av den här arkitekturen följer du stegen på GitHub-lagringsplatsen.

Implementering av kodmodernisering

Specifik implementering av arbetsflöden med flera agenter som utför SQL-frågemodernisering finns i Modernisera kodimplementeringen. Den här implementeringen visar hur flera AI-agenter samordnar för att översätta SQL-frågor mellan olika databasdialekter. Den genererar även dokumentations- och valideringsrapporter under hela processen.

Contributors

Microsoft ansvarar för den här artikeln. Följande deltagare skrev den här artikeln.

Huvudförfattare:

• Solomon Pickett | Programvarutekniker II

Övriga medarbetare:

• Anish Arora | Senior programvarutekniker
• Malory Rose | Senior programvarutekniker
• Mark Taylor | Huvudprogramtekniker

Om du vill se linkedin-profiler som inte är offentliga loggar du in på LinkedIn.

Nästa steg

• Översikt över Agent Framework-arkitekturen
• Dokumentation om Foundry Agent Service