Hur man bygger AI-agenter med verktyg i Csharp

Hem » Python » Hur man bygger AI-agenter med verktyg i Csharp

Att bygga AI-agenter med verktyg i C# är inte längre en futuristisk dröm; det är ett mycket praktiskt sätt att automatisera arbetsflöden, analysera data och koppla samman dina .NET-applikationer med stora språkmodeller (LLM).Med rätt arkitektur kan du gå från en enkel chattklient till agenter i produktionsklass som resonerar, anropar API:er, orkestrerar arbetsflöden och respekterar företagets begränsningar som säkerhet, observerbarhet och kostnadskontroll.

Den här guiden guidar dig genom hur moderna AI-agentkoncept mappas till en C#-stack, hur Azure OpenAI och OpenAI Assistants API passar in och hur du kopplar in allt i robusta .NET-programvaruutvecklingsmetoder.Vi kommer också att koppla dessa idéer till Microsofts framväxande agentramverk och AI-verktyg i Visual Studio Code, så att du får en komplett överblick över allt från lokal prototyp till skalbar molndistribution.

Från chatbotar till fullständiga AI-agenter i C#

På en övergripande nivå är en AI-agent ett system som strävar efter mål snarare än att bara svara på enskilda uppmaningar.Det betyder att agenten behöver någon kombination av resonemang, verktyg, kontextmedvetenhet och minne så att den kan bestämma vad den ska göra härnäst, inte bara vad den ska svara i den aktuella turen.

I praktiska C#-termer kan man tänka på en agent som ett koordineringslager ovanpå en LLM-klient plus en uppsättning verktyg exponerade som .NET-metoder, API:er eller externa tjänster.Modellen bidrar med resonemang och språkförståelse, medan din C#-kod bidrar med affärslogik, dataåtkomst, säkerhet och integrationer med dina befintliga system.

Moderna agenter förlitar sig ofta på stora språkmodeller för beslutsfattande, sökalgoritmer eller planeringslogik, men de blir verkligt användbara först när de är kopplade till verktyg.Verktyg kan inkludera databasfrågor, HTTP API:er, interna mikrotjänster, filsökning eller en sandlådebaserad kodtolk där agenten kan köra dataanalyskod säkert.

Kontextmedvetenhet är den sista kritiska delen, vilket gör det möjligt för agenten att använda chatthistorik, vektorlagring, företagsdata eller kunskapsgrafer som en del av sitt resonemang.Det sammanhanget kan vara så enkelt som en kort konversationslogg som lagras i minnet, eller så komplext som ett distribuerat arbetsflödestillstånd som omfattar flera agenter och datalager.

Kärnbyggnadsstenar för AI-assistenter och agenter

OpenAI- och Azure OpenAI Assistants API:er ger dig en mycket konkret uppsättning primitiver för att bygga agenter i C#.Istället för att manuellt styra tillståndsmaskiner arbetar du med väldefinierade entiteter som matchar hur LLM-baserade agenter tänker och fungerar.

En assistent representerar den konfigurerade AI-personan: vilken modell den använder, vilka instruktioner den följer och vilka verktyg den får anropa.I C# mappas detta till ett objekt du skapar med alternativ som namn, systeminstruktioner och en lista med verktygsdefinitioner som beskriver vad modellen kan anropa.

En tråd är den konversationssession som knyter en användare till en assistent över tid.Tråden lagrar den ordnade listan med meddelanden, hanterar automatiskt kontextavkortning för att hålla sig inom tokengränserna och fungerar som ryggraden i agentens minne för den interaktionen.

Meddelanden är de konkreta innehållsdelar som flödar mellan användaren och assistenten.I Assistants API kan ett meddelande innehålla vanlig text, bilder eller andra filer. I C# använder du dem som objekt i en samling och inspekterar text, anteckningar eller tillhörande fil-ID:n beroende på innehållet.

