Ir para o conteúdo

Lab 076: Microsoft Agent Framework — De SK para MAF

Nível: L200 Trilha: Todas as trilhas Tempo: ~75 min 💰 Custo: Gratuito — Usa dados simulados de migração

O que Você Vai Aprender

  • Como Semantic Kernel e AutoGen são unificados no Microsoft Agent Framework (MAF)
  • O que são Agent Skills (pacotes portáteis de habilidades em .md) e como eles permitem reutilização
  • Como Graph Workflows (DAG com checkpointing) substituem pipelines lineares
  • Analisar uma matriz de migração comparando 15 funcionalidades entre SK, AutoGen e MAF
  • Identificar níveis de esforço de migração e capacidades exclusivas do MAF

Introdução

O Microsoft Agent Framework (MAF) unifica Semantic Kernel e AutoGen em uma única plataforma coesa para construção de agentes de IA. Lançado como Release Candidate em fevereiro de 2026, o MAF reúne o melhor dos dois mundos:

  • O sistema de plugins, planejadores e conectores empresariais do Semantic Kernel
  • As conversas multi-agente, execução de código e padrões de chat em grupo do AutoGen

Instalação

pip install agent-framework

Conceitos-Chave

Conceito Descrição
Agent Skills Pacotes portáteis de habilidades em .md que definem capacidades do agente, entradas, saídas e dependências — compartilháveis entre equipes e projetos
Graph Workflows Orquestração baseada em DAG com checkpointing, retry e ramificação — substituindo pipelines lineares
DevUI Interface de desenvolvimento integrada para depuração de conversas de agentes, inspeção de execução de habilidades e visualização de workflows
API Unificada Superfície de API única que substitui o Kernel do SK e o AssistantAgent do AutoGen por uma classe Agent comum

O Cenário

Você é um Engenheiro de Plataforma em uma empresa que construiu agentes usando tanto Semantic Kernel quanto AutoGen. A liderança decidiu migrar para o MAF. Você tem uma matriz de migração (migration_matrix.csv) que mapeia 15 funcionalidades nos três frameworks — rastreando disponibilidade, esforço de migração e funcionalidades exclusivas do MAF.

Seu trabalho: analisar a matriz, identificar ganhos rápidos, sinalizar desafios e construir um plano de migração.

Dados Simulados

Este laboratório usa um CSV de matriz de migração simulado. Os dados refletem o mapeamento real de funcionalidades entre Semantic Kernel, AutoGen e MAF conforme documentado nos guias de migração.

Pré-requisitos

Requisito Por quê
Python 3.10+ Executar os scripts de análise
Biblioteca pandas Manipulação de dados 
pip install pandas

Início Rápido com GitHub Codespaces

Open in GitHub Codespaces

Todas as dependências estão pré-instaladas no devcontainer.

📦 Arquivos de Apoio

Baixe estes arquivos antes de iniciar o laboratório

Salve todos os arquivos em uma pasta lab-076/ no seu diretório de trabalho.

Arquivo Descrição Download
broken_migration.py Exercício de correção de bugs (3 bugs + autotestes) 📥 Download
migration_matrix.csv Comparação de 15 funcionalidades: SK vs AutoGen vs MAF 📥 Download

Etapa 1: Entenda a Matriz de Migração

A matriz de migração mapeia 15 funcionalidades em três frameworks. Cada linha representa uma capacidade:

Coluna Descrição
feature A capacidade sendo comparada (ex.: plugins, multi_agent_chat)
sk_support Se Semantic Kernel suporta esta funcionalidade: yes, partial ou no
autogen_support Se AutoGen suporta esta funcionalidade: yes, partial ou no
maf_support Se MAF suporta esta funcionalidade: yes, partial ou no
migration_effort Esforço para migrar de SK/AutoGen para MAF: low, medium ou high
category Categoria da funcionalidade: core, orchestration, tooling ou integration

Etapa 2: Carregue e Explore a Matriz

import pandas as pd

df = pd.read_csv("lab-076/migration_matrix.csv")

print(f"Total features: {len(df)}")
print(f"Categories: {df['category'].value_counts().to_dict()}")
print(f"Migration effort: {df['migration_effort'].value_counts().to_dict()}")
print(f"\nFull matrix:")
print(df[["feature", "sk_support", "autogen_support", "maf_support", "migration_effort"]].to_string(index=False))

Saída esperada:

