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-overviewIntroducing 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-frameworkMicrosoft 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-startAzure 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-agentMigration 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/
Top comments (1)
Muchas gracias por tu publicación Jonathan, excelente aportación para la serie Diciembre de Agentes, en unos instantes comparto tu publicación con la comunidad :)