一课程定位
这是一门面向初学者的 Microsoft Agent Framework 实战课。视频先解释 LLM、聊天机器人和 AI Agent 的差异，再进入环境搭建、Hello World Agent、记忆、上下文、工具调用和函数工具。
作者反复强调：Agent 不只是“输入问题、返回答案”的聊天框，而是一个具备推理、上下文、记忆和外部行动能力的系统。
二Agent 的基本模型
课程把 Agent 拆成三个部分：脑、记忆和手。脑负责根据上下文推理，记忆保存对话线程或用户偏好，手则通过工具、函数调用、API 或 MCP 与外部世界交互。
| 组成 | 作用 | 视频中的例子 |
|---|---|---|
| 上下文 | 当前任务需要知道的知识和约束 | 系统提示、文件、数据库、业务规则 |
| 记忆 | 跨轮次保留有价值的信息 | 用户姓名、出发城市、历史偏好 |
| 工具 | 连接外部系统并执行动作 | 查航班、订票、查询用户数据库 |
三框架提供了什么
Microsoft Agent Framework 的价值在于把模型、记忆、上下文管理、工具调用和编排收拢到统一结构里。课程里提到的 Agent 类型包括通用 AI Agent、面向对话流程的 Chat Agent，以及和 Azure AI 服务结合更紧的 Azure AI Agent。
如果把普通聊天机器人看成会回答问题的脑，那么 Agent Framework 试图给它加上记忆、工具和可编排的执行流程。
四实战路径
- 环境搭建：创建 Python 虚拟环境，安装 Agent Framework 相关包，配置模型和 API key。
- Hello World：先跑一个最小 Agent，验证模型连接、提示词和响应链路。
- 航班规划 Agent：通过“John Doe 从巴黎去伦敦”的例子说明上下文和记忆为什么重要。
- 函数工具：把外部函数注册成 Agent 可调用工具，让 Agent 能查数据、补信息、返回结构化结果。
- 测试任务：用一组用例验证工具调用、响应格式和异常路径是否符合预期。
五记忆与上下文的取舍
课程中特别区分了上下文和记忆：上下文是本轮任务需要的材料，记忆是系统选择长期或短期保存的内容。并不是所有信息都应该写入记忆，过多记忆会污染判断，也会增加成本。
实践建议是：用户偏好、身份信息和需要跨会话复用的事实可以进入记忆；临时推理步骤、一次性工具结果和已经完成的中间状态更适合留在当前上下文里。
六函数工具的关键点
后半段课程围绕函数工具展开：把普通函数声明为 Agent 可用的工具，明确输入参数、返回格式和错误处理。示例里还要求指定某个工具，例如 query_user_database，并用测试用例确认有效用户查询可以成功。
- 工具描述要清楚，否则模型不知道何时调用。
- 返回值最好结构化，便于后续步骤消费。
- 工具调用必须可测试，尤其是失败路径和格式约束。