#management#ai#integration

Agent Framework 1.20: Microsoft встраивает контроль над агентами

Гейты потока, изоляция файлов, чекпоинты и векторы в SQL Server: что релиз Agent Framework 1.20 говорит о выводе AI-агентов в прод.

  • Что вошло в релиз
  • Почему пилоты не доходят до прода
  • Как работают новые механизмы
  • Правило выбора платформы для агентов

Повод

  1. 2 октября Microsoft выпустила версию 1.20.0 Python-пакета Agent Framework.

  2. На этом фреймворке собирают AI-агентов и цепочки из них.

  3. Новых возможностей модели в релизе почти нет.

  4. Большая часть изменений отвечает на четыре вопроса: где хранятся данные агента, какие файлы ему можно читать, как задержать ответ модели до проверки и с какого шага продолжить работу после сбоя. Компании, которая внедряет агентов, стоит обратить на это внимание.

  5. До результата пилот доводит обвязка вокруг модели, и Microsoft начала поставлять её в составе фреймворка.

Что вошло в релиз

- Хостинг workflow в Azure AI Foundry (пакет `agent-framework-foundry-hosting`).

Цепочку агентов, собранную во фреймворке, можно опубликовать как сервис и вызывать через Foundry Responses и Foundry Invocations. - Встроенные векторные коннекторы для DuckDB и SQL Server и коннектор TypeSafe AI. - Гейты и буферизация потока ответа (response-stream gates). - Изоляция доступа к файлам в рамках сессии. - Типизированное состояние чекпоинта для `AgentExecutor`. - Передача `FunctionInvocationContext` в скрипты навыков, которую разработчик включает явно.

По отдельности эти изменения выглядят мелкими.

Вместе они закрывают вопросы, на которых обычно застревает пилот.

Почему пилоты не доходят до прода

  1. Демо агента команда собирает за неделю.

  2. Потом служба безопасности, эксплуатация и юристы задают свои вопросы: - В какую базу уходят документы и кто её бэкапит? -

  3. Что будет, если модель выдаст персональные данные прямо в чат клиенту? -

  4. Может ли агент одного пользователя прочитать файлы другого? -

  5. Процесс на 40 шагов упал на тридцатом.

  6. Запускать заново и снова платить за токены?

  7. Если на каждый из этих вопросов команда отвечает «доработаем», пилот так и остаётся пилотом.

  8. Бюджет потрачен, метрика стоит на месте, и спрашивать будут с того, кто проект предложил.

  9. Время до пользы (TTU, time to use) в таких проектах растёт из-за инфраструктуры.

  10. Модель на эти вопросы не отвечает, на них отвечает архитектура вокруг неё.

Оценить, где ИИ даст эффект в вашем процессе

Почта clients@kt.team Telegram @kt_team_it

Как работают новые механизмы

### Векторы в базе, которая уже есть Векторное хранилище - это база, где фрагменты текста лежат в виде числовых векторов.

По ним ищут документы, близкие по смыслу.

На этом построен RAG: агент сначала находит нужные документы и только потом отвечает.

Встроенный коннектор к SQL Server позволяет держать векторы в той же СУБД, где у компании уже настроены права, резервные копии и аудит.

Отдельный кластер поднимать и согласовывать с безопасностью не нужно

DuckDB подходит для локальной аналитики и прототипов без сервера. ### Гейт на потоке ответа

Модель отдаёт ответ кусками (стримингом), чтобы пользователь не ждал

Из-за этого фрагмент с номером договора или выдуманной ценой может дойти до экрана раньше, чем его проверили.

Гейт держит фрагменты в буфере, пока проверка их не пропустит.

Пользователь ждёт дольше ровно на время проверки, зато клиент видит текст уже после контроля. ### Изоляция файлов и чекпоинты

Изоляция по сессии ограничивает агента файлами текущего диалога

Агент, который разбирает договор одного контрагента, не может открыть документы другого.