En körning är den operation som sätter igång assistentens resonemang kring innehållet i en tråd.När du startar en körning tillämpar assistenten sin konfiguration, läser meddelandena, anropar verktyg efter behov och lägger sedan till nya meddelanden med sina resultat tillbaka till samma tråd.

Körningssteg registrerar den detaljerade sekvensen av åtgärder som assistenten utför under en körningGenom att granska dem kan du se vilka verktyg som anropades, vilka argument som skickades, vilka meddelanden som genererades och hur agenten kom fram till sitt slutliga svar. Detta är extremt värdefullt för felsökning, observerbarhet och granskning i företagsmiljöer.

Utöver dessa primitiva funktioner kan assistenter använda flera verktyg parallellt för att slutföra uppgifterTypiska inbyggda verktygstyper inkluderar en kodtolk som kan köra kodavsnitt i en sandlådebaserad runtime, anpassade funktionsanrop (dina egna .NET-funktioner exponerade som verktyg) och filsökningsfunktioner som utökar modellen med extern kunskap.

Använda verktyg: kodkörning, funktionsanrop och filsökning

Verktyg är det som omvandlar en passiv språkmodell till en kapabel agent som faktiskt kan få saker gjorda i din .NET-applikation.Istället för att bara returnera text kan modellen välja att anropa en funktion, köra kod eller söka i ett filarkiv när det är det bästa sättet att besvara användarens begäran.

Kodtolkningsverktyget låter agenten skriva och köra kod i en isolerad miljö för uppgifter som dataanalys, visualisering eller grundläggande simuleringar.Från C# kör du inte den koden direkt; du konfigurerar assistenten med kodtolkningsfunktionen och läser sedan tillbaka de utdata den producerar, till exempel genererade bilder eller strukturerade resultat.

Funktionsanrop exponerar din egen domänlogik som verktyg som modellen kan välja och anropaDu beskriver varje funktion med metadata: namn, syfte och parameterschema. Assistenten väljer sedan när dessa funktioner ska utlösas baserat på användarinmatning och mellanliggande resonemang, medan din C#-implementering hanterar validering, fel och timeouts.

Filsökningsverktyg gör det möjligt för agenten att basera sina svar på externa data, såsom dokumentation, rapporter eller kunskapsbaserDu laddar upp filer, skapar vektorarkiv eller index och ger assistenten åtkomst till dem. Därifrån kan modellen hämta relevanta innehållsdelar och införliva dem i sina svar, vilket förbättrar faktamässig noggrannhet och spårbarhet.

En viktig designprincip är att verktyg måste vara säkra och robusta, med stark inmatningsvalidering, felhantering och tydliga resursgränser.Även om LLM:en väljer när de ska anropas, förblir din C#-kod helt ansvarig för att upprätthålla affärsregler, hastighetsgränser och dataåtkomstpolicyer.

Skapa en minimalistisk .NET-konsolappagent med Azure OpenAI

För att konkretisera allt detta kan du börja med en enkel .NET-konsolapplikation som kommunicerar med OpenAI eller Azure OpenAI Assistants API.Den här typen av minimalistiskt projekt är perfekt för koncepttestare som helt och hållet arbetar i kod men redan använder verktyg, filer och konversationstrådar.

Det första steget är att skapa .NET-konsolprojektet och lägga till nödvändiga SDK-paket som ger dig åtkomst till OpenAI- och Azure OpenAI-klienterna.Med dessa på plats instansierar du en generisk OpenAI-klient med hjälp av din API-nyckel eller en Azure-specifik klient som pekar på din Azure OpenAI-slutpunkt och använder en autentiseringsuppgift som DefaultAzureCredential.

Från den allmänna klienten härleder du specialiserade klienter: en assistentklient för att hantera assistenter, trådar och körningar, och en filklient för att ladda upp och ladda ner filer.Denna separation tydliggör vilka operationer som handlar om konfiguration och orkestrering kontra hantering av råa filer.

