从零构建智能客服：Microsoft Agent Framework实战案例

你是否还在为客服响应慢、人工成本高而烦恼？本文将带你使用Microsoft Agent Framework（MAF）从零构建一套智能客服系统，实现多代理协作处理客户咨询，提升服务效率。读完本文后，你将掌握：

• 智能客服系统的架构设计与核心组件
• 多Agent协作流程的配置方法
• 基于Web的客服交互界面搭建
• 完整的本地部署与测试步骤

系统架构设计

智能客服系统需要处理用户咨询、调用专业Agent（如订单查询、物流跟踪）、协调多Agent协作，并提供友好的交互界面。MAF的多代理架构天然适合此类场景，其核心组件包括：

核心组件说明

组件	功能描述	技术实现
用户交互层	提供Web聊天界面	AgentWebChat.Web
协调Agent	路由用户请求至专业Agent	A2AClient
专业Agent	处理特定领域咨询（订单/物流）	A2AServer
工作流引擎	定义多Agent协作规则	HumanInLoop.yaml

环境准备

开发环境配置

1. 克隆项目代码

   git clone https://gitcode.com/GitHub_Trending/age/agent-framework
   cd agent-framework
   

2. 安装依赖

   • .NET环境：需安装.NET 8.0+，项目配置文件见 global.json
   • Python环境：使用UV包管理器，配置见 pyproject.toml

3. 配置API密钥

   • OpenAI密钥（用于本地测试）：

     $env:OPENAI_API_KEY="your-api-key"
     

   • Azure AI密钥（用于生产环境）：

     $env:AZURE_FOUNDRY_PROJECT_ENDPOINT="your-endpoint"
     

核心Agent开发

1. 创建基础客服Agent

使用Python快速创建一个能响应天气查询的基础Agent，代码示例：

# [python/samples/getting_started/minimal_sample.py](https://gitcode.com/GitHub_Trending/age/agent-framework/blob/8967269d3eba4bb84544a710e9d675fe216d220c/python/samples/getting_started/minimal_sample.py?utm_source=gitcode_repo_files)
import asyncio
from agent_framework.openai import OpenAIChatClient

def get_weather(location: str) -> str:
    """获取指定城市天气信息"""
    return f"北京天气：晴朗，25°C"  # 实际项目中应对接真实API

# 创建客服Agent
agent = OpenAIChatClient().create_agent(
    name="CustomerServiceAgent",
    instructions="你是智能客服助手，可查询订单和物流信息",
    tools=[get_weather]
)

# 测试Agent响应
print(asyncio.run(agent.run("我的订单什么时候发货？")))

2. 多Agent协作配置

在实际客服场景中，需要订单、物流等专业Agent协同工作。通过A2A协议实现Agent间通信，配置示例：

# 启动订单Agent（端口5000）
dotnet run --urls "http://localhost:5000" --agentType "order"

# 启动物流Agent（端口5001）
dotnet run --urls "http://localhost:5001" --agentType "logistics"

配置文件路径：A2AServer/appsettings.json

工作流设计

使用MAF的工作流引擎定义客服业务流程，例如"短发货纠纷处理"流程：

# [workflow-samples/HumanInLoop.yaml](https://gitcode.com/GitHub_Trending/age/agent-framework/blob/8967269d3eba4bb84544a710e9d675fe216d220c/workflow-samples/HumanInLoop.yaml?utm_source=gitcode_repo_files)
kind: Workflow
trigger:
  kind: OnConversationStart
actions:
  - kind: SetVariable
    id: set_original_query
    variable: Local.UserQuery
    value: =System.LastMessage.Text
  
  - kind: Question
    id: confirm_query
    prompt: "请确认您的问题：{Local.UserQuery}"
    entity: StringPrebuiltEntity
  
  - kind: ConditionGroup
    conditions:
      - condition: =Local.ConfirmedQuery == Local.UserQuery
        actions:
          - kind: SendActivity
            activity: "正在转接至物流Agent..."
            # 调用物流Agent的逻辑

工作流执行流程

graph TD
    A[用户发送咨询] --> B{验证问题}
    B -->|有效| C[调用专业Agent]
    B -->|无效| D[提示重新输入]
    C --> E[汇总结果]
    E --> F[返回用户]

前端界面搭建

基于Blazor框架构建Web客服界面，核心组件位于 AgentWebChat.Web：

1. 启动Web服务

   cd dotnet/samples/AgentWebChat/AgentWebChat.Web
   dotnet run
   

2. 关键UI组件

   • 聊天窗口：Chat.razor
   • 样式文件：app.css

3. 界面效果

   启动后访问 http://localhost:5002 可看到客服聊天界面，支持：

   • 实时消息发送
   • 对话历史记录
   • Agent状态显示

系统测试与部署

1. 功能测试

使用A2A Inspector工具测试Agent通信：

1. 启动Inspector：docker run -p 8080:8080 a2aproject/a2a-inspector
2. 连接Agent：输入 http://localhost:5000
3. 发送测试消息："查询订单INV-12345"

测试界面截图：

2. 部署方案

推荐使用Docker容器化部署，项目根目录下创建Dockerfile：

FROM mcr.microsoft.com/dotnet/aspnet:8.0
WORKDIR /app
COPY dotnet/samples/AgentWebChat/AgentWebChat.Web/bin/Release/net8.0/publish .
ENTRYPOINT ["dotnet", "AgentWebChat.Web.dll"]

总结与扩展

本文构建的智能客服系统已实现基础功能，可进一步扩展：

• 知识库集成：对接企业文档库，增强Agent回答准确性
• 情感分析：通过 Microsoft.Agents.AI.OpenAI 模块实现用户情绪识别
• 多语言支持：配置多语言模型，参考 samples/semantic-kernel-migration

完整项目文档见 docs/FAQS.md，更多示例可查看 python/samples 和 dotnet/samples 目录。

通过MAF框架，开发者可快速构建复杂的多Agent系统，显著降低智能客服的开发门槛。立即尝试部署并体验AI驱动的客户服务新范式！