Ciclo do agente

Importa os tipos de loop e envolve qualquer um AIAgent com LoopAgent. O seu máximo padrão é de 10 invocações de agente:

using Microsoft.Agents.AI;
using Microsoft.Extensions.AI;

AIAgent baseAgent = chatClient.AsAIAgent();
AIAgent agent = new LoopAgent(
    baseAgent,
    new CompletionMarkerLoopEvaluator("DONE"),
    new LoopAgentOptions { MaxIterations = 5 });

Importe AgentLoopMiddleware e adicione-o a um Agent normal. O máximo predefinido é de 10 execuções do agente:

from agent_framework import Agent, AgentLoopMiddleware


def needs_more_work(*, last_result, **kwargs):
    return "DONE" not in last_result.text


agent = Agent(
    client=client,
    middleware=[
        AgentLoopMiddleware(
            needs_more_work,
            max_iterations=5,
        )
    ],
)

O predicado pode ser síncrono ou assíncrono. Voltar True para continuar, False para parar ou (continue, feedback) para passar feedback para a próxima iteração.

LoopAgent aceita um avaliador ou uma coleção ordenada:

Quando vários avaliadores são configurados, são executados por ordem. O primeiro avaliador que solicita outra iteração fornece o seu feedback; O ciclo só termina quando todos os avaliadores recusam continuar.

Usa um juiz IA

O juiz recebe o pedido original e a resposta mais recente do agente. Se encontrar uma lacuna, a sua análise torna-se feedback para a iteração seguinte:

var evaluator = new AIJudgeLoopEvaluator(
    judgeClient,
    new AIJudgeLoopEvaluatorOptions
    {
        Criteria =
        [
            "Answer every part of the request.",
            "Support conclusions with evidence.",
        ],
    });

AIAgent loopAgent = new LoopAgent(
    agent,
    evaluator,
    new LoopAgentOptions { MaxIterations = 4 });

Utilize apenas um endpoint de avaliação que considere fiável para o pedido original e a resposta gerada.

Contexto de controlo e saída

Por defeito, LoopAgent reutiliza uma sessão e envia o feedback mais recente do avaliador vencedor como entrada seguinte. FreshContextPerIteration = true em vez disso, reconstrói cada iteração a partir da solicitação original e de um registo consolidado de feedback e reinicia ou restaura a sessão.

As execuções sem streaming devolvem, por defeito, uma transcrição agregada. Configurado NonStreamingReturnsLastResponseOnly = true para devolver apenas a resposta final. O streaming emite sempre todas as iterações e quaisquer mensagens de feedback visíveis em nome do utilizador.

O predicado recebe argumentos de palavras-chave incluindo iteration, last_result, messages, original_messages, session, agent, progress, , e feedback. Os auxiliares todos_remaining() e background_tasks_running() disponibilizam condições incorporadas de tarefas por fazer e de tarefa em segundo plano. Emparelha-os com todos_remaining_message ou background_tasks_running_message para gerar um próximo input direcionado.

Usa um juiz IA

AgentLoopMiddleware.with_judge constrói um ciclo conduzido pelos juízes. Os ciclos de avaliação são, por defeito, de cinco iterações:

from agent_framework import Agent, AgentLoopMiddleware

loop = AgentLoopMiddleware.with_judge(
    judge_client,
    criteria=[
        "Answer every part of the request.",
        "Support conclusions with evidence.",
    ],
    max_iterations=4,
)

agent = Agent(
    client=client,
    middleware=[loop],
)

O raciocínio do juiz é devolvido ao agente quando é necessário mais trabalho. Utiliza apenas um endpoint de avaliação em que confies para o pedido original e a resposta gerada.

