การเข้าสู่ตลาดของไมโครซอฟต์ในด้านเอเจนติก AI แสดงถึงการเปลี่ยนแปลงที่สำคัญในการทำให้การพัฒนาเอเจนต์อัตโนมัติเป็นประชาธิปไตย
หลังจากได้เห็นความแตกแยกของกรอบงานวิจัยอย่าง AutoGen กับเครื่องมือที่พร้อมใช้งานจริงอย่าง Semantic Kernel ไมโครซอฟท์ได้นำเสนอการรวมกันของทั้งสองในงาน Build 2025 และเปิดตัว Microsoft Agent Framework (MAF) รุ่นพรีวิวสาธารณะเมื่อวันที่ 1 ตุลาคม 2025
การรวมตัวนี้แก้ไขช่องว่างที่สำคัญซึ่งองค์กรต่าง ๆ ประสบปัญหาในการเชื่อมโยงการวิจัยที่ล้ำสมัยกับความน่าเชื่อถือในการดำเนินงาน
นี่คือวิธีการทำงานและสิ่งที่คุณจำเป็นต้องรู้
ประเด็นสำคัญ
- ไมโครซอฟท์รวม AutoGen และ Semantic Kernel เข้าไว้ใน Microsoft Agent Framework
- MAF ทำให้การพัฒนาตัวแทนง่ายขึ้นด้วย SDK แบบประกาศและการผสานรวมที่ยืดหยุ่น
- องค์กรได้รับประโยชน์ด้านการสังเกตได้ การสนับสนุนหน่วยความจำ และการปฏิบัติตามข้อกำหนดผ่านการผสานรวมกับ Azure
- การย้ายข้อมูลจำเป็นต้องมีการปรับปรุงโครงสร้างใหม่ และอาจก่อให้เกิดปัญหาการผูกขาดกับผู้ให้บริการหรือความกังวลเกี่ยวกับความโปร่งใสของค่าใช้จ่าย
ไมโครซอฟท์ให้บริการเอเจนต์ AI หรือไม่?
ใช่, Microsoft มีให้บริการ AI แบบตัวแทนผ่าน Microsoft Agent Framework (MAF) ซึ่งเปิดให้ทดลองใช้สาธารณะเมื่อวันที่ 1 ตุลาคม 2025 หลังจากเปิดเผยครั้งแรกในงาน Build 2025
Microsoft Agent Framework เป็นแพลตฟอร์มแบบรวมที่ผสาน Semantic Kernel และ AutoGen เข้าด้วยกันเป็น SDK เดียว มอบรูปแบบการประสานงานที่แน่นอนและแบบไดนามิก พื้นที่จัดเก็บข้อมูลแบบปลั๊กอิน และการผสานรวมระดับองค์กรผ่าน Model Context Protocol และมาตรฐานการสื่อสารระหว่าง Agent-to-Agent
กรอบการทำงานนี้ขจัดความซับซ้อนในการจัดการเครื่องมือแยกต่างหาก ในขณะที่ยังคงความยืดหยุ่นที่นักพัฒนาต้องการสำหรับการนำไปใช้ตามความต้องการเฉพาะ
แนวทางแบบบูรณาการนี้วางรากฐานสำหรับการสำรวจว่า MAF ทำงานอย่างไรเบื้องหลังเพื่อมอบความสามารถของตัวแทนอัตโนมัติ
ภาพรวมความสามารถโดยย่อ: Microsoft Agent Framework
Microsoft Agent Framework มอบฟังก์ชันการทำงานที่ครอบคลุมตลอดวงจรชีวิตของเอเจนต์ ตั้งแต่การพัฒนา การปรับใช้ ไปจนถึงการตรวจสอบ:
| ความสามารถ | รายละเอียด |
|---|---|
| ยูนิไฟด์ SDK | ห้องสมุดเดียวที่รวม Semantic Kernel และ AutoGen พร้อมกับการกำหนดนิยามตัวแทนแบบประกาศ |
| การบูรณาการความจำ | ตัวเชื่อมต่อแบบ first-party สำหรับ Redis พร้อม Pinecone, Qdrant และระบบจัดเก็บข้อมูลแบบเวกเตอร์อื่น ๆ ที่สามารถใช้งานได้ผ่านตัวเชื่อมต่อแบบปลั๊กอิน |