Du kan sedan skapa en minnesbaserad dokumentström direkt i din C#-kod för att simulera verkliga affärsdata.Du kan till exempel definiera ett litet JSON-dokument som innehåller månatliga försäljningsstatistik för olika produkt-ID:n och konvertera det till en ström som filklienten kan ladda upp.

När filen har laddats upp för assistentanvändning returnerar plattformen en filidentifierare som du kan länka till ett nytt vektorarkiv och bifoga till assistenten som en filsökresurs.I samma assistentkonfiguration aktiverar du även kodtolken så att agenten inte bara kan slå upp värden utan även generera grafer eller mer avancerade analyser.

Efter att du har förberett assistentalternativen med ett namn, instruktioner och verktygsdefinitioner skapar du assistenten med stöd av en modell som gpt-4oDu konfigurerar också en tråd med ett initialt användarmeddelande, kanske något i stil med att fråga om prestandan för en specifik produkt över tid och begära en visualisering.

Med assistentklienten kan du skapa tråden och omedelbart starta en körning i ett enda anrop, och sedan avsöka körningsstatusen tills den når ett terminaltillstånd.Denna pollingloop är enkel men effektiv för kommandoradsverktyg; i en webb- eller bakgrundsmiljö kan du byta till händelsedrivna eller asynkrona mönster istället.

När körningen är klar strömmar du tillbaka meddelandena från tråden i stigande ordning och skriver ut assistentens svar till konsolen.För varje innehållsdel kan du granska text, anteckningar som refererar till in- eller utdatafiler och alla bilder som genereras av kodtolken som du sedan sparar på disk och loggar med en enkel platshållartagg i konsolutdata.

Tillståndshantering, minne och konversationsdesign

Så snart du går bortom leksaksexempel blir tillstånd och minne centrala frågor i din C#-agentdesign.Utmaningen är att konversationshistoriken växer obegränsat, medan modeller har strikta tokengränser och du också behöver behålla data för efterlevnad, analys eller felsökning.

En vanlig strategi är att upprätthålla separata trådar eller sessioner per användare eller användningsfall, och regelbundet sammanfatta konversationen för att bara behålla den mest relevanta kontexten.Sammanfattningar kan genereras av själva modellen och sedan lagras tillsammans med strukturerade metadata i en databas eller ett vektorarkiv.

En mer avancerad metod använder semantisk betydelse när man bestämmer vad som ska behållas, komprimeras eller kasserasIstället för att bara trimma de äldsta meddelandena taggar eller indexerar du innehåll efter ämnen, entiteter eller affärsprocesser och kör riktade frågor för att rekonstruera just det sammanhang som behövs för en ny körning.

I C# implementerar man vanligtvis minne som en kombination av processcacher för snabb åtkomst och beständiga lagringar för hållbarhet och granskningsbarhet.Det kan innebära att man parar ihop en relationsdatabas för strukturerad metadata med en vektordatabas för semantisk sökning över ostrukturerat innehåll, allt dolt bakom databasgränssnitt som dina agenter kan anropa utan att bry sig om den underliggande tekniken.

Genomtänkt konversationsdesign är också viktig: du bör utforma systeminstruktioner, verktygsbeskrivningar och användarprompter så att juristexamensläraren kan resonera effektivt samtidigt som han/hon håller sig inom dina domängränser.Detta inkluderar att förtydliga när agenten ska ställa förtydligande frågor, när ett verktyg ska anropas och när en begäran som faller utanför dess tillåtna omfattning ska vägras.

Verktyg som C#-funktioner, API:er och externa tjänster

I verkliga tillämpningar är de kraftfullaste verktygen dina egna domänfunktioner, exponerade så att agenten kan orkestrera arbetet över dina interna system.Dessa kan inkludera åtgärder som att skapa ärenden, fråga kundregister, köra ekonomiska beräkningar eller utlösa arbetsflöden i dina befintliga mikrotjänster.