Controla o contexto, o progresso e a saída

Para ciclos avançados, construa AgentLoopMiddleware diretamente:

• record_feedback cria uma entrada concisa de progresso após cada iteração de trabalho.
• progress expõe as entradas acumuladas a callbacks.
• inject_progress=True adiciona o progresso aos dados de entrada da iteração seguinte.
• fresh_context=True reinicia a partir da tarefa original e do registo de progresso e restaura uma sessão associada ao seu instantâneo anterior ao ciclo.
• return_final_only=True devolve apenas a última resposta para execuções sem streaming.

Passe max_iterations=None apenas quando o predicado de conclusão tiver garantia de terminar.

As condições de conclusão pré-definidas e a integração com o avaliador descritas nesta página não estão atualmente disponíveis para Go.

Defina HarnessAgentOptions.LoopEvaluators. O arnês aplica-se LoopAgent como o seu agente decorativo mais externo:

using Microsoft.Agents.AI;
using Microsoft.Extensions.AI;

var options = new HarnessAgentOptions
{
    LoopEvaluators =
    [
        new CompletionMarkerLoopEvaluator("DONE"),
    ],
    LoopAgentOptions = new LoopAgentOptions
    {
        MaxIterations = 5,
    },
};

HarnessAgent agent = chatClient.AsHarnessAgent(options);
// Equivalent construction: new HarnessAgent(chatClient, options)
AgentSession session = await agent.CreateSessionAsync();

Uma coleção vazia ou nullLoopEvaluators deixa o suporte de disparo único.

Aprovação e comportamento da sessão

LoopAgent pára antes de avaliar a sua condição de conclusão quando uma iteração devolve um pedido pendente de aprovação de ferramenta. Devolve o pedido ao chamador em vez de o esconder atrás de outra iteração autónoma. Depois de o chamador fornecer a resposta de aprovação através do fluxo normal de aprovação da ferramenta , o agente pode continuar.

LoopAgent não acrescenta a gestão da aprovação em si. O Harness Agent aplica o ciclo fora de ToolApprovalAgent, permitindo que os pedidos de aprovação pendentes fiquem fora do ciclo.

Reutiliza o mesmo AgentSession entre chamadas para continuar a conversa. As iterações do ciclo partilham essa sessão por defeito. Com FreshContextPerIteration = true, LoopAgent repõe ou restaura o estado da sessão fornecido pelo chamador, quando tal é suportado. O armazenamento de conversas detido pelo serviço pode reter o histórico quando a sessão serializada contém apenas um identificador remoto da conversa.

Forneça loop_should_continue a create_harness_agent; loop_max_iterations tem como valor predefinido 10:

from agent_framework import create_harness_agent


def needs_more_work(*, last_result, **kwargs):
    return "DONE" not in last_result.text


agent = create_harness_agent(
    client=client,
    loop_should_continue=needs_more_work,
    loop_max_iterations=5,
)
session = agent.create_session()

loop_next_message Personaliza a próxima entrada. Sem loop_should_continue, a fábrica não adiciona um loop e ignora os outros argumentos do loop.

Aprovação e comportamento de sessão

AgentLoopMiddleware para antes de avaliar o respetivo predicado de continuação quando uma iteração devolve um pedido pendente de aprovação da ferramenta. Devolve o pedido ao chamador em vez de o esconder atrás de outra iteração autónoma. Depois de o chamador fornecer a resposta de aprovação através do fluxo normal de aprovação da ferramenta , o agente pode continuar.

AgentLoopMiddleware não adiciona ToolApprovalMiddleware por si só. O Agente do Harness coloca o ciclo fora do seu middleware de aprovação, permitindo que os pedidos de aprovação pendentes saiam desse ciclo. Criar e passar um AgentSession em cada execução do Harness Agent enquanto a aprovação automática da ferramenta está ativada.

Reutiliza o mesmo AgentSession entre chamadas para continuar a conversa. As iterações do ciclo partilham essa sessão por defeito. Com fresh_context=True, o middleware repõe a sessão anexada na captura instantânea anterior ao ciclo entre iterações. O armazenamento de conversas pertencente ao serviço pode reter o histórico quando a sessão serializada contém apenas um identificador de conversa remota.