| การประสานเครื่องมือ | การเรียกฟังก์ชัน OpenAI, ตัวเชื่อมต่อ Azure AI และรองรับโปรโตคอล MCP สำหรับ API ภายนอก |
| การจัดการอัตลักษณ์ | Entra Agent ID มอบเอกลักษณ์เฉพาะตัวด้วยการผสานรวมกับ Azure AD สำหรับการควบคุมการเข้าถึง |
| การสังเกตได้ | การติดตามเหตุผลในระดับขั้นตอน, การวัดผลโทเค็น, และความสามารถในการส่งออก OpenTelemetry |
| การปฏิบัติตามมาตรฐาน | การรองรับโดยกำเนิดสำหรับโปรโตคอลบริบทของโมเดล (MCP) และการสื่อสารระหว่างเอเจนต์ (A2A) |
พื้นฐานทางเทคนิคนี้วางตำแหน่ง MAF ให้เป็นทั้งแพลตฟอร์มการพัฒนาและรันไทม์สำหรับการดำเนินงานสำหรับการปรับใช้เอเจนต์ขององค์กร
การทำงานภายในของ Microsoft Agent Framework
MAF ดำเนินงานผ่านชั้นเทคนิคที่แยกออกจากกันห้าชั้น ซึ่งทำงานร่วมกันเพื่อให้สามารถตัดสินใจและดำเนินการตามภารกิจได้โดยอัตโนมัติ
- ชั้นการประสานงาน: ใช้ DSL แบบประกาศพร้อมรูปแบบการวางแผนที่แน่นอนและแบบไดนามิกสำหรับการประสานงานหลายเอเจนต์
- การจัดการหน่วยความจำ: รองรับการเก็บข้อมูลแบบปลั๊กอินได้ รวมถึง Redis, Pinecone, Qdrant, Weaviate และ Elasticsearch สำหรับการคงบริบท
- การผสานเครื่องมือ: เปิดใช้งานการเรียกฟังก์ชัน OpenAI, โครงสร้าง OpenAPI และตัวเชื่อมต่อบริการ Azure AI ผ่านโปรโตคอลมาตรฐาน
- กรอบการทำงานด้านความปลอดภัย: ดำเนินการติดตั้ง Entra Agent ID สำหรับเอกลักษณ์เฉพาะตัว และผสานรวมการควบคุมการปฏิบัติตามข้อกำหนดผ่าน Azure AD
- ชุดเครื่องมือสำหรับการสังเกตการณ์: บันทึกการติดตามเหตุผลทีละขั้นตอน, ข้อมูลโทเค็น, และส่งออกข้อมูล OpenTelemetry สำหรับการตรวจสอบ
ชั้นสถาปัตยกรรมเหล่านี้สร้างรากฐานที่แข็งแกร่งซึ่งสมดุลระหว่างความยืดหยุ่นกับความต้องการด้านการกำกับดูแลขององค์กร
จุดแข็งหลักและช่องว่างที่สำคัญของ Microsoft Agentic AI
Microsoft Agent Framework โดดเด่นในการรวมเครื่องมือที่เคยกระจัดกระจายเข้าด้วยกัน ในขณะที่ยังคงรักษาความเข้ากันได้กับมาตรฐานเปิด
การผสานรวมความสามารถในการผลิตของ Semantic Kernel เข้ากับนวัตกรรมงานวิจัยของ AutoGen ในกรอบการทำงานนี้ สร้างข้อเสนอคุณค่าที่น่าสนใจสำหรับองค์กรที่ต้องการทั้งความมั่นคงและนวัตกรรม
การยึดมั่นของ MAF ต่อโปรโตคอลบริบทแบบจำลองและมาตรฐานตัวแทนต่อตัวแทนช่วยให้สามารถทำงานร่วมกันได้ทั่วทั้งระบบนิเวศของผู้ขาย
อย่างไรก็ตาม องค์กรที่ย้ายระบบจาก Semantic Kernel หรือ AutoGen ที่มีอยู่เดิมจะต้องเผชิญกับภาระในการปรับโครงสร้างใหม่ (refactoring) เนื่องจากต้องปรับตัวให้เข้ากับรูปแบบและ API ใหม่
