Microsoft Agent Framework 智能体调用工具

# Microsoft Agent Framework 智能体调用工具

## 摘要

继续上篇，此篇使用Microsoft Agent Framework 创建了一个简单的智能体，会根据用户的提问去调用相应的工具。

此篇不依赖Azure资源，仍使用可以本地安装和部署的资源。

## 直接上代码

在上一篇代码的基础之上，我们加入了一个普通的python方法，来帮助智能体获取当前时间（是的，再牛的智能体，也需要类似这样的一个方法来获取当前的时间）。然后将其注册给智能体，让智能体根据用户的问题来选择调用哪个工具来辅助回答。

```python

from agent_framework import Agent

from agent_framework_foundry_local import FoundryLocalClient

from datetime import datetime

import asyncio

# 1. 创建模型客户端

client = FoundryLocalClient(

model="qwen3-0.6b"

)

# 2. 定义工具函数

def get_current_time() -> str:

return datetime.now().strftime("%Y-%m-%d %H:%M:%S")

# 3. 创建 Agent

agent = Agent(

name="my-first-agent",

client=client,

tools=[get_current_time]

)

# 4. 主函数

async def main():

response = await agent.run("今天的日期。", options={"max_tokens": 5000})

print("Agent 回复：", response.text)

# 5. 运行程序

asyncio.run(main())

```

## 笔记

### 模型客户端

- **FoundryLocalClient**：本地模型客户端，用于连接本地部署的大模型

- **参数**：

- `model`：指定使用的模型名称，如 "qwen3-0.6b"

同上一篇，这里用的还是本地的Foundry模型。模型是我能找到最小版本的。

需要留意：如果自己下载别的模型尝试，一定要看模型是否支持tool，用命令看model list的话，看同时支持chat和tool的模型。

### 工具函数

- **get_current_time()**：获取当前时间的工具函数

- **返回值**：格式化的当前时间字符串，格式为 "YYYY-MM-DD HH:MM:SS"

跟LangChain的工具函数基本一致。所以可以把大多数的python方法直接作为智能体的工具来调用。

### Agent

- **Agent**：同LangChain的智能体，这是智能体核心类，用于协调模型和工具的交互

- **参数**：

- `name`：Agent 名称，用于标识和管理

- `client`：模型客户端，用于与大模型交互

- `tools`：工具列表，Agent 可以使用的工具函数

除了name这个属性，其它部分跟LangChain的Agent基本一致。

## 运行流程

无论是MAF还是LangChaina，套路都是一样的，基本都遵循以下流程：

1. **初始化**：导入必要的模块和创建模型客户端

2. **工具注册**：定义并注册 `get_current_time()` 工具函数

3. **Agent 创建**：创建 Agent 实例并配置工具

4. **执行**：运行主函数，发送用户问题并获取响应，如果用户的问题，智能体判断需要调用工具，则去调用工具。

5. **输出**：打印 Agent 的回复结果

## 关键技术点

- 使用 `async def` 定义异步函数，配合 `await` 等待异步操作完成，然后使用 `asyncio.run()` 运行异步主函数。

- 工具函数是 Agent 可以调用的外部功能，就是我们常说的，让智能体把手伸出来干活。

- 工具函数需要有明确的返回类型注解。

- Agent 会根据用户问题自动选择合适的工具，但不同模型以及不同模型参数都会有不同的结果。

- 通过 `agent.run()` 方法向模型发送请求，Agent 的 run 方法是异步方法，需要使用 await 关键字来调用。所以main函数需要定义为异步函数。

- 可以通过 `options` 参数配置模型行为，如 `max_tokens` 控制生成文本的最大长度。如果不设置使用默认值的话，此篇的输出会被截断。

## 示例代码的输出参考

当运行代码时，预期输出类似如下。请留意有时代码的输出可能会不一样设置失败。

```

好的，用户问的是今天的日期。首先，我需要确认用户需要的是当前的日期，还是某个特定日期。

接下来，我需要检查可用的工具。用户提供的工具中有一个叫做get_current_time的函数。这个函数的作用就是获取当前的时间，包括日期信息。

所以，用户的问题“今天的日期”可以转化为调用get_current_time函数，获取当前的时间，包括日期信息。因此，正确的做法是调用这个工具函数，然后将返回的日期信息返回给用户。

<tool_call>

{"name": "get_current_time", "arguments": {}}

</tool_call>

好的，用户问的是今天的日期。我需要先确认当前的日期，并返回给用户。

首先，用户可能需要的日期信息，比如今天的日期。如果系统已经知道当前的日期，那么可以直接返回。

但根据用户提供的工具，其中有一个函数叫做get_current_time，其描述为获取当前的时间，包括日期信息。

因此，正确的做法是调用这个函数，然后返回结果，即今天的日期。

因此，用户的问题可以转化为调用这个工具函数，然后将返回的日期信息返回给用户。

综上所述，正确的做法是调用这个工具函数，获取当前的时间，包括日期信息。然后将返回的日期信息返回给用户。

2026-04-21 23:11:46

```

## 总结

总体来说，对比LangChain的工具调用，大部分的套路都是相同的。

但在实际操作中，还是遇到了很多奇怪的问题，原因个人分析可能是模型类型的，也可能是模型参数版本的，受限于资源太少所以想解决有一定的难度，所以本篇只用了一个简单的示例来对比跟LangChain的区别。

后续会看下对于Skills的支持跟LangChain有什么区别，顺便看看是否还有别的坑。

本篇用的是Foundry Local，关于MAF如何调用Foundry Azure上的方法，可以参考Microsoft Learn：https://learn.microsoft.com/zh-cn/agent-framework/get-started/

## 后记

工具的识别不同的模型表现不太一样，我尝试的是qwen3-0.6b以及phi-4-mini。

此篇的代码换成phi-4-mini的话，智能体会识别不到工具的方法。但即使换成qwen3-0.6b，经过几次折腾发现也不是每次都能成功调用到工具，甚至会进入到死亡叨叨叨的状态。另外也尝试加了更多的工具，发现工具的识别率会下降，这个怀疑是参数的问题，毕竟0.6b。但是Foundry Local的模型可选的不是很多，qwen不说没有3.5吧，里面更多的是2.5的版本。

也尝试过走本地ollama去调更多参数的模型，以及走deepseek api，但是都遇到了莫名其妙的问题。

个人分析微软目前的精力应该是都在Azure上，local部署社区的生态已经很成熟而且收益低，还是期盼微软后续继续扩充Froundry Local的相关资源。