--- title: "Microsoft Agent Framework po AutoGen i Semantic Kernel" url: "https://majchrzycki.com/blog/microsoft-agent-framework-ai-os" description: "Co zmienia Microsoft Agent Framework, kiedy warto go wybrać i jak sprawdzić migrację z AutoGen lub Semantic Kernel na przykładzie firmowego procesu." --- # Microsoft Agent Framework po AutoGen i Semantic Kernel 23 kwietnia 2026· Aktualizacja: 29 września 2026·3 min czytania·Krzysztof Majchrzycki Temat: [Architektura systemów AI](https://majchrzycki.com/blog/filar/architektura-systemow-ai) **Microsoft Agent Framework łączy pracę zespołów AutoGen i Semantic Kernel w jednym SDK dla agentów oraz przepływów.** Dla nowego projektu warto go ocenić, gdy potrzebujesz jawnych etapów, narzędzi, stanu i udziału człowieka. Sam framework nie rozwiązuje jednak uprawnień, jakości danych ani reguł biznesowych. Ten przewodnik pomaga zdecydować, kiedy go użyć i jak sprawdzić migrację bez mechanicznego przepisywania klas. Szeroką architekturę opisuje [filar architektury systemów AI](https://majchrzycki.com/blog/filar/architektura-systemow-ai). Źródłem opisu projektu jest [dokumentacja lub repozytorium twórców](https://github.com/microsoft/agent-framework). Stan funkcji i licencji należy potwierdzić dla wybranej wersji. ## Co faktycznie przejął po poprzednikach [Microsoft opisuje Agent Framework](https://learn.microsoft.com/en-us/agent-framework/overview/) jako następny etap rozwoju AutoGen i Semantic Kernel. Z AutoGen pochodzi doświadczenie z agentami i wzorcami współpracy, z Semantic Kernel między innymi integracja narzędzi, typy i telemetria. Nowe przepływy pozwalają określić, jak dane przechodzą między etapami i kiedy praca czeka na zewnętrzną odpowiedź. Nie oznacza to, że każda aplikacja oparta na poprzednikach wymaga natychmiastowej migracji. Pytanie projektu Co sprawdzić w Agent Framework Jeden agent korzysta z kilku narzędzi Schemat argumentów, dostęp do narzędzia i rejestr wywołań Kilka ról przekazuje sobie pracę Jawny kontrakt wejścia/wyjścia i limit przekazań Człowiek zatwierdza działanie Punkt zatrzymania przed skutkiem i sposób wznowienia Proces trwa długo Trwały stan, ponowienia i obsługę niepewnego wyniku operacji Oficjalne [przewodniki migracji](https://learn.microsoft.com/en-us/agent-framework/migration-guide/) prowadzą osobno z AutoGen i Semantic Kernel. Istniejące artykuły o [AutoGen](https://majchrzycki.com/blog/co-to-jest-microsoft-autogen-multi-agent-system-mas) oraz [Semantic Kernel](https://majchrzycki.com/blog/co-to-jest-microsoft-semantic-kernel) nadal opisują własne zastosowania i historię tych bibliotek; nie są aliasami tej strony. ## Czym jest i do czego służy? Framework budowania agentów i przepływów w ekosystemie Microsoft. Łączy narzędzia, stan i orkiestrację agenta w aplikacji .NET lub Python. W praktyce trzeba oddzielić rolę tej technologii od całej platformy: komponent rozwiązuje określony problem, a tożsamość, polityka danych i obserwowalność nadal wymagają własnego projektu. ## Próba na jednym procesie z zatwierdzeniem Wyobraź sobie asystenta przygotowującego projekt zmiany terminu zamówienia. Pierwszy etap odczytuje rekord w granicach uprawnień pracownika. Drugi oblicza, czy zmiana mieści się w zasadach firmy. Trzeci tworzy propozycję i pokazuje ją osobie odpowiedzialnej. Dopiero po jej zatwierdzeniu osobny krok zapisuje zmianę. To modelowy proces, a nie opis gotowego wdrożenia klienta. Odbiór wymaga pięciu przypadków: poprawna zmiana, brak uprawnienia, sprzeczna data, odrzucenie przez człowieka oraz awaria po zapisie, ale przed otrzymaniem potwierdzenia. Dla ostatniego przypadku system musi sprawdzić, czy zmiana już zaszła, zanim ponowi operację. [Dokumentacja udziału człowieka w przepływach](https://learn.microsoft.com/en-us/agent-framework/workflows/human-in-the-loop) pokazuje mechanizm prośby i odpowiedzi; kontrola idempotencji nadal należy do aplikacji. Porównaj tę samą próbę z prostym workflow bez agentów. Zmierz poprawnie zakończone sprawy, liczbę ręcznych korekt, czas i koszt. Jeśli model nie poprawia wyniku w kroku, którego nie da się opisać regułą, jego obecność nie jest