深入 .NET AI Agent 开发：利用 Microsoft.Agents.AI 提取思考、调用工具与执行脚本

大家好，我是你们的资深技术博主。今天，我们来一起探索一个非常有意思的话题：如何在 .NET 生态中，利用 Microsoft.Agents.AI 框架构建一个能“思考”的 AI Agent。这个 Agent 不仅能理解自然语言，还能提取思考过程、调用外部工具，甚至执行安全沙箱中的脚本。听起来像科幻电影？其实，这一切在 .NET 中已经触手可及。## 什么是 AI Agent？为什么需要“思考提取”？AI Agent 是一个能够自主感知环境、做出决策并执行动作的智能体。传统的聊天机器人只是“一问一答”，而 Agent 可以：- 拆解复杂任务：比如“帮我分析上个月的销售数据，然后生成一份报告”- 调用工具：访问数据库、调用 API、运行 Python 脚本- 记录思考过程：这就是我们说的“思考提取”（Thought Extraction），让 Agent 的决策过程透明化Microsoft.Agents.AI 是微软推出的全新 Agent 开发框架，它基于 .NET，提供了思考链（Chain of Thought）、工具调用（Tool Calling）和脚本执行（Script Execution）的核心能力。## 核心概念速览在进入代码前，先理解三个核心组件：1. Agent：核心执行体，包含一个大语言模型（LLM）和一组工具2. Tool：可复用的能力单元，比如 SearchTool、CalculatorTool3. Thought：Agent 在决策过程中的内部推理步骤，可以被提取并展示这种设计让 Agent 不再是一个黑盒，我们可以清晰地看到它“在想什么”。## 实战：构建一个“智能计算与搜索”Agent### 环境准备首先，安装 NuGet 包：bashdotnet add package Microsoft.Agents.AIdotnet add package Microsoft.Agents.AI.OpenAI### 示例1：基础 Agent 与思考提取这个例子演示如何创建一个能进行数学运算的 Agent，并提取它的推理过程。csharpusing Microsoft.Agents.AI;using Microsoft.Agents.AI.OpenAI;// 1. 配置 OpenAI 模型var modelConfig = new OpenAIModelConfig{ ApiKey = "your-api-key", ModelId = "gpt-4", // 推荐使用支持思考链的模型 Endpoint = "https://api.openai.com/v1"};var model = new OpenAIChatModel(modelConfig);// 2. 创建一个简单的计算工具var calculatorTool = new Tool( name: "calculator", description: "执行数学运算，支持 + - * /", parameters: new Dictionary<string, object> { { "expression", "string" } // 输入数学表达式 }, execute: async (args) => { var expr = args["expression"] as string; // 注意：这里使用 DataTable 作为简单计算器（生产环境请用更安全的方式） var result = new System.Data.DataTable().Compute(expr, null); return result.ToString(); });// 3. 创建 Agentvar agent = new AgentBuilder() .WithModel(model) .WithTools(calculatorTool) .WithInstructions("你是一个数学助手，请逐步思考并计算用户的问题。") .Build();// 4. 运行并提取思考过程var request = new AgentRequest{ Input = "计算 (123 + 456) * 2 的结果"};var response = await agent.RunAsync(request);// 提取思考链Console.WriteLine("=== Agent 的思考过程 ===");foreach (var thought in response.Thoughts){ Console.WriteLine($"- 步骤 {thought.Step}: {thought.Description}"); if (thought.ToolCall != null) { Console.WriteLine($" 调用了工具: {thought.ToolCall.Name}, 参数: {thought.ToolCall.Arguments}"); Console.WriteLine($" 工具返回: {thought.ToolCall.Result}"); }}Console.WriteLine($"\n最终回答: {response.Output}");输出示例：=== Agent 的思考过程 ===- 步骤 1: 用户要求计算复杂表达式，我需要先计算括号内的加法- 步骤 2: 调用计算器工具，表达式为 "123 + 456" 调用了工具: calculator, 参数: {"expression":"123 + 456"} 工具返回: 579- 步骤 3: 现在将结果乘以 2，调用计算器工具 调用了工具: calculator, 参数: {"expression":"579 * 2"} 工具返回: 1158最终回答: 计算结果为 1158。看到没？Agent 不仅给出了答案，还完整记录了每一步的思考过程。这对于调试、审计甚至教育场景都非常有价值。### 示例2：执行 Python 脚本的 Agent有时候，Agent 需要运行更复杂的逻辑，比如数据分析或图像处理。Microsoft.Agents.AI 支持通过 ScriptExecutor 安全地执行外部脚本。csharpusing Microsoft.Agents.AI;using Microsoft.Agents.AI.Scripting;// 1. 