DEV Community: Jonathan Castillo

Microsoft Agent Framework: una visión práctica para sistemas multiagente

Jonathan Castillo — Wed, 17 Dec 2025 08:31:12 +0000

Crear un agente con modelos de lenguaje hoy en día es relativamente sencillo. Existen librerías y servicios que permiten conectar un LLM con herramientas, datos y APIs en muy poco tiempo.

Las dificultades aparecen cuando el sistema deja de ser un único agente y empieza a crecer. A medida que se añaden más pasos y más componentes interactuando entre sí, surgen problemas habituales: pérdida de contexto entre interacciones, resultados inconsistentes y poca visibilidad sobre cómo se toman ciertas decisiones. A esto se suman preocupaciones más serias, como la seguridad, la trazabilidad y el manejo de flujos que no se resuelven en una sola llamada.

Herramientas como Semantic Kernel o plataformas como Azure AI Foundry ayudan mucho en la integración y el despliegue de modelos, pero no eliminan por sí solas estos retos cuando entran en juego varios agentes colaborando. En ese punto, contar con una orquestación más explícita y con mayor control sobre el flujo se vuelve fundamental.

Ahí es donde aparece Microsoft Agent Framework (MAF): no como una solución que “arregla” estos problemas, sino como un marco que propone una forma más estructurada de abordarlos, poniendo el énfasis en la orquestación, la observabilidad y la seguridad desde el diseño.

Con ese contexto en mente, vale la pena preguntarse por qué Microsoft decidió introducir un nuevo framework en un ecosistema que ya está bastante poblado.

¿Por qué otro framework de agentes?

La pregunta es razonable. El ecosistema ya cuenta con opciones como LangChain, LangGraph, AutoGen, Semantic Kernel, etc., además de servicios completos para desplegar modelos en la nube.

Microsoft Agent Framework no intenta competir por quién permite crear un agente funcional más rápido. Su foco es distinto: poner estructura donde los sistemas multiagente suelen volverse frágiles.

Gran parte de su diseño se apoya en aprendizajes previos:

Semantic Kernel, con su enfoque en conectores, funciones reutilizables y alineación con el ecosistema Microsoft.
AutoGen, que popularizó patrones de interacción entre agentes.

La diferencia es que MAF introduce más restricciones y más estructura. Esto añade complejidad, pero también reduce ambigüedad cuando los agentes dejan de ser piezas aisladas y pasan a formar parte de un sistema más grande.

Qué es Microsoft Agent Framework (y qué no)

Microsoft Agent Framework es un SDK open-source (Python y .NET) orientado a construir agentes y sistemas multiagente con un énfasis claro en:

orquestación explícita,
flujos de larga duración,
observabilidad y seguridad,
y estándares abiertos.

No es:

un wrapper ligero para LLMs,
ni una librería pensada solo para notebooks,
ni la opción más simple para un asistente básico.

Si ya has trabajado con Semantic Kernel o con servicios de despliegue como Azure AI Foundry, muchas ideas te resultarán familiares. La diferencia es que en MAF estas preocupaciones no aparecen como extensiones opcionales, sino como parte central del diseño.

La idea clave: agentes pensados para producción

Más allá del SDK, MAF se sostiene sobre cuatro ideas que atraviesan todo el framework.

Estándares abiertos desde el inicio

MAF adopta protocolos como MCP (Model Context Protocol), A2A (Agent-to-Agent) y OpenAPI. Esto permite definir herramientas y comunicación entre agentes de forma más clara, reducir el acoplamiento con proveedores concretos y facilitar la evolución del sistema.

Del experimento al sistema duradero

MAF conserva patrones conocidos de AutoGen (ejecución secuencial, concurrente, chats de grupo y handoffs) pero los envuelve en una capa que permite pausar, reanudar y mantener flujos largos sin perder completamente el estado.
Esto no elimina los problemas de calidad, pero sí los hace visibles y gestionables.

