Microsoft Agent Frameworkとは？使い方・クイックスタート・移行ガイドまで徹底解説

「MicrosoftのAIエージェント開発をもっと簡単にしたい」「複数のAIエージェントを連携させた高度なワークフローを構築したい…」と感じていませんか？2024年5月、Microsoftはそんなニーズに応えるべく、オープンソースの新フレームワーク「Microsoft Agent Framework」を発表しました。本記事では、このフレームワークの全貌を徹底的に解説します。
✅Microsoft 365 Copilotの最新エージェント機能「Copilot Cowork」については、以下の記事をご覧ください。
Copilot Coworkとは？機能や料金、Claude Coworkとの違いを解説

Microsoft Agent Frameworkとは

Microsoft Agent Frameworkとは、AIエージェントやマルチエージェントのワークフローを構築・統合・実行できるオープンソースの開発フレームワークです。

Microsoftが提供するこのフレームワークは、Azure OpenAIなどの大規模言語モデル（LLM）を活用した「エージェント型システム」の開発を支援します。ユーザー入力への応答だけでなく、外部ツールの呼び出し、状態管理、マルチステップ処理の制御など、高度な自律処理を前提とした設計が特徴です。

従来、AIエージェントを構築する際には、Semantic KernelやAutoGenといった複数のOSS（オープンソースソフトウェア）を組み合わせる必要がありました。Agent Frameworkは、これらの機能的要素を再構成し、一貫性のあるAPI設計と型安全性のある実行環境に統合しています。特に以下のようなニーズに対応する形で設計されています。

Microsoft Agent Framework（Microsoft GitHub）

主なユースケース

• Azure OpenAIやOpenAI APIを活用した高度なチャットボットやエージェント構築
• 外部APIや社内ツールとの統合を伴う業務自動化フローの構築
• 複数エージェントの対話や協調を伴うマルチエージェント・システムの設計
• Copilot StudioやAzure AI Foundryとの将来的な統合開発

提供状況とライセンス

Agent Frameworkは2024年5月に**Public Preview（一般公開プレビュー）**としてリリースされ、現在も継続的に開発・改善が進められています。GitHub上でコード・サンプル・開発ガイドが公開されており、オープンソースとして自由に活用できます（MITライセンス）。

※MITライセンス：ソフトウェアの使用、コピー、変更、統合、公開、配布、サブライセンス、販売を無制限に許可するオープンソースライセンス。ただし、著作権表示と許諾表示を含める必要があります。

背景にあるニーズとMicrosoftの狙い

LLMの普及に伴い、単一のチャットボットを超えた「タスク分解」「自律判断」「複数エージェント連携」などを必要とするユースケースが増加しています。Microsoftはそのニーズに応えるために、Semantic KernelとAutoGenの思想を内包しつつ、より再利用性と構成性に優れた新たな基盤としてAgent Frameworkを位置づけています。

今後は、Microsoft Teams向けのCopilot Studioや、企業向けAI導入基盤となるAzure AI Foundryといった製品との連携も予定されており、Microsoftエコシステム全体における「エージェント開発の中核フレームワーク」としての役割が期待されています。

関連記事：
・Microsoft Copilot Studioとは？できることや使い方、料金体系を解説！
・Azure AI Foundryとは？できることや使い方、料金を徹底解説！

Microsoft Agent Frameworkの主な特徴と構成要素

Microsoft Agent Frameworkは、単一エージェントから複雑なマルチエージェント構成まで柔軟に設計できる、高い拡張性と統合性を持ったAIエージェント開発基盤です。

このフレームワークは、従来のチャットボットやスクリプト処理を超え、「意思決定→ツール実行→状態保持→対話継続」までの一連のプロセスを自律的に処理する仕組み**を提供します。以下に主要な構成要素を整理します。

2.1 エージェント（Agent）

Agent Frameworkの中核を担う存在が「エージェント」です。エージェントは以下の機能を備えたAI主体であり、LLMと外部環境との橋渡し役を担います。

橋渡しイメージ

LLMのプロバイダーとしては、Azure OpenAI、OpenAI API、Azure AI が公式にサポートされています。

2.2 ワークフロー（Workflow / GraphFlow）

ワークフローイメージ(参考Microsoft)