För varje verktyg vill du tillhandahålla omfattande metadata som beskriver vad det gör, vilka indata det förväntar sig och vad det returnerar, helst i ett maskinläsbart schema.Det hjälper juridikteknikern att välja rätt verktyg, bygga giltiga argument och tolka resultaten korrekt, vilket minskar hallucinationer och misständningar.

På implementeringssidan behöver varje verktygshanterare i C# defensiv programmering: strikt inmatningsvalidering, robust undantagshantering och rimliga timeouts.Agenten kan prova saker som inte är affärsmässigt meningsfulla; din kod måste tillämpa policyer istället för att anta att modellen alltid beter sig förutsägbart.

Det är också klokt att logga varje verktygsanrop tillsammans med den anropande användaren, det utlösande promptsegmentet och resultatet.Det ger dig en tydlig revisionslogg, stöder säkerhetsgranskningar och gör att du kan finjustera vilka verktyg som är mest effektiva eller behöver ytterligare skyddsräcken.

Multiagentorkestering och arbetsflöden i .NET

Allt eftersom dina scenarier blir mer komplexa kan det hända att en enda agent inte räcker till, och du behöver flera specialiserade agenter som arbetar tillsammans.Till exempel kan en aktör fokusera på forskning och datainsamling, en annan på analys och en tredje på att utarbeta användarvänliga resultat.

Konceptuellt sett stämmer detta väl överens med arbetsflödesmönster som .NET-utvecklare redan känner till: sekventiella steg, parallella grenar, överlämningar och handledareroller.Istället för hårdkodad logik koordinerar agenterna genom strukturerade meddelanden och en delad arbetsyta, men orkestreringsmönstren känns bekanta.

Sekventiella arbetsflöden skickar utdata från en agent direkt till nästa, perfekt för linjära uppgifter som kravinsamling, design, implementering och granskningParallella arbetsflöden låter flera agenter bearbeta olika aspekter av ett problem samtidigt och sedan sammanfoga deras resultat i ett senare steg.

Överlämningsmönster gör att ansvaret kan flyttas från agent till agent baserat på villkor, såsom tröskelvärden för konfidens, innehållskategorier eller användaråtgärder.Gruppchattliknande konfigurationer sätter flera agenter i en gemensam konversation där de kan diskutera alternativ, utbyta insikter och komma fram till en lösning i realtid.

Övervakade eller hierarkiska inställningar introducerar en hanteringsagent som granskar mellanresultat, tilldelar uppgifter och löser konflikter.I .NET kan du representera denna orkestrering med hjälp av bakgrundsarbetare, meddelandeköer eller arbetsflödesmotorer, medan agenterna själva kommunicerar via Assistants API eller relaterade abstraktioner.

Microsoft.Extensions.AI, VectorData och Agent Framework

För att göra agentbyggandet mer idiomatiskt för .NET-utvecklare introducerar Microsoft grundläggande bibliotek som Microsoft.Extensions.AI och Microsoft.Extensions.VectorData.Dessa bibliotek är utformade för att kännas som andra Microsoft.Extensions-paket som du redan använder för loggning, konfiguration och beroendeinjektion.

AI-tilläggen tillhandahåller modulära komponenter för att arbeta med modeller, verktyg och prompter på ett pluggbart sätt.Istället för att hårdkoda en specifik LLM-leverantör kan du registrera modellleverantörer och byta dem via konfiguration, vilket är extremt användbart när du behöver balansera kostnad, latens och kapacitet mellan olika miljöer.

Vektordatatilläggen fokuserar på att integrera semantisk sökning och hämtningsutökad generering i dina applikationer.De abstraherar specifika vektordatabasimplementeringar och ger dig gemensamma gränssnitt för att lagra, söka och hantera inbäddningar som stärker din agents långtidsminne.

Utöver dessa byggstenar syftar Microsoft Agent Framework till att erbjuda en abstraktion på högre nivå som är specifikt anpassad till agent- och arbetsflödesscenarier.Medan detaljer fortsätter att utvecklas är avsikten att tillhandahålla ett konsekvent sätt att definiera agenter, verktyg, arbetsflöden och kontext, med stark integration i det bredare .NET- och Azure-ekosystemet.