Extensibilidad diseñada desde el inicio

Memorias externas, definición declarativa de agentes y separación clara de responsabilidades ayudan a evitar soluciones improvisadas a medida que el sistema crece. Para quien ya haya trabajado con plugins en Semantic Kernel, esta evolución resulta bastante natural.

Observabilidad y seguridad como primera clase

Telemetría, integración con identidades corporativas, controles de contenido y soporte para human-in-the-loop no se añaden al final. Forman parte del flujo normal de trabajo.
Esto es clave cuando se quiere reducir el impacto de alucinaciones, detectar errores temprano o auditar decisiones tomadas por los agentes.

Profundizando en la estructura de un proyecto con MAF

Entender Microsoft Agent Framework pasa más por la estructura del sistema que por un ejemplo aislado de código.

Un proyecto con MAF suele separar explícitamente quién decide, quién ejecuta, qué herramientas existen y cómo fluye la información entre agentes. Esta separación no es solo organizativa; es una forma de reducir pérdida de contexto y resultados erráticos.

Una estructura conceptual típica podría verse así:

agent-system/
├─ agents/
│  ├─ supervisor.py
│  ├─ researcher.py
│  └─ validator.py
├─ tools/
│  ├─ search.py
│  ├─ summarize.py
│  └─ check_consistency.py
├─ workflows/
│  └─ main.yaml
├─ memory/
│  └─ shared_store.py
├─ config/
│  └─ settings.yaml
└─ app.py

Roles claros, menos ambigüedad

En lugar de un solo agente con un prompt cada vez más largo, MAF favorece roles bien definidos:

Un agente supervisor que coordina el flujo.
Agentes especializados que ejecutan tareas concretas.
Agentes de validación que revisan resultados antes de avanzar.

Esto no garantiza respuestas perfectas, pero sí reduce la probabilidad de que errores o alucinaciones pasen desapercibidos.

Workflows como contrato del sistema

Los workflows permiten describir explícitamente cómo se encadenan los agentes. Por ejemplo:

agents:
  supervisor:
    role: coordinator
  researcher:
    role: analysis
  validator:
    role: quality_control

workflow:
  start: supervisor
  steps:
    - supervisor -> researcher
    - researcher -> validator
    - validator -> supervisor

Este tipo de definición actúa como un contrato: deja claro qué agente interviene, en qué orden y con qué propósito. Cuando algo falla, el problema no se diluye en un prompt largo, sino que se puede rastrear hasta un punto concreto del flujo.

Memoria y estado explícitos

Otro punto importante es que la memoria deja de ser implícita. En lugar de confiar únicamente en el contexto del modelo, MAF promueve el uso de memorias externas y estado persistente, lo que ayuda a mantener coherencia en flujos largos y a reducir pérdidas de información entre pasos.

Comparativa rápida con otros frameworks

Visto desde la experiencia con herramientas ya consolidadas, MAF se posiciona de forma bastante clara.

Semantic Kernel es excelente para integrar servicios del ecosistema Microsoft y reutilizar funciones existentes. Sin embargo, su modelo se queda corto cuando se necesita coordinar varios agentes con reglas más estrictas.
LangGraph destaca por su potencia para modelar flujos complejos basados en grafos. Para quienes ya trabajan dentro del ecosistema LangChain, es una alternativa muy sólida. MAF, en cambio, apuesta más por estándares abiertos y una integración directa con servicios empresariales.
AutoGen es muy útil para explorar interacciones entre agentes, pero muestra limitaciones cuando el sistema necesita estabilidad y control. MAF toma muchas de esas ideas y las lleva a un contexto más estructurado.
El Agents SDK de OpenAI ofrece una experiencia limpia y productiva, especialmente en proyectos centrados en OpenAI. MAF apunta a escenarios más heterogéneos, donde conviven distintos modelos, herramientas y requisitos.