複数のエージェント・関数・ツールを統合し、条件分岐やループ処理を含むグラフ構造のワークフローとして構築できます。

主な特徴：

• ノードベースの構成：各ノードにエージェントや関数を割り当て、順序・条件分岐を設定
• 型安全な入出力管理：各ノードは入力型・出力型を明示し、安全に連携できる
• チェックポイント機能：途中状態の保存・復元により、長時間対話や障害対応が容易
• Human-in-the-loop（HITL）対応：必要に応じて人間による承認や選択を挟むことも可能
• 非同期／並列実行：複数のノードを同時実行し、実行効率を高める

Agent Frameworkのワークフローは、AutoGenの「GroupChat」やSemantic Kernelの「Planner」よりも明示的で再利用可能な設計が可能です。

2.3 ツール（Tools）と関数連携

エージェントは事前定義された関数（Function）を「ツール」として呼び出せます。

• 関数には スキーマ情報（引数の型、説明など） を付与でき、LLMがより正確に呼び出せるよう設計されています。
• Pythonでは @ai_function デコレーターで関数をツール化します。
• .NETでも類似の属性ベースの記述が可能です。

この形式はAutoGenの FunctionTool や SK の Plugin よりも、一貫性と型安全性が高い設計となっています。

2.4 スレッド（Thread）と状態管理

エージェントはスレッド単位で状態（履歴・出力・中間変数）を保持します。

• 各スレッドは一連の実行履歴を含むデータ構造であり、外部ストレージやメモリストアへの永続化も可能です。
• スレッドはユーザーセッションやワークフロー単位で分離され、LLMの文脈処理に適した構造を提供します。

2.5 ミドルウェア（Middleware）

Agent Frameworkでは、エージェントの実行前後に共通処理を挟むミドルウェア機構が提供されます。

• 実行前の検証・ロギング・パラメータ整形
• 実行後の結果検証・モニタリング・異常検知

などを、個々のエージェント実装に手を加えることなく適用でき、再利用性の高い処理分離が実現されています。

2.6 DevUIと観測機能

チャットUIイメージ

開発者向けのWeb UI（DevUI）が提供されており、以下のような作業を視覚的に行えます。

• エージェントやワークフローの実行ログの閲覧
• 入力と出力のステップごとの確認
• チェックポイントの確認とリトライ
• ワークフローのノード構造の可視化

さらに、OpenTelemetryベースのロギング・トレース・メトリクスも統合可能で、エンタープライズレベルの可観測性もサポートしています。

Microsoft Agent Frameworkの使い方：クイックスタート

Microsoft Agent Frameworkは、数行のコードでAIエージェントを起動できる軽量設計が特徴です。
ここでは、最も基本的なエージェントの作成と実行までを、.NETおよびPythonで順に解説します。

3.1 前提条件の確認

共通要件

• Azure OpenAI Service もしくは OpenAI API の利用権（エンドポイント／APIキー）
• 対応モデル（例：gpt-4o、gpt-4、gpt-3.5-turbo など）

.NET 環境

• .NET SDK 8.0 以上
• Azure CLI（az login 実行済み）
• 任意のIDE（Visual Studio、Rider、VS Code など）

Python 環境

• Python 3.10 以上
• pip（パッケージ管理）
• 任意のエディタ（VS Code など）

export AZURE_AI_PROJECT_ENDPOINT="https://aisouken-content.openai.azure.com/"
export AZURE_AI_MODEL_DEPLOYMENT_NAME="2024-12-01-preview"

3.2 .NETで始めるクイックスタート

手順1：プロジェクトの作成

dotnet new console -n AgentQuickStart
cd AgentQuickStart

手順2：必要なパッケージを追加

dotnet add package Azure.AI.OpenAI
dotnet add package Azure.Identity
dotnet add package Microsoft.Agents.AI.OpenAI --prerelease

手順3：エージェントを作成して実行

以下のようなコードを Program.cs に記述します。

using Azure.Identity;
using Microsoft.Agents.AI;

var agent = new AzureOpenAIClient(
    new Uri("https://ai-agent-0529-resource.services.ai.azure.com/"), // 自身のAzureエンドポイント
    new AzureCliCredential()
)
.GetChatClient("gpt-4o") // モデル名
.CreateAIAgent(instructions: "あなたは優秀な雑談相手です。");

string result = await agent.RunAsync("こんにちは。元気ですか？");
Console.WriteLine(result);

