Utveckla en AI-agent i Visual Studio Code

Visual Studio Code tillhandahåller en välbekant utvecklingsmiljö för byggagenter som använder Microsoft Foundry. Du kan arbeta visuellt med Foundry Toolkit-tillägget, skriva agentkod med Foundry SDK eller Microsoft Agent Framework och använda GitHub Copilot för att hjälpa dig att utveckla och testa din lösning.

Använd Foundry Toolkit

Foundry Toolkit-tillägget ansluter Visual Studio Code till dina Foundry-projekt och -resurser. Den innehåller verktyg för att skapa, hantera, testa och distribuera agenter utan att du behöver lämna redigeraren.

Agentverktyget tillhandahåller ett visuellt gränssnitt där du kan konfigurera en agent modell, instruktioner och verktyg. Du kan sedan ange prompter i chattfönstret och granska svaren medan du förfinar agenten.

För kodbaserade agenter och arbetsflöden kan verktygslådan också hjälpa dig att skapa projekt från mallar, testa och felsöka dem lokalt, inspektera spårningar och distribuera dem som värdbaserade agenter i Foundry.

Utveckla agenter med kod

När du utvecklar en agent i kod får du direkt kontroll över dess definition och livscykel. Två vanliga metoder är att skapa en promptagent med Foundry Agent Service eller att skapa en agent med ett SDK som Microsoft Agent Framework och vara värd för den i en container i Foundry.

Skapa en promptagent med Foundry Agent Service

Foundry SDK tillhandahåller en AIProjectClient för att arbeta med resurserna i ett Foundry-projekt. Du kan använda klientens agentåtgärder för att skapa en namngiven, versionsbaserad promptagent som finns kvar i Foundry Agent Service.

Följande exempel autentiserar med Microsoft Entra ID, ansluter till ett Foundry-projekt och skapar en version av en agent. Agentdefinitionen anger en distribuerad modell, instruktioner och ett webbsökningsverktyg. Koden hämtar sedan en OpenAI-kompatibel klient som är bunden till agenten och använder den för att skicka en fråga.

from azure.identity import DefaultAzureCredential
from azure.ai.projects import AIProjectClient
from azure.ai.projects.models import PromptAgentDefinition, WebSearchTool

# Create client to call Foundry API
project = AIProjectClient(
    endpoint="https://ai-resrce.services.ai.azure.com/api/projects/ai-project", # Project endpoint
    credential=DefaultAzureCredential())

# Create an agent with a web search tool
agent = project.agents.create_version(
    agent_name="computinghistorycode",
    definition=PromptAgentDefinition(
        model="gpt-5-mini",
        instructions="You are a helpful expert on computing history",
        tools=[WebSearchTool()]))

# Test the agent with a prompt
openai_client = project.get_openai_client(agent_name="computinghistorycode")
response = openai_client.responses.create(input="Who was Ada Lovelace?")
print(response.output_text)

Eftersom agenten lagras som en versionstillgång i Foundry kan andra program referera till agenten med namn och använda dess hanterade definition. Ändringar i dess modell, instruktioner eller verktyg kan fångas upp i efterföljande versioner.

Skapa en agent med Microsoft Agent Framework

Microsoft Agent Framework är ett ramverk för utveckling med öppen källkod för byggagenter och arbetsflöden med flera agenter i Python eller .NET. Det ger konsekventa abstraktioner för att definiera agenter, lägga till verktyg, hantera konversationer och orkestrera mer komplexa agentbeteenden.

I nästa exempel används FoundryChatClient för att ansluta till en modell som distribuerats i ett Foundry-projekt. Programmet definierar agentens instruktioner och verktyg, och Agent Framework hanterar interaktionen med slutpunkten Foundry Responses.

import asyncio
from azure.identity import AzureCliCredential
from agent_framework import Agent
from agent_framework.foundry import FoundryChatClient

# Create client for a FoundryChat agent
foundry_client = FoundryChatClient(
    project_endpoint="https://ai-resrce.services.ai.azure.com/api/projects/ai-project", # Project endpoint
    model="gpt-5-mini",
    credential=AzureCliCredential()
 )

# Create an agent with a web search tool
agent = Agent(
        client=foundry_client,
        instructions="You are a helpful expert on computing history",
        tools=[FoundryChatClient.get_web_search_tool()]

 )

# Test the agent with a prompt
async def main():
    result = await agent.run("Who was Ada Lovelace?")
    print(f"Agent: {result}")

asyncio.run(main())

I den här metoden finns agentdefinitionen i programmet och skapas när koden körs. Det här tillfälliga agentmönstret är användbart när du vill att definitionen och dess livscykel ska finnas kvar med programkoden. Om du vill göra en kodbaserad agent tillgänglig via en beständig, hanterad slutpunkt i Foundry kan du paketera och distribuera den som en värdbaserad agent. Foundry Toolkit tillhandahåller utvecklings- och distributionsstöd för det här arbetsflödet.

Utveckla med GitHub Copilot

Visual Studio Code integreras också med GitHub Copilot, vilket kan hjälpa dig att förstå, skapa och ändra din agentkod. I Copilot Chat kan du samarbeta med kodningsagenter som inspekterar din arbetsyta, föreslå en metod, redigera filer, köra kommandon och svara på bygg- eller testresultat.

Du kan till exempel be Copilot att lägga till ett verktyg i en agent, förbättra dess instruktioner, skapa tester eller undersöka ett oväntat svar. Copilot visar de ändringar som görs så att du kan granska dem, köra agenten och testa dess svar innan du godkänner ändringarna i din kodbas. Du ansvarar fortfarande för att verifiera att den resulterande agenten beter sig säkert och som avsett.