uzasadniona. Zapisywanie stanu i obserwowalność są potrzebne do diagnozy, ale nie są celem biznesowym same w sobie. ## Dlaczego warto rozważyć ją w suwerennym AI OS? Ujednolica wzorce agenta dla zespołu już pracującego w środowisku Microsoft. Suwerenność oceniamy przez możliwość uruchomienia, kontrolę danych i uprawnień, przenośność formatu oraz plan zmiany dostawcy. Jeśli rozwiązanie jest usługą zarządzaną, należy jawnie wskazać granicę kontroli; otwarty klient czy API nie czynią całej usługi open source. ## Kiedy migrować z AutoGen lub Semantic Kernel Najpierw zamroź wersje pakietów i próbkę zadań. Zapisz role agentów, narzędzia, uprawnienia, miejsce przechowywania stanu oraz wynik każdego przypadku testowego. Potem wykonaj ten sam zestaw w nowym frameworku. [Mapa AutoGen](https://learn.microsoft.com/en-us/agent-framework/migration-guide/from-autogen/) zwraca uwagę na zmianę sposobu orkiestracji, a [mapa Semantic Kernel](https://learn.microsoft.com/en-us/agent-framework/migration-guide/from-semantic-kernel/) na interfejsy agentów i narzędzi. Zgodność nazw klas nie potwierdza zgodności zachowania. Jeśli obecny system jest stabilny i izolowany, migrację można zaplanować przy kolejnej zmianie produktu. Dla nowego systemu sprawdź wsparcie potrzebnego języka, wersji SDK i konkretnego dostawcy modelu przed wyborem biblioteki. Zachowaj możliwość wymiany komponentu bez przenoszenia reguł firmy do promptów. ## Jak wykorzystać ją przy kodowaniu z AI? W AI SDLC agent kodujący może przygotować konfigurację, adapter i test integracyjny, lecz człowiek powinien sprawdzić uprawnienia, koszty oraz skutki błędu. Punktem odbioru jest działający scenariusz: łączy narzędzia, stan i orkiestrację agenta w aplikacji .net lub python. Agent nie powinien sam zatwierdzać swojej zmiany ani otrzymywać szerszych uprawnień niż wymaga zadanie. Przed wdrożeniem warto zachować ślad: wymaganie, wersję zależności, wynik testu i osobę akceptującą. ## Alternatywy i ograniczenia Możliwe alternatywy: LangGraph, Semantic Kernel, własna orkiestracja. Należy sprawdzić dojrzałość API i możliwość wymiany usług modelowych. Wybór powinien wynikać z pomiaru na własnych danych, zgodności z obecnym zespołem i możliwości wycofania rozwiązania. Sama liczba gwiazdek repozytorium lub obietnica marketingowa nie zastępuje próby. ## Co sprawdzić przed decyzją? Zbuduj małą próbę realizującą ten przypadek: łączy narzędzia, stan i orkiestrację agenta w aplikacji .NET lub Python. Zmierz opóźnienie, koszt, jakość wyniku i zachowanie po błędzie. Sprawdź też, czy inny członek zespołu potrafi odtworzyć wynik na podstawie zapisanej konfiguracji. Przy szerszym projekcie porównaj [LangChain Deep Agents](https://majchrzycki.com/blog/langchain-deep-agents-ai-os) oraz [Temporal](https://majchrzycki.com/blog/temporal-trwaly-workflow-agentow) i zapisz kryterium, po którym rozwiązanie będzie można wymienić. Perspektywę badawczą na podział ról między modelami i środowiskiem wykonawczym przedstawia [MagenticLite: Big tasks. Small models](https://majchrzycki.com/blog/big-tasks-small-models-magenticlite). Osobno warto zobaczyć [Magentic-UI](https://majchrzycki.com/blog/magentic-ui-agent-przegladarkowy-z-czlowiekiem), [model Fara 1.5](https://majchrzycki.com/blog/fara-1-5-agent-przegladarkowy) i [MagenticBrain 14B](https://majchrzycki.com/blog/magenticbrain-14b-model-orkiestracji-agentow): framework, interfejs i modele pełnią różne role. - Agenci AI ## Przełóż temat na projekt w Twojej firmie Zobacz zakres współpracy: od rozpoznania procesu i danych po projekt rozwiązania AI. [Zobacz współpracę](https://majchrzycki.com/wspolpraca) ## Czytaj dalej - [Semantic Kernel: kiedy orkiestracja AI ma sens](https://majchrzycki.com/blog/co-to-jest-microsoft-semantic-kernel) - [Microsoft AutoGen: jak ocenić system wielu agentów](https://majchrzycki.com/blog/co-to-jest-microsoft-autogen-multi-agent-system-mas) - [Big tasks. Small models: po co agentowi kilka mniejszych modeli?](https://majchrzycki.com/blog/big-tasks-small-models-magenticlite) - [LangChain: kiedy framework pomaga aplikacji AI](https://majchrzycki.com/blog/langchain-ai-llm-apps)