Microsoft presenta una ruta práctica de cuatro sesiones para construir un agente de inteligencia artificial en C# utilizando Microsoft Agent Framework, desde una invocación sencilla que envuelve la interfaz IChatClient hasta un agente que puede ser supervisado, evaluado, gobernado y desplegado en Microsoft Foundry. El ejemplo utiliza un asistente educativo de finanzas personales para mostrar las diferencias entre leer datos, modificar archivos y ejecutar una acción con impacto, como una operación bursátil simulada.
¿Qué se entiende por Agent Harness?
El modelo lingüístico puede generar texto, pero por sí solo no proporciona el bucle operativo necesario para un agente. Este bucle invoca herramientas, examina sus resultados, actualiza el plan, conserva la memoria, gestiona la ventana de contexto, solicita la aprobación del usuario para acciones sensibles y continúa trabajando hasta completar la tarea. La fuente denomina harness a esta capa envolvente, mientras que el concepto de “claw” hace referencia a un agente con un estilo de herramientas de línea de comandos construido sobre esta capa.
En el ejemplo, basta una configuración que incluya instrucciones y herramientas para iniciar un agente capaz de invocar funciones automáticamente, guardar el historial después de las invocaciones al modelo, crear listas de tareas, comprimir el contexto, utilizar memoria de archivos y ejecutar búsquedas web cuando el servicio del modelo lo admita, además de solicitar aprobaciones de herramientas y enviar datos de telemetría mediante OpenTelemetry. Estas capacidades siguen siendo sustituibles, desactivables o ampliables mediante proveedores personalizados.
Cuatro etapas para construir el agente
La primera sesión comienza transformando un cliente conversacional conectado a un modelo de Microsoft Foundry en un agente equipado con una herramienta personalizada de C# para obtener el precio ilustrativo de una acción. Cuando se pregunta al agente por el precio de MSFT, el modelo selecciona la herramienta, el harness la invoca y después devuelve el resultado al modelo para generar la respuesta. Ante una tarea más amplia, como revisar una lista de seguimiento y sugerir qué debería investigarse a continuación, el agente puede crear un plan y una lista de tareas sin que el desarrollador tenga que construir un motor de planificación independiente para la demostración.
La segunda sesión se centra en trabajar de forma segura con los datos del usuario. El agente lee un archivo de cartera en formato CSV únicamente desde una carpeta de trabajo autorizada, mientras que los límites definidos le impiden acceder a rutas aleatorias del sistema de archivos. Asimismo, la operación bursátil simulada se encapsula en una herramienta que requiere aprobación, de modo que el modelo puede solicitar la acción, pero no ejecutarla directamente. En cambio, las operaciones de solo lectura pueden pasar automáticamente para evitar saturar al usuario con solicitudes de confirmación innecesarias.
La fuente también presenta una política de aprobación con límite temporal: cinco segundos por intento y un máximo de cinco intentos, con reintento cuando no hay entrada o esta no es válida, aprobación inmediata al introducir y y rechazo al introducir n, seguido del rechazo automático después del último intento. También analiza la diferencia entre una memoria JSON local propiedad de la application y Microsoft Foundry Memory, y confirma que el hecho de que el modelo diga «lo he guardado» no demuestra que los datos se hayan escrito realmente ni que se hayan guardado dentro del alcance correcto.
En la tercera sesión se añaden habilidades que encapsulan conocimientos especializados en archivos que no se cargan completamente en las instrucciones básicas salvo cuando son necesarios, además de un acceso restringido al shell, la ejecución de CodeAct para ejecutar código en un entorno controlado y agentes secundarios que pueden realizar tareas de investigación independientes en paralelo. La fuente señala explícitamente que la aprobación y las políticas no sustituyen al aislamiento al ejecutar comandos o código.
¿Qué cambia en la práctica en un entorno de producción?
La cuarta sesión está dedicada a la supervisión, la gobernanza, la evaluación y el despliegue. La supervisión incluye trazas de OpenTelemetry, invocaciones de herramientas y del modelo y consumo de tokens, mientras que la gobernanza se vincula con las políticas de Microsoft Purview. También se utilizan evaluaciones recurrentes para convertir la impresión sobre la calidad de la demostración en una señal medible, y se plantea la opción de desplegar el agente alojado en Foundry compartiendo una única definición entre una aplicación de consola, un punto de conexión alojado y un entorno de evaluación.
El mensaje más importante es que la capacidad de ensamblar capacidades no implica que todas deban trasladarse a producción. El agente de desarrollo puede necesitar archivos o shell, pero el contenedor alojado compartido no debería heredar un acceso local amplio solo porque esos permisos resultaran útiles durante la construcción. Determinar qué se permite leer, escribir, ejecutar, recordar o rastrear sigue siendo una decisión de diseño de la entidad desarrolladora.
¿Por qué es importante este enfoque?
La capa de harness reduce la necesidad de reconstruir el bucle de herramientas, planificación, memoria y aprobaciones para cada proyecto, pero no elimina la responsabilidad de definir los límites. El valor práctico de la serie es que vincula las capacidades avanzadas con sus controles correspondientes: los archivos con una carpeta autorizada, las acciones sensibles con una aprobación, la memoria con un resultado de almacenamiento verificable, la ejecución de código con el aislamiento y las políticas, y el despliegue con la supervisión y la evaluación. Los ejemplos financieros siguen siendo educativos; los precios y las operaciones utilizados son simulados e ilustrativos, y no constituyen asesoramiento financiero.