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

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”。

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：