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：

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。

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:

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。

随着 AI 智能体变得越来越复杂,对与强大云端工具无缝集成的需求也在不断增长。我发现 Azure AI Foundry SDK 与 MCP(模型上下文协议)工具的结合,创造了一个强大的组合,让开发者能够轻松地构建、部署和管理智能代理。

解决方案概述

我在使用 AI-Foundry-Agent-MCP GitHub 仓库时发现,它为将 MCP 工具与 Azure AI Foundry SDK 集成提供了一个实用的解决方案。通过这个设置,我们可以:

GitHub 官方近日宣布推出了一个令人兴奋的社区资源 —— Awesome GitHub Copilot Customizations 仓库！这个社区驱动的资源库包含了大量的自定义指令、可重用提示和自定义聊天模式，帮助开发者获得更一致、更个性化的 AI 编程辅助体验。

什么是 Awesome Copilot 仓库？

Awesome Copilot 仓库是一个旨在帮助开发者充分利用 GitHub Copilot 的资源集合。通过将 Copilot 定制为符合特定需求的工具，开发者可以获得更加精准和有用的代码建议。随着越来越多的开发者贡献自己的指令、提示和聊天模式，这个仓库的内容将不断丰富和完善。

在这篇教程中，我将带你了解如何无缝集成 AutoGen 和 Semantic Kernel 与 Google 的 Gemini Flash 模型。我们首先设置 GeminiWrapper 和 SemanticKernelGeminiPlugin 类，将 Gemini 的生成能力与 AutoGen 的多智能体编排功能连接起来。接下来，我们配置专业智能体，包括代码审查员和创意分析师，展示如何利用 AutoGen 的 ConversableAgent API 结合 Semantic Kernel 的装饰器函数来进行文本分析、摘要生成、代码审查和创意问题解决。

通过结合 AutoGen 强大的智能体框架和 Semantic Kernel 基于函数的方法，我们创建了一个高级 AI 助手，能够适应各种任务并提供结构化、可操作的见解。

最近在折腾Azure AI Foundry时，发现它现在可以通过OpenAI的Responses API无缝集成Model Context Protocol（MCP）服务器。以前要自己写MCP客户端，挺麻烦的，现在直接配置就能用，开发Agentic AI方案变得简单多了。

场景：时尚趋势发现

举个例子，假如你是时尚分析师，只需要在命令行里输入类似“可持续时尚的最新趋势”这样的查询，系统就能自动帮你搞定后续所有流程：

在当前人工智能技术飞速发展的浪潮中，微软的 Azure OpenAI 服务成为众多企业与开发者构建智能应用的首选平台。要高效、可持续地利用这些服务，理解 API 版本的生命周期（API Version Lifecycle）至关重要。本文将深入解读 Azure OpenAI API 的版本生命周期策略，帮助您更好地应对服务更新和迭代带来的挑战。

一、什么是 API 版本生命周期？

还记得第一次和Siri对话时的兴奋感吗？那时的我们就像发现了新大陆一样，对着手机说"嗨，Siri"，然后看着它机械地回答我们的问题。虽然偶尔会闹出一些啼笑皆非的误解，但那种科幻感十足的体验让我们觉得未来已经到来。

快进到2025年，AI Agent已经不再是那个只会按部就班回答问题的"机器人"了。它们开始有了自己的"脾气"，有了自己的"喜好"，甚至还会和我们开玩笑。没错，Agent终将是个性化的，这不仅仅是技术发展的必然趋势，更是人类内心深处对于陪伴的渴望。