この例ではAzure CLIの認証情報を使用していますが、AzureKeyCredential などを使って明示的にAPIキーを設定することも可能です。

3.3 Pythonで始めるクイックスタート

手順1：インストール

pip install agent-framework
pip install azure-identity

手順2：エージェントを作成して実行

import asyncio
from agent_framework import ChatAgent
from agent_framework.azure import AzureAIAgentClient
from azure.identity.aio import AzureCliCredential

async def main():
    async with (
        AzureCliCredential() as credential,
        ChatAgent(
            chat_client=AzureAIAgentClient(async_credential=credential),
            instructions="You are good at telling jokes."
        ) as agent,
    ):
        result = await agent.run("Tell me a joke about a pirate.")
        print(result.text)

if __name__ == "__main__":
    asyncio.run(main())

実行結果（例）：

実行結果

((.venv) )  AgentQuickStart % python main.py                                                                      
Why did the pirate go to the gym?  

To improve his **ARRR-ms**! 🏴‍☠️

3.4 より実践的なステップ

• ツールの追加：@ai_function を使って関数をツール化し、エージェントから呼び出し可能に
• スレッドの管理：複数ターンのやりとりを AgentThread で管理
• Workflowの定義：複数のエージェント・関数を連携して処理を自動化
• DevUIの利用：エージェントとワークフローの実行結果を可視化・確認可能（起動コマンドや環境構築は後述）

今回はチャット風に続けられるように調整もしました。

import asyncio
from agent_framework import ChatAgent
from agent_framework.azure import AzureAIAgentClient
from azure.identity.aio import AzureCliCredential

async def main():
    async with (
        AzureCliCredential() as credential,
        ChatAgent(
            chat_client=AzureAIAgentClient(async_credential=credential),
            instructions="あなたはフレンドリーなAIアシスタントです。"
        ) as agent,
    ):
        print("💬 AI Agent Chat (終了するには 'exit' と入力)\n")

        while True:
            user_input = input("👤 You: ")
            if user_input.lower() == "exit":
                break

            result = await agent.run(user_input)
            print("🤖 Agent:", result.text, "\n")

if __name__ == "__main__":
    asyncio.run(main())

そうするとより、AIとの対話が続けられます。

対話イメージ

3.5 よくあるエラーと対処

よくあるエラーとその対処法を以下にまとめます。

このような場合には、一つずつ原因を切り分けて確認することが重要です。
ChatGPTに聞くのも有効です。

4. Semantic Kernelからの移行ガイド

Semantic KernelおよびAutogenの融合

Semantic Kernel（SK）とは、Microsoftが開発した軽量なAIオーケストレーションフレームワークで、プラグインやプロンプト連携に優れた構造を持つOSSです。
Agent Frameworkは、そのSKの長所を継承しつつ、エージェント中心の構成・型安全なワークフロー・複雑なタスク分解に対応した次世代フレームワークとして設計されています。

この章では、SKユーザーがAgent Frameworkへスムーズに移行できるよう、構成の違いや具体的なコード対応例を交えて解説します。

4.1 なぜ移行が必要か

Semantic Kernelは柔軟でシンプルな設計が魅力でしたが、以下の課題が存在していました。

Microsoft自身がSemantic Kernelの次段階としてAgent Frameworkを位置づけており、将来的には機能的にも上位互換となる可能性が高いとされています。

4.2 主な違いと対応関係

以下に、SKからAgent Frameworkへの移行で想定される機能の対応関係を示します。

主な以降イメージ

5. AutoGenからの移行ガイド

AutoGenからの移行

AutoGenは、マルチエージェントによるタスク分担と自律的な対話を設計できるPythonライブラリであり、ChatGPT APIやツール呼び出しを組み合わせたエージェント設計が特徴です。
一方、Microsoft Agent Framework は、AutoGenの柔軟なマルチエージェント設計を継承しつつ、型安全性・スレッド管理・ワークフロー構造・ミドルウェア制御といったエンタープライズ用途を見据えた仕組みに発展しています。

5.1 なぜAutoGenから移行するのか

AutoGenはPoCや研究用途に最適なフレームワークですが、Agent FrameworkはAzureエコシステムと統合可能な商用グレードの構造と開発体験を提供します。