Total features: 15
Categories: {'core': 5, 'orchestration': 4, 'tooling': 3, 'integration': 3}
Migration effort: {'low': 7, 'medium': 5, 'high': 3}

Etapa 3: Identifique Ganhos Rápidos (Baixo Esforço de Migração)

Funcionalidades com esforço de migração low são seus ganhos rápidos — comece por aqui:

low_effort = df[df["migration_effort"] == "low"]
print(f"Quick wins (low effort): {len(low_effort)} features\n")
for _, row in low_effort.iterrows():
    print(f"  {row['feature']:>25s}  SK={row['sk_support']:<8s} AutoGen={row['autogen_support']:<8s} MAF={row['maf_support']}")

Estratégia de Migração

Comece pelas funcionalidades de baixo esforço para construir a confiança da equipe e demonstrar a API unificada do MAF. Estas geralmente possuem equivalentes diretos no SK ou AutoGen, tornando a migração simples.

Etapa 4: Encontre Funcionalidades Exclusivas do MAF

Quais funcionalidades existem no MAF mas não no Semantic Kernel?

maf_only_vs_sk = df[(df["maf_support"] == "yes") & (df["sk_support"] == "no")]
print(f"Features in MAF but NOT in SK: {len(maf_only_vs_sk)}\n")
for _, row in maf_only_vs_sk.iterrows():
    print(f"  {row['feature']:>25s}  category={row['category']}")

# Features exclusive to MAF (not in SK AND not in AutoGen)
maf_exclusive = df[(df["maf_support"] == "yes") & (df["sk_support"] == "no") & (df["autogen_support"] == "no")]
print(f"\nMAF-exclusive features (not in SK or AutoGen): {len(maf_exclusive)}")
for _, row in maf_exclusive.iterrows():
    print(f"  {row['feature']}: {row['category']}")

Etapa 5: Analise as Migrações de Alto Esforço

Estas funcionalidades precisam de mais planejamento:

high_effort = df[df["migration_effort"] == "high"]
print(f"High-effort migrations: {len(high_effort)}\n")
for _, row in high_effort.iterrows():
    print(f"  {row['feature']}")
    print(f"    SK: {row['sk_support']}, AutoGen: {row['autogen_support']}, MAF: {row['maf_support']}")
    print(f"    Category: {row['category']}")
    print()

Risco de Migração

Funcionalidades de alto esforço frequentemente envolvem mudanças arquiteturais — por exemplo, substituir orquestração customizada por Graph Workflows ou converter plugins proprietários em Agent Skills. Planeje de 2 a 4 semanas por funcionalidade de alto esforço.

Etapa 6: Construa o Plano de Migração

report = f"""# 📋 MAF Migration Plan

## Matrix Summary
| Metric | Value |
|--------|-------|
| Total Features | {len(df)} |
| Low Effort | {len(df[df['migration_effort'] == 'low'])} |
| Medium Effort | {len(df[df['migration_effort'] == 'medium'])} |
| High Effort | {len(df[df['migration_effort'] == 'high'])} |
| MAF-only (vs SK) | {len(maf_only_vs_sk)} |

## Phase 1: Quick Wins (Weeks 1–2)
Migrate {len(low_effort)} low-effort features:
"""
for _, row in low_effort.iterrows():
    report += f"- {row['feature']} ({row['category']})\n"

report += f"""
## Phase 2: Medium Effort (Weeks 3–5)
Migrate {len(df[df['migration_effort'] == 'medium'])} medium-effort features with dedicated sprint time.

## Phase 3: High Effort (Weeks 6–10)
Migrate {len(high_effort)} high-effort features requiring architectural changes.

## New Capabilities Unlocked
MAF-exclusive features not available in SK or AutoGen:
"""
for _, row in maf_exclusive.iterrows():
    report += f"- **{row['feature']}** ({row['category']})\n"

print(report)

with open("lab-076/migration_plan.md", "w") as f:
    f.write(report)
print("💾 Saved to lab-076/migration_plan.md")

🐛 Exercício de Correção de Bugs

O arquivo lab-076/broken_migration.py contém 3 bugs que produzem análise de migração incorreta. Você consegue encontrar e corrigir todos?

Execute os autotestes para ver quais falham:

python lab-076/broken_migration.py

Você deverá ver 3 testes falhando. Cada teste corresponde a um bug:

Teste O que verifica Dica
Teste 1 Contagem de funcionalidades de baixo esforço Deve filtrar migration_effort == "low", não "high"
Teste 2 Contagem de MAF-only vs SK Deve verificar sk_support == "no", não "yes"
Teste 3 Contagem total de funcionalidades Deve usar len(df), não len(df.columns)

Corrija todos os 3 bugs e execute novamente. Quando você ver All passed!, está pronto!