AI Toolkit, Azure AI Foundry och agenter från Visual Studio Code

Många utvecklare föredrar att utforska och prototypa agenter direkt från sin editor, och det är precis där AI Toolkit och Azure AI Foundry-tilläggen för Visual Studio Code kommer in i bilden.Tillsammans låter de dig bläddra bland modeller, driftsätta dem, utvärdera kvalitet och koppla dem till agenter utan att lämna din kodningsmiljö.

AI Toolkit-tillägget visar en modellkatalog där du kan granska molnbaserade och lokala modeller, inklusive de som serveras via verktyg som Ollama.Du kan skapa GitHub-hostade modeller, jämföra utdata från olika modeller sida vid sida och snabbt se vilken som passar ditt användningsfall.

Azure AI Foundry-integrationen lägger till ytterligare ett lager: du kan distribuera modeller direkt till Azure, generera exempelkod i C#-klient för att anropa dem och justera konfiguration och metadata inifrån VS Code.Detta effektiviserar vägen från experiment till produktion, särskilt när ditt team redan finns i Azure-ekosystemet.

Dessa tillägg hjälper också till med utvärdering genom att låta dig konfigurera testdatauppsättningar, köra utvärderingar och inspektera resultat i verktyg som Data Wrangler.Du kan definiera anpassade utvärderare som är skräddarsydda för din domän, köra dem över batcher av modellutdata och visualisera var dina agenter presterar bra eller kämpar.

För agentkonstruktion stöder verktygen skapande av agenter med systemprompter, automatisk generering av systemmeddelanden och anslutning till MCP-servrar (Model Context Protocol) som exponerar externa verktyg.Du kan till och med bygga escape room-liknande eller domänspecifika agenter som anropar skräddarsydda MCP-servrar som representerar dina egna tjänster.

Inom själva Azure AI Foundry får du en visuell agentdesigner plus YAML-synkroniseringDet innebär att du kan konfigurera agenter, ansluta verktyg som Bing-sökning eller kodtolk, testa interaktioner i en playground och sedan exportera eller synkronisera konfigurationen till källkodskontrollen, samtidigt som din C#-kod och dina agentdefinitioner är i linje.

Testning, observerbarhet och kostnadskontroll för C# AI-agenter

Produktionsklara agenter kräver samma noggrannhet som alla andra verksamhetskritiska tjänster: grundlig testning, bra telemetri och löpande kostnadshantering.Skillnaden är att LLM:er medför nya variabler som stokastiska utdata och tokenanvändning som du också måste hålla ett öga på.

På testsidan vill du ha en blandning av klassiska enhetstester för dina verktyg och integrationsliknande konversationer som simulerar realistiska användarflöden.Enhetstester verifierar att varje verktyg beter sig korrekt givet vissa indata, medan konversationstester kontrollerar att agenten väljer förnuftiga verktyg, producerar giltiga argument och håller sig inom policygränserna.

Observerbarhet bör fånga mer än bara framgång eller misslyckande; du vill ha latensfördelningar, tokenförbrukning, spårning av körsteg och statistik för verktygsanrop.Dessa mätvärden gör det enklare att upptäcka regressioner när du ändrar modeller, prompter eller verktygsimplementeringar, och de hjälper dig att finjustera ditt system för prestanda och kostnad.

Kostnadskontroll är nära kopplad till hur du hanterar samtalslängd och frekvens för verktygssamtalLånga, obegränsade konversationer kan explodera i tokenanvändningen och sakta ner svar, så strategier som sammanfattning, kontextfönster och intelligent trunkering är avgörande i alla seriösa C#-implementeringar.