No hay una opción que gane en todos los frentes. Cada una responde a un tipo de problema distinto.

Cuándo tiene sentido usar Microsoft Agent Framework

MAF empieza a encajar cuando:

el sistema deja de ser un único agente,
la coherencia entre resultados importa,
los flujos no se limitan a una sola llamada,
y la seguridad y la trazabilidad son requisitos reales.

Para escenarios más simples, probablemente resulte excesivo. Pero cuando los problemas típicos de los sistemas multiagente empiezan a aparecer, su propuesta cobra sentido.

Reflexiones finales

Microsoft Agent Framework no viene a sustituir los frameworks que ya conocemos. Ocupa un espacio específico: el de los sistemas multiagente que necesitan orden, control y visibilidad.

No mejora al modelo ni elimina alucinaciones por sí solo. Lo que sí hace es ofrecer una estructura clara para detectar, contener y gestionar esos problemas cuando aparecen.

Referencias

Microsoft Agent Framework – Overview (Documentación oficial)
Página principal con la visión general, objetivos y componentes del framework.
https://learn.microsoft.com/en-us/agent-framework/overview/agent-framework-overview
Introducing Microsoft Agent Framework – Azure / Foundry Blog
Anuncio oficial del framework y explicación de su motivación, pilares y relación con otros frameworks de Microsoft.
https://devblogs.microsoft.com/foundry/introducing-microsoft-agent-framework-the-open-source-engine-for-agentic-ai-apps/
Microsoft Agent Framework – Repositorio oficial en GitHub
Código fuente, ejemplos, issues y evolución del proyecto.
https://github.com/microsoft/agent-framework
Microsoft Agent Framework – Quick Start
Guía oficial para crear los primeros agentes y entender la estructura básica del framework.
https://learn.microsoft.com/en-us/agent-framework/tutorials/quick-start
Azure AI Foundry Agents with Microsoft Agent Framework
Documentación oficial sobre cómo MAF se integra con Azure AI Foundry para agentes persistentes y escenarios enterprise.
https://learn.microsoft.com/en-us/agent-framework/user-guide/agents/agent-types/azure-ai-foundry-agent
Migration Guide: From Semantic Kernel to Microsoft Agent Framework
Comparación oficial y guía de transición desde Semantic Kernel hacia MAF.
https://learn.microsoft.com/en-us/agent-framework/migration-guide/from-semantic-kernel/
Azure AI Foundry – Documentación oficial
Descripción de la plataforma de Azure para desarrollo, despliegue y gobernanza de soluciones de IA.
https://learn.microsoft.com/en-us/azure/ai-foundry/

A quick overview of Microsoft Defender for Cloud.

Jonathan Castillo — Wed, 27 Dec 2023 08:01:01 +0000

Microsoft Defender for Cloud is a Cloud-Native Application Protection Platform (CNAPP) that aids in preventing, detecting, and responding to threats with increased visibility and control over resource security. It combines the functionalities of a Development Security Operations (DevSecOps) solution, a Cloud Security Posture Management (CSPM) solution, and a Cloud Workload Protection Platform (CWPP).

These capabilities provide organizations with the ability to manage the security of their resources and workloads, both in the cloud and on-premises environments, thereby enhancing their overall security posture. Additionally, it employs monitoring components to collect and store data, applying security policies and initiatives when making recommendations. It oversees a variety of Azure services, including Virtual Machines, Virtual Machine Scale Sets, and various PaaS services. Furthermore, it offers protection to multi-cloud resources, such as Amazon AWS and Google Cloud.

Security policies and initiatives.

Microsoft Defender for Cloud enhances security in both cloud and on-premises environments by utilizing security policies and initiatives. These initiatives, applied to subscriptions, contain one or more security policies that result in recommendations to improve the security posture.