配置脚本执行器（使用 Python 环境）var scriptConfig = new ScriptExecutorConfig{ // 这里可以是本地 Python 路径，或者容器化环境 InterpreterPath = "python3", TimeoutSeconds = 30, AllowedModules = new[] { "math", "json", "statistics" } // 安全白名单};var scriptExecutor = new ScriptExecutor(scriptConfig);// 2. 创建数据分析工具var dataAnalysisTool = new Tool( name: "data_analyzer", description: "分析一组数值数据，返回均值、中位数和标准差", parameters: new Dictionary<string, object> { { "data", "array" } }, execute: async (args) => { var data = (double[])args["data"]; // 生成 Python 脚本 var script = $@"import jsonimport statisticsdata = {System.Text.Json.JsonSerializer.Serialize(data)}result = {{ 'mean': statistics.mean(data), 'median': statistics.median(data), 'stdev': statistics.stdev(data)}}print(json.dumps(result))"; var output = await scriptExecutor.ExecuteAsync(script); return output; });// 3. 构建 Agentvar analysisAgent = new AgentBuilder() .WithModel(model) .WithTools(dataAnalysisTool) .WithInstructions("你是一个数据分析师，使用 data_analyzer 工具分析数值数据，并给出解读。") .Build();// 4. 运行var analysisRequest = new AgentRequest{ Input = "请分析这组数据：[10, 20, 30, 40, 50]，告诉我它们的统计特征"};var analysisResponse = await analysisAgent.RunAsync(analysisRequest);// 输出思考过程Console.WriteLine("\n=== 数据分析 Agent 的思考 ===");foreach (var thought in analysisResponse.Thoughts){ Console.WriteLine($"步骤 {thought.Step}: {thought.Description}"); if (thought.ToolCall != null) { Console.WriteLine($" 调用工具: {thought.ToolCall.Name}"); Console.WriteLine($" 结果: {thought.ToolCall.Result}"); }}Console.WriteLine($"\n解读: {analysisResponse.Output}");输出示例：=== 数据分析 Agent 的思考 ===步骤 1: 用户提供了一组数值，我需要计算统计特征步骤 2: 调用 data_analyzer 工具，数据为 [10,20,30,40,50] 调用工具: data_analyzer 结果: {"mean":30.0,"median":30.0,"stdev":15.811388300841896}解读: 这组数据的平均值为30，中位数也是30，标准差约为15.81，说明数据分布相对集中。这里的关键是 ScriptExecutor 在安全沙箱中运行 Python 脚本，防止恶意代码执行。你可以限制允许的模块、设置超时，甚至使用 Docker 容器隔离。## 高级技巧：自定义思考策略Microsoft.Agents.AI 允许你自定义 Agent 的“思考策略”。例如，你可以让 Agent 强制先思考再行动：csharpvar agent = new AgentBuilder() .WithModel(model) .WithTools(tools) .WithThinkingStrategy(new ChainOfThoughtStrategy { MaxThoughts = 5, // 最多思考5步 RequireToolBeforeAnswer = true // 必须至少调用一次工具才能回答 }) .Build();这样 Agent 不会直接给出猜测，而是必须通过工具验证后才会回答，大大提高了准确性。## 常见问题与最佳实践1. 思考提取过多怎么办？ 设置 MaxThoughts 限制步数，或者使用 Token 预算控制。2. 脚本执行不安全？ 始终使用白名单模块、设置超时，并考虑容器化执行。3. 工具调用失败？ 在 Tool 的 execute 方法中加入 try-catch，并返回友好的错误信息，让 Agent 能重试或调整参数。## 总结Microsoft.Agents.AI 框架为 .NET 开发者打开了一扇通往智能 Agent 的大门。通过“思考提取”，我们不再只是得到一个答案，而是能看到完整的推理过程——这在调试、信任建立和教育场景中价值巨大。结合工具调用和脚本执行，Agent 从一个“聊天机器”升级为“数字员工”，能自主完成复杂的业务任务。从今天开始，你可以在你的 .NET 应用中集成 AI Agent，让它们帮你处理数据、解答问题、甚至编写代码。记住，构建一个好的 Agent 不仅仅是调用 API，更重要的是设计清晰的工具接口和合理的思考策略。希望这篇文章能帮你迈出第一步，去探索 AI Agent 的无限可能。如果你有任何问题，欢迎在评论区留言。下次见！