5.2 主な機能マッピングと違い

5.5 マルチエージェント構成の違いと移行

AutoGenのGroupChat

from autogen import GroupChat, AssistantAgent

agents = [AssistantAgent(name="Agent1"), AssistantAgent(name="Agent2")]
group = GroupChat(agents=agents, messages=[], max_round=5)
group.run()

Agent FrameworkでのWorkflow構成

from agent_framework.workflow import WorkflowBuilder, AgentNode

workflow = WorkflowBuilder() \
    .with_node("agent1", AgentNode(agent1)) \
    .with_node("agent2", AgentNode(agent2)) \
    .with_connection("agent1", "agent2") \
    .build()

result = await workflow.run_async("はじめましょう")

Agent FrameworkのWorkflowでは、ノードの型定義、順序制御、チェックポイント、並列化などの制御が可能です。

5.6 移行時の注意点

• GroupChatによる自動進行は Agent FrameworkではWorkflowで明示的に構築する必要があります。
• FunctionToolの柔軟性は高い反面、Agent Frameworkではスキーマ定義が必須となるため、関数の見直しが必要です。
• AutoGen特有の応答調停やリトライ戦略は、Agent FrameworkではMiddlewareを通じて実装可能です。
• ロギング・可視化の導入はDevUIやOpenTelemetryで大幅に簡略化されます。

6. 開発・運用上のベストプラクティス

Microsoft Agent Frameworkは、高機能で柔軟な反面、設計や運用を誤ると応答遅延やコスト超過といった課題につながります。
この章では、エンタープライズ用途を想定した導入・運用の観点から、効果的に活用するためのベストプラクティスを紹介します。

6.1 設計上の留意点

1. エージェントの責務は明確に分ける

• 各エージェントには「専門性」を与える：例「商品説明役」「契約処理役」「リスク評価役」など
• 役割を曖昧にするとプロンプトが冗長化し、応答の一貫性が下がる
• ワークフロー上で「どこで・なぜ・何を処理するか」を明示する設計が重要

2. LLMモデルと出力のバランス設計

• 出力品質が不要に高い場合、モデルコスト・応答時間が無駄に増える
• タスク内容に応じて gpt-3.5 / gpt-4 / gpt-4o などを使い分ける
• Tool使用時はモデルの選定以上に引数スキーマ設計と関数粒度が鍵になる

3. 再利用可能なツール化を徹底

• 共通処理（検索、日付処理、ステータス分類など）は関数として切り出し、ツール登録
• なるべく副作用のない関数設計とすることで、テストと再利用が容易に

6.2 セキュリティとデータ保護

1. LLMへの入力データは最小限に

• 機密データ・個人情報は原則マスキング、必要最小限の情報のみを送信
• 特に AgentThread に履歴が蓄積される場合、データスコープに注意

2. Azure環境での利用時はリージョン制限と権限分離を徹底

• Azure OpenAIはリージョン制御が可能なため、機密情報が国外流出しないように設計
• クライアントID/シークレットはマネージドIDやKey Vaultでの分離管理を推奨

3. DevUIのアクセス制御

• DevUIは非常に便利な反面、操作権限とログの機密性に注意が必要
• 実運用環境では閲覧ログの制御・IP制限を含む導入設計が望ましい

6.3 実行パフォーマンスの最適化

1. 並列ノード設計の活用

• GraphFlowでは、独立処理は並列実行することで応答時間を短縮できる
• APIコール数は増えるが、実行時間の観点では有効

2. ストリーミング出力の活用

• 応答生成をストリーミングで受け取ることで、UX向上と早期フィードバックが可能に
• 特にユーザー向けUIがある場合は積極活用が推奨される

3. チェックポイントとスレッド復元

• エージェント／ワークフローが長時間化する場合、中断復元に備えてチェックポイント設計を入れる
• 再試行や障害復旧時の冗長化にも有効

6.4 チーム開発・運用のための設計工夫

1. DevUIとテレメトリの統合

• DevUIは以下のような作業に役立つ：

  • ステップ実行の可視化
  • エラー発生箇所の追跡
  • Tool呼び出しログの確認

• OpenTelemetryと連携すれば、Prometheus/Grafanaとの統合も可能

2. ステージング環境の構築

• 本番と検証用でモデルキー・エージェント構成を分離
• ステージング環境には負荷試験用のテストユーザーとダミーデータを利用

3. プロンプト変更とバージョン管理

• エージェントのプロンプトはGitで管理し、変更履歴と精度評価を記録
• プロンプトにコメントを付けて、「意図」をチームで共有する

OSSフレームワークで構築したAgentを本番運用に載せるなら

Agent Frameworkで開発したプロトタイプは動く。問題はその先──権限管理、監査ログ、セキュリティチェックなしに本番環境へ展開できるか。

AI Agent Hubは、Agent Frameworkで構築したAgentを含め、全社のAIエージェントを1つのダッシュボードで一元管理できるエンタープライズAI基盤です。開発基盤を問わず、本番運用に必要なガバナンス機能を後付けで追加できます。