🧠 Verificação de Conhecimento

Q1 (Múltipla Escolha): O que é o Microsoft Agent Framework (MAF)?
  • A) Uma nova versão do AutoGen com um nome diferente
  • B) Um framework unificado que combina Semantic Kernel e AutoGen em uma única plataforma
  • C) Um serviço exclusivo de nuvem para executar agentes no Azure
  • D) Um substituto para o LangChain
✅ Revelar Resposta

Correto: B) Um framework unificado que combina Semantic Kernel e AutoGen em uma única plataforma

O MAF une os pontos fortes de ambos os frameworks: o sistema de plugins empresariais e planejadores do SK com as conversas multi-agente e execução de código do AutoGen. Ele fornece uma única classe Agent, Agent Skills portáteis e Graph Workflows baseados em DAG.

Q2 (Múltipla Escolha): O que são Agent Skills no MAF?
  • A) Funções Python decoradas com @skill
  • B) Pacotes portáteis de habilidades em .md que definem capacidades, entradas, saídas e dependências
  • C) Pesos de modelo pré-treinados para tarefas específicas
  • D) Azure Functions que os agentes podem chamar
✅ Revelar Resposta

Correto: B) Pacotes portáteis de habilidades em .md que definem capacidades, entradas, saídas e dependências

Agent Skills são pacotes baseados em markdown que descrevem o que um agente pode fazer, quais entradas ele precisa, quais saídas ele produz e quais dependências são necessárias. Eles são compartilháveis entre equipes e projetos, permitindo um marketplace de capacidades reutilizáveis de agentes.

Q3 (Execute o Laboratório): Quantas funcionalidades têm esforço de migração 'low'?

Execute a análise da Etapa 3 no 📥 migration_matrix.csv e conte as funcionalidades de baixo esforço.

✅ Revelar Resposta

7 funcionalidades

Das 15 funcionalidades na matriz de migração, 7 têm migration_effort = "low". Estes são os ganhos rápidos para a Fase 1 da migração — geralmente funcionalidades com equivalentes diretos entre SK/AutoGen e MAF.

Q4 (Execute o Laboratório): Quantas funcionalidades estão disponíveis no MAF mas NÃO no Semantic Kernel?

Execute a análise da Etapa 4 para encontrar funcionalidades onde maf_support = "yes" e sk_support = "no".

✅ Revelar Resposta

A contagem de funcionalidades onde MAF tem suporte yes mas SK tem suporte no.

Estas representam capacidades que as equipes ganham ao migrar do SK para o MAF — como padrões de chat multi-agente, sandboxes de execução de código e outras funcionalidades que originaram no AutoGen e agora estão disponíveis no framework unificado.

Q5 (Execute o Laboratório): Quantas funcionalidades no total são rastreadas na matriz de migração?

Carregue o CSV e verifique a contagem total de linhas.

✅ Revelar Resposta

15 funcionalidades

A matriz de migração rastreia 15 funcionalidades em 4 categorias: core (5), orchestration (4), tooling (3) e integration (3). Cada funcionalidade é avaliada quanto ao suporte em SK, AutoGen e MAF, junto com o esforço de migração.

Resumo

Tópico O que Você Aprendeu
Microsoft Agent Framework Plataforma unificada que une Semantic Kernel e AutoGen (RC Fev 2026)
Agent Skills Pacotes portáteis de habilidades em .md para capacidades reutilizáveis de agentes
Graph Workflows Orquestração baseada em DAG com checkpointing, substituindo pipelines lineares
Matriz de Migração 15 funcionalidades comparadas entre SK, AutoGen e MAF
Estratégia de Migração Comece pelo baixo esforço (7 funcionalidades), planeje para alto esforço (3 funcionalidades)
DevUI Interface de desenvolvimento integrada para depuração e visualização de workflows de agentes

Próximos Passos

  • Lab 034 — Multi-Agente com Semantic Kernel (entenda de onde você está migrando)
  • Lab 036 — Fundamentos do AutoGen (entenda os padrões do AutoGen antes do MAF)
  • Lab 074 — Foundry Agent Service (implante agentes MAF em produção)
  • Lab 073 — SWE-Bench (avalie agentes MAF em tarefas de codificação do mundo real)