การเชื่อมโยงอย่างแน่นแฟ้นของกรอบการทำงานกับโครงสร้างพื้นฐานของ Azure สร้างความกังวลเกี่ยวกับการผูกขาดกับผู้ให้บริการรายเดียว โดยเฉพาะอย่างยิ่งสำหรับการปรับใช้แบบหลายคลาวด์
นอกจากนี้ แม้ว่าฟีเจอร์การสังเกตการณ์จะมอบข้อมูลเชิงลึกอย่างละเอียด แต่ฟีเจอร์เหล่านี้อาจก่อให้เกิดภาระด้านประสิทธิภาพในสถานการณ์ที่มีปริมาณงานสูง และราคาสำหรับการใช้งานแบบถาวรยังไม่เปิดเผย ทำให้การวางแผนต้นทุนสำหรับเวิร์กโฟลว์ของเอเจนต์ที่ทำงานต่อเนื่องเป็นระยะเวลานานมีความซับซ้อน
การกำหนดราคาและการออกใบอนุญาต: สิ่งที่ไมโครซอฟท์เรียกเก็บสำหรับ AI แบบตัวแทน
ไมโครซอฟท์ใช้การเรียกเก็บเงินตามการใช้งานผ่านบริการAzure AI Foundry Agent Serviceค่าบริการจะเกิดขึ้นตามการเรียกใช้โมเดลและการทำงานของเครื่องมือ โดยอัตราค่าบริการแบบละเอียดต่อโทเค็นและเซสชันถาวรยังไม่เปิดเผยต่อสาธารณะ
แนวทางนี้ช่วยให้สามารถทดลองใช้งานและขยายได้ตามการใช้งาน แม้ว่าจะยังไม่เปิดเผยระดับราคาเฉพาะ ณ เดือนตุลาคม 2568
ตัวไลบรารี MAF นั้นเป็นโอเพนซอร์ส ซึ่งช่วยลดอุปสรรคในการพัฒนาและทดสอบในขั้นต้น อย่างไรก็ตาม การนำไปใช้งานจริงในเชิงการผลิตจำเป็นต้องใช้บริการ Azure AI ซึ่งจะมีค่าใช้จ่ายสะสมจากการเรียกใช้ API ของโมเดล การใช้คอนเน็กเตอร์ และการจัดการเซสชันแบบถาวร
การนำไปใช้จริงในโลกจริงของ Microsoft Agent Framework
หลายองค์กรขนาดใหญ่ได้นำ MAF มาใช้สำหรับการPLOYMENT ตัวแทนการผลิต ซึ่งแสดงให้เห็นถึงความพร้อมของมันสำหรับองค์กรในหลากหลายกรณีการใช้งาน
การนำไปใช้ในระยะแรกแสดงให้เห็นผลลัพธ์ที่น่าพอใจในอุตสาหกรรมที่ต้องปฏิบัติตามข้อกำหนดอย่างเข้มงวด:
- การปรับใช้ KPMG: สร้างระบบมัลติเอเจนต์ที่พร้อมสำหรับการตรวจสอบ พร้อมระบบติดตามการปฏิบัติตามข้อกำหนด ช่วยลดความต้องการในการตรวจสอบด้วยตนเอง
- การผสานรวมกับ Commerzbank: ดำเนินการติดตั้ง MAF สำหรับการอัตโนมัติของกระบวนการทำงาน (workflow automation) ซึ่งช่วยให้เกิดการเพิ่มประสิทธิภาพที่สามารถวัดได้ในการดำเนินงานทางการเงิน
- การผลิต BMW: ติดตั้งตัวแทนสำหรับกระบวนการทำงานด้านการวินิจฉัย โดยใช้ความสามารถในการสังเกตของ MAF เพื่อสนับสนุนกระบวนการประกันคุณภาพ
การปฏิบัติการเหล่านี้เน้นย้ำถึงความแข็งแกร่งของ MAF ในสภาพแวดล้อมที่มีการกำกับดูแลซึ่งต้องการการตรวจสอบย้อนกลับและการควบคุมการกำกับดูแลอย่างสูงสุด
แผนงานและมุมมองการแข่งขันสำหรับ Microsoft Agentic AI
วิสัยทัศน์เชิงกลยุทธ์ของ Microsoft สำหรับ MAF เน้นการบูรณาการอย่างต่อเนื่องกับระบบนิเวศ Azure ที่กว้างขึ้น ในขณะที่ยังคงรักษาความเข้ากันได้กับมาตรฐานเปิด กำหนดการพัฒนาแสดงให้เห็นถึงความก้าวหน้าอย่างต่อเนื่องสู่ความสามารถระดับองค์กร