• Agent Framework製AgentもCopilot Studio製Agentも管理は1つ
  OSSフレームワークで構築したAgentも、Copilot Studioのノーコード製Agentも、1つの管理ダッシュボードで実行ログ・アクセス権限・セキュリティチェックを統合管理できます。
  
  
• Agentの開発に集中し、共通機能は基盤に任せる
  認証・ログ・Teams連携・承認フロー・エラーハンドリングなど共通処理は基盤が提供。業務固有のロジックだけを追加すれば新しいAgentが完成します。
  
  
• 使い慣れたMicrosoft環境をそのまま活用
  Teamsなど既存のMicrosoftツールの延長でAIエージェントが動作。新しいツールの学習コストはゼロです。
  
  
• データは100%自社テナント内に保持
  AIの学習対象から完全除外。Azure Managed Applicationsとして自社テナント内で動作が完了する設計です。

AI総合研究所の専任チームが、設計から運用まで伴走支援します。まずは無料の資料で、自社の業務にどう活用できるかご確認ください。

OSSエージェントを本番運用に直結

開発の先にある運用・ガバナンスを一元管理

Microsoft Agent Frameworkで構築したAIエージェントを、実行ログ・権限管理・セキュリティチェックつきで本番環境に展開。開発基盤を問わず、全Agentを1つのダッシュボードで統合管理できます。

▶ 無料で資料をダウンロード

今後の展望とまとめ

このようにMicrosoft Agent Frameworkは、単なるエージェント開発フレームワークを超え、今後のMicrosoft AIエコシステム全体に統合されていく中核的な技術要素です。
本章では今後の進化の方向性と、本記事の総まとめを行います。

7.1 今後の統合先と進化の方向性

1. Copilot Studioとの統合

Copilot Studioは、ノーコードで業務用Copilot（生成AIアプリ）を構築できるMicrosoftの製品です。Agent Frameworkは、将来的にCopilot Studioの内部コンポーネントとして統合されることが公式ドキュメントでも示唆されています。

• LLMとツールの高度な連携処理を、GUIベースで構築
• GraphFlowに相当する設計を、ローコードで反映可能
• 企業内アプリとの連携（Power Platform、Dataverse等）との融合

2. Azure AI Foundryとの連携

Azure AI Foundryは、エンタープライズ向けのAIアプリ開発基盤です。Agent Frameworkはその中核的モジュールとなる予定で、以下のような統合が想定されます。

• データ接続（Azure Data Lake、Fabric、SQLなど）との自動統合
• Agent経由で社内SaaSやAPIを操作する「AIオーケストレーション層」として機能
• RAG（検索拡張型生成）やカスタムベクトル検索との連携も視野

3. オープンソースとしての発展

Agent FrameworkはMITライセンスで公開されており、コミュニティ主導の改善や拡張も進んでいます。今後は以下のような動きが加速すると見込まれます。

• ツールスキーマの標準化（OpenFunction Schema等）
• 自然言語からワークフローを自動生成する機能の追加
• HuggingFaceモデルなど他社LLMとのマルチプロバイダー対応
• PyTorch / ONNX Runtimeなどオンプレ環境への展開支援

Agent Frameworkは、単なるAPIラッパーやチャットボット開発キットではなく、業務システムやエンタープライズAI統合の「基礎構造」として機能する可能性を秘めた存在です。
将来的にAIが「操作対象」でなく「自律的な業務担い手」となる世界において、こうしたフレームワークは重要な役割を果たすことになります。

本記事が、Agent Frameworkの技術的理解や導入の一助となれば幸いです。

AI総合研究所は、企業のAIエージェント開発・内製化支援を行っております。ご相談・お問い合わせはこちらからお願いいたします。