In Azure, a policy is a statement that defines the allowed or denied actions on a resource. Policies help create governance rules that apply to Azure resources to ensure compliance with corporate and service standards. On the other hand, an initiative is a collection of policies that are grouped together to achieve a broader governance objective. Initiatives allow for the grouping of multiple policies and their consistent application across all resources or subscriptions. This helps simplify management and ensure compliance with security and governance policies throughout the organization.

Next steps

It's your turn to continue learning about Defender for Cloud. To assist you, I'm sharing its official documentation as well as an interactive guide.

If you want to learn more about Microsoft Azure, I invite you to take a look at the Azure Advent Calendar 2023. There you will find different examples of how the community is making the most of cloud computing.

Azure para Bioinformática (Parte 1).

Jonathan Castillo — Thu, 22 Dec 2022 20:01:14 +0000

Una breve introducción al cómputo en la nube.

La Bioinformática nos permite una mejor gestión y análisis de datos biológicos. Sin embargo, al trabajar con proyectos de este tipo, es probable enfrentarse a problemas relacionados con las limitaciones de nuestros equipos de cómputo, como la capacidad de procesamiento o de almacenamiento (por mencionar algunos).

Explorar nuevas herramientas que nos permitan optimizar nuestros flujos de trabajo, es indispensable para el éxito de nuestros proyectos. En esta ocasión nos enfocaremos en Microsoft Azure, una plataforma de cómputo en la nube. Pero, ¿qué es exactamente el Cómputo en la Nube?

Podemos definirlo como:

Prestación de servicios informáticos a través de Internet mediante un modelo de precios de pago por uso.

Al utilizar una plataforma de nube tendremos acceso a una gran variedad de servicios que cubran necesidades de almacenamiento, bases de datos, inteligencia artificial, proceso, redes, entre otros. Y de este modo, nos libraremos de las limitaciones, de este tipo, en nuestros proyectos.

Servicios que deberías conocer.

A continuación exploraremos algunos servicios que podrían ser de utilidad en tus primeros pasos en Azure. En próximas publicaciones hablaremos de situaciones específicas y analizaremos cuáles son los recursos que mejor se adaptan a nuestras necesidades.

Azure Storage

Azure Storage es un servicio de almacenamiento en la nube de alta disponibilidad, escalable y seguro. Además, ofrece los siguientes servicios de datos que se adaptan a diferentes escenarios:

Blobs de Azure.
Azure Files.
Colas de Azure.
Tablas de Azure.
Azure Disks.

Azure Virtual Machines

Una máquina virtual (VM) es un entorno virtual que funciona como sistema informático virtual, en otras palabras, es como tener "una computadora dentro de tu computadora". Una VM cuenta con su propia CPU, memoria, interfaz de red y almacenamiento, lo que le permite ser independiente de otras máquinas virtuales y del equipo físico que la hospeda.

Azure Machine Learning

Azure Machine Learning es un servicio que nos permite trabajar proyectos de aprendizaje automático. Este ofrece las siguientes herramientas a los usuarios:

AutoML permite automatizar la creación de modelo de Machine Learning.
Con Azure ML Designer entrene e implemente modelos de Machine Learning sin utilizar código.
El SDK de Azure ML para Python y R, puede escribir y ejecutar su código en cuadernos de Jupyter Notebook.

Como dato adicional, en los cuadernos de Azure ML podrás encontrar una colección de Jupyter Notebook para análisis de datos genómicos.

Próximas publicaciones.

Esta publicación es la primera parte de una serie en la que estaré trabajando. Próximamente exploraremos cómo utilizar los servicios de Microsoft Azure para situaciones específicas (con enfoque en el área de ciencias).

Aquí un pequeño adelanto de lo que estaremos hablando.

Continúa aprendiendo.

Si deseas conocer más acerca de Microsoft Azure, te invito a echar un vistazo al Calendario de Adviento Azure 2022. Allí encontrarás diferentes ejemplos de cómo la comunidad aprovecha al máximo el cómputo en la nube.