มองไปข้างหน้า Microsoft มีแผนที่จะขยายการผสานรวมกับบริการไมโครของ NVIDIA NIM และเพิ่มการสนับสนุนสำหรับสถาปัตยกรรมหน่วยความจำที่หลากหลาย แผนงานนี้รวมถึงตัววางแผนแบบปลั๊กอินเพิ่มเติมและการสนับสนุนตัวเชื่อมต่อแบบมัลติคลาวด์แบบเนทีฟ
การวางตำแหน่งเชิงกลยุทธ์นี้ช่วยรักษาความได้เปรียบในการแข่งขันของไมโครซอฟท์ไว้ในขณะที่ส่งเสริมการเติบโตของระบบนิเวศผ่านมาตรฐานเปิด
เริ่มต้นใช้งาน Microsoft Agentic AI ใน 7 ขั้นตอน
การนำ MAF ไปใช้จำเป็นต้องมีการตั้งค่าอย่างเป็นระบบในทุกขั้นตอน ตั้งแต่การพัฒนา การปรับใช้ ไปจนถึงการดำเนินงาน
- ติดตั้งสิ่งจำเป็น: ดาวน์โหลด MAF SDK จาก GitHub และกำหนดค่าสภาพแวดล้อมการพัฒนาของคุณ
- กำหนดค่า Azure: ตั้งค่าข้อมูลประจำตัว Azure AI Foundry และสร้างการเชื่อมต่อบริการ
- กำหนดรูปแบบตัวแทน: สร้างคำจำกัดความของตัวแทนแบบประกาศโดยใช้รูปแบบ DSL ของ MAF
- กำหนดค่าที่เก็บข้อมูลหน่วยความจำ: เชื่อมต่อกับ Redis, Pinecone หรือฐานข้อมูลเวกเตอร์ที่คุณชื่นชอบ
- ติดตั้งตัวเชื่อมต่อเครื่องมือ: ตั้งค่าการผสานเครื่องมือที่สอดคล้องกับ MCP สำหรับการเข้าถึง API ภายนอก
- ปรับใช้การควบคุมความปลอดภัย: กำหนดค่า Entra Agent ID และสร้างกรอบการปฏิบัติตามข้อกำหนด
- เปิดใช้งานการตรวจสอบ: เปิดใช้งานการส่งออก OpenTelemetry และกำหนดค่าแดชบอร์ดการสังเกตการณ์
ด้วยการกำหนดค่าที่เหมาะสมและโครงสร้างพื้นฐาน Azure ที่มีอยู่ ทีมงานพัฒนาจะเห็นผลลัพธ์เบื้องต้นภายในไม่กี่วัน โดยสามารถพร้อมใช้งานสำหรับการผลิตเต็มรูปแบบได้ภายในไม่กี่สัปดาห์แทนที่จะเป็นเดือน
คำถามที่พบบ่อย
MAF รวม Semantic Kernel และ AutoGen เข้าด้วยกันในขณะที่ยังคงความเข้ากันได้กับมาตรฐานเปิด ทำให้มีความยืดหยุ่นในการวิจัยและความน่าเชื่อถือในระดับองค์กรในแพลตฟอร์มเดียว
ขณะนี้ได้รับการปรับให้เหมาะสมสำหรับ Azure โดยเฉพาะ แม้ว่าโปรโตคอล MCP และ A2A จะช่วยให้สามารถผสานรวมเครื่องมือข้ามคลาวด์ได้ โดยต้องมีการกำหนดค่าคอนเน็กเตอร์เพิ่มเติม
การติดตามการให้เหตุผลในระดับขั้นตอน, การวัดผลในระดับโทเค็น, และความสามารถในการส่งออกข้อมูลผ่าน OpenTelemetry ช่วยให้สามารถตรวจสอบและแก้ไขปัญหาพฤติกรรมของเอเจนต์ได้อย่างครอบคลุม
ใช่ ด้วยรหัสตัวแทน Entra, การควบคุมการปฏิบัติตามข้อกำหนด และเส้นทางการตรวจสอบอย่างละเอียด MAF ตอบสนองความต้องการด้านการกำกับดูแลสำหรับบริการทางการเงิน การดูแลสุขภาพ และภาคส่วนที่มีการกำกับดูแลอื่นๆ
การย้ายข้อมูลต้องมีการปรับโครงสร้างใหม่ให้เข้ากับรูปแบบ API และไวยากรณ์ DSL ใหม่ แม้ว่าแนวคิดหลักจะยังคงคุ้นเคยกับนักพัฒนา Semantic Kernel ที่มีอยู่