Чекпоинт - это сохранённое состояние исполнителя, из которого процесс продолжается после сбоя. В 1.20 состояние описано через `TypedDict`, то есть словарь Python с объявленными полями и типами.

Ошибку в структуре состояния ловит проверка типов до запуска.

Без неё ошибка всплывёт ночью, на тысячном документе. ### Контекст для навыков

Скрипт навыка (skill) может получать данные о вызове: сессию и параметры.

По умолчанию передача выключена, разработчик включает её явно.

Навык знает ровно столько, сколько ему разрешили.

Хостинг в Foundry привязан к Azure, и в российском контуре его применимость ограничена.

Остальные механизмы переносятся на другой стек и другую модель, включая GigaChat, YandexGPT и Qwen в закрытом контуре.

Правило выбора платформы для агентов

Прежде чем выбирать фреймворк по качеству демо, задайте поставщику или своей команде четыре вопроса:

Где хранятся векторы и входит ли это хранилище в существующий контур бэкапов и прав?

Можно ли остановить ответ модели до того, как его увидит пользователь?

Какие файлы и системы агент видит в конкретной сессии?

С какого шага продолжится процесс после падения

Четыре конкретных ответа говорят о том, что у агента есть шанс дойти до прода. Если хотя бы на один вопрос ответа нет, проект, скорее всего, встанет именно на нём.

Как мы закрываем это в проектах

  1. В KT.Team мы закрываем эти требования на уровне архитектуры, поэтому решение не зависит от того, выпустит ли конкретный фреймворк нужную функцию. LLM & Security Gateway стоит между приложениями и моделями: маскирует персональные данные, применяет политики к ответам и пишет журнал запросов.

  2. По сути, это тот же гейт на потоке, только общий для всех агентов компании. RAG мы строим поверх баз, которые уже работают в инфраструктуре клиента: Elasticsearch, 1С, PIM.

  3. Агенты получают доступ к корпоративным системам через MCP с правами под конкретную задачу.

  4. Длинные процессы мы раскладываем на события в Apache Kafka, поэтому упавший шаг можно переиграть без повтора всей цепочки. Возьмём каталоги.

  5. Генерация текстов карточек товаров и разметка таксономии в Akeneo или Pimcore - это прогоны по тысячам SKU.

  6. Если чекпоинтов нет, сбой на середине прогона приводит к двойному счёту за токены и сдвигает запуск ассортимента. С чекпоинтами процесс продолжается с последней сохранённой позиции.

Вывод

Релиз 1.20 показывает, что агентные фреймворки превращаются в скучную инфраструктуру, и это хорошая новость. Бизнесу нужен агент, которого можно остановить, ограничить и перезапустить с нужного места, даже если на демо он выглядит скромно. Команды, которые выбирают стек по этим свойствам, сокращают путь от пилота до прода. Те, кто выбирает по эффектному демо, рискуют запустить ещё один пилот, который никуда не придёт.

Обсудить статью: Agent Framework 1.20: Microsoft…

Укажите email или телефон, чтобы мы могли вам ответить.

Отправить через:

Нажимая кнопку, вы принимаете оферту и предоставляете согласие на обработку персональных данных.

Похожие кейсы

Все кейсы

Связанные решения

Все решения
ИИ‑мониторинг — автоматический контроль процессов и событийИИ-ассистент по Росреестру: выписки ЕГРН, проверка и мониторингGEO-оптимизация сайта: продвижение в нейросетях и ИИ-поискеИИ-бухгалтер в вашем контуре: цена внедрения и инференса

Статьи по теме

Подборка про ИИ в бизнесе

Видео по теме

Все видео
Shorts Какой “KPI” Amazon определила разработчикам в эпоху ИИ? AIКоманды и наймУправление
Shorts Не успеваешь за ИИ? Развивай коммуникацию и ответственность AI
Shorts ИИ не усиливает слабых! AI

Новости по теме

Все новости