Det är också en bra idé att spåra framgångsfrekvensen på nivån för specifika exekveringsvägar eller arbetsflöden, inte bara på agentnivå övergripande.På så sätt kan du se vilka rutter genom ditt system med flera agenter som är tillförlitliga och vilka som behöver bättre uppmaningar, nya verktyg eller ytterligare skyddsräcken.

Säkerhet, efterlevnad och företagsintegration

När era agenter börjar hantera känslig data eller automatisera affärskritiska operationer kan säkerhet och efterlevnad inte vara en eftertanke.Kombinationen av LLM-flexibilitet och företagsbegränsningar kräver en mycket medveten säkerhetsställning.

För det första, hårdkoda aldrig inloggningsuppgifter eller hemligheter i din C#-kodAnvänd standardmekanismer för hantering av hemligheter i din molnplattform, miljövariabler eller hanterade identiteter, och se till att din agentprocess bara har de behörigheter den verkligen behöver.

För det andra bör varje externt samtal som görs å agentens vägnar passera genom sanerings- och valideringslager.Det inkluderar både användarinmatningar och modellgenererade argument till verktyg, eftersom båda kan innehålla oväntat, felaktigt eller skadligt innehåll.

För det tredje bör du logga och granska varje verktygsanrop, inklusive viktig kontext som användaren, den anropande agenten, målsystemet och resultatet.Inom reglerade branscher kan denna revisionslogg vara obligatorisk; även utanför dessa miljöer är den ovärderlig för incidenthantering och styrning.

Slutligen, anpassa din distributionsarkitektur till företagsmönster, såsom att separera kontroll- och inferensplanDet innebär att isolera orkestrering, konfiguration och övervakning från de tunga inferensprocesserna, vilket förbättrar skalbarhet, säkerhet och operativ motståndskraft.

Implementering, skalning och anslutning till analyser

När dina C#-agenter väl beter sig bra i tester behöver du en distributionsstrategi som skalar smidigt och integreras med resten av din stack.Containrar, orkestratorer och hanterade AI-tjänster är dina allierade här.

Ett vanligt mönster är att paketera ditt agentorkestreringslager i containrar och köra dem under Kubernetes eller en annan orkestrator, samtidigt som man delegerar LLM-inferens till hanterade tjänster som Azure OpenAI.Detta låter dig skala ditt kontrollplan och inferensplan oberoende av efterfrågan.

Långvariga eller intensiva interaktioner med agenter gynnas ofta av asynkron bearbetning och köer.Istället för att blockera HTTP-förfrågningar medan en komplex körning i flera steg slutförs, placerar du arbetsuppgifter i kö, låter bakgrundsarbetare hantera dem och meddelar klienter när resultaten är klara.

Ur ett affärsperspektiv uppstår det verkliga värdet ofta när man matar agenternas resultat till analys- och business intelligence-verktyg.Det kan innebära att man lägger in strukturerade sammanfattningar, beslut eller mätvärden i datalager och exponerar dem via dashboards i Power BI eller andra BI-plattformar.

Denna slutna kretslopp – agenter som genererar insikter eller åtgärder, analyser som mäter effekt och team som itererar med uppmaningar och verktyg – förvandlar AI från en nyhet till en hållbar operativ kapacitet.Med tiden kan du förfina vilka agenter som ger högst avkastning på investeringen, vilka arbetsflöden som bör automatiseras ytterligare och var mänsklig tillsyn måste fortsätta vara aktiv.

Genom att sätta ihop alla dessa delar får du ett C#-centrerat ekosystem där assistenter, verktyg, arbetsflöden och molntjänster samarbetar: Assistants API tillhandahåller konversationsresonemang, din .NET-kod tillhandahåller robusta verktyg och tillstånd, Microsoft.Extensions-bibliotek erbjuder rena abstraktioner och Azure AI Foundry plus AI Toolkit effektiviserar experiment och distribution.Med noggrann uppmärksamhet på minne, observerbarhet, säkerhet och arkitektur kan dessa agenter leverera verkliga, mätbara förbättringar av effektivitet, beslutskvalitet och automatisering i hela din organisation.