Web AI Agent 代表了 AI 在真实系统落地方式的一次大转向：它不再只是“生成文本”，而是会观察实时网页、做决策、并执行真实动作（点击按钮、提交表单、在应用中导航）。能力的跃迁带来巨大价值，但也带来更本质的风险：它更暴露、更容易被利用，如果系统设计草率，后果会比纯文本聊天严重得多。

下面的观点基于近期的安全分析：Web AI Agent 的关键问题不是“模型不够聪明”，而是“系统边界不够硬”。理解脆弱性从何而来、会以什么形态出现、以及应该怎样修复，对于任何在做 AI 产品/平台/研究系统的人都很关键。

阅读全文

智能体（Agentic）应用正在重塑企业自动化，但它们动态的工具链和“隐式推理”也让线上运行与排障变得格外棘手。本文整理并改写自 Microsoft Foundry Blog 的一篇文章，内容聚焦于：如何为基于 Microsoft Agent Framework 的服务接入 OpenTelemetry，将 trace 投递到 Azure AI Foundry 的可观测能力中，并建立一套实用工作流，用于在生产环境中调试、评估并持续改进多智能体行为。

阅读全文

🧭 引言

监控 AI 应用，早就不只是盯着「是否在线」和「有没有报错」这么简单了。面对生成式 AI 的工作负载，团队还需要持续回答三个更关键的问题：

• AI 的输出到底“好不好”（质量、准确性、帮助性）
• 运行成本是多少（尤其是 token 消耗与推理成本）
• 是否足够安全、合规、可控（有无有害输出、策略违规等）

Microsoft 在 Azure AI Foundry 中提供了一套集成式的可观测能力，把 Application Insights、持续评估（continuous evaluation）与可自定义仪表板串起来，从而实现对 AI 应用端到端的可见性；同时也与 Azure Baseline Monitoring Alerts 的思路保持一致。

阅读全文

原文链接：https://techcommunity.microsoft.com/blog/azure-ai-foundry-blog/hybrid-ai-using-foundry-local-microsoft-foundry-and-the-agent-framework—part-2/4471983?WT.mc_id=AI-MVP-5003172

阅读全文

原文链接：https://techcommunity.microsoft.com/blog/azure-ai-foundry-blog/hybrid-ai-using-foundry-local-microsoft-foundry-and-the-agent-framework—part-1/4470813?WT.mc_id=AI-MVP-5003172

阅读全文

题图来源：Microsoft Tech Community 原文页面（见文末链接）。

摘要

在需要“高自动化 + 强审计/合规”的 AI 工作流里，人类审批（human-in-the-loop）往往是绕不过去的一环：既要让多智能体协作把流程跑起来，又要在关键动作（例如停机、触发维护）前强制停下来等人确认。

Microsoft 在一篇示例文章中给出了一套脚本化方案：使用 Agent Framework 编排一个顺序（sequential）多智能体工作流，底层调用 Azure AI Foundry 的持久化（persistent）agents，并利用 **workflow checkpointing（检查点）**实现“暂停—等待审批—从检查点恢复继续执行”。

阅读全文

原文链接：https://techcommunity.microsoft.com/blog/azure-ai-foundry-blog/building-human-in-the-loop-ai-workflows-with-microsoft-agent-framework/4460342?WT.mc_id=AI-MVP-5003172

一个把确定性编排与自主代理结合起来的欺诈检测示例

现代企业系统经常面临一个非常现实的问题：如何让 AI 的决策可靠、可解释，并且真正能在生产环境落地？

原文围绕一个“欺诈检测（Fraud Detection）”示例，展示了 Microsoft Agent Framework 如何把 AI 驱动的推理步骤放进一个可控的工作流里：

• 工作流图（workflow graph）负责确定性编排：控制执行顺序、并行与合流、容错与恢复
• 专家代理（agents）负责LLM 推理：在结构化/半结构化数据上做领域判断

完整实现代码仓库在这里：

阅读全文

原文链接: Integrating Azure AI Foundry with Copilot Studio: A Strategic and Technical Overview

随着组织加速 AI 采用,对灵活、可扩展和安全的平台需求变得至关重要。我之前在文章《导航 AI 解决方案:Microsoft Copilot Studio 与 Azure AI Foundry》中介绍过两种强大但截然不同的 AI 代理构建方法。Copilot Studio 提供了低代码/无代码界面以便快速部署,面向各类业务用户;而 Azure AI Foundry 则提供了专业代码环境,具备深度定制和编排能力,面向开发者群体。

阅读全文

Azure AI Foundry Agents 是 Azure AI Foundry 平台中的一项新功能,它让我们能够构建智能的、目标驱动的 AI 系统,这些系统可以自主行动以完成复杂的任务。

什么是 AI Agent?

在我使用 Azure AI Foundry 的过程中,我发现 AI Agent 与传统的 AI 应用有着本质的区别。传统的 AI 应用通常是响应式的——它们等待用户输入,处理请求,然后返回结果。而 AI Agent 则具有主动性,它们能够:

阅读全文

原文：https://techcommunity.microsoft.com/blog/azure-ai-foundry-blog/beyond-prompts-how-agentic-ai-is-redefining-human-ai-collaboration/4445774?WT.mc_id=AI-MVP-5003172（原文标注日期：2025-08-20）

这篇来自 Microsoft Foundry Blog 的文章聚焦一个正在快速成型的趋势：从“写好提示词、等模型回答”的交互方式，转向“能够思考、规划、调用工具、并在反馈中调整”的 Agentic AI（智能体式 AI）。文章将其视为从被动助手到主动协作者的跃迁，并用一个学习助理的例子拆解了智能体系统的关键组成。

从“反应式”到“主动式”

传统的 AI 使用方式高度依赖 prompt：用户提问，模型给出一次性回答。这类系统往往是反应式的——更擅长单轮任务，缺少跨步骤的规划能力，也缺少在动态环境里自我调整的机制。

阅读全文