这个 Skill 能做什么，适合哪些场景？
这是 Microsoft Agent Framework Python SDK 的 Agent Skill，面向在 Azure AI Foundry 上创建持久化智能体的开发者。它覆盖 AzureAIAgentsProvider、函数工具、代码解释器、文件搜索、Bing 网页搜索、MCP、会话线程、流式响应和结构化输出。内容强调优先使用 DefaultAzureCredential，并通过异步上下文管理器释放客户端、凭据和传输资源。它适合已经拥有 Azure AI Foundry 项目并希望直接获得 Python 实现模式的团队；不适合作为独立运行时或完整 Azure 部署指南。
指导编码代理生成 Python 异步代码：安装 agent-framework 或 agent-framework-azure-ai，配置 Azure AI Foundry 项目端点和模型部署名称，使用 AzureAIAgentsProvider 创建、获取或包装智能体，注册函数和托管工具，调用 Agent.run() 或 Agent.run_stream()，通过 AgentThread 保持多轮对话，并使用 Pydantic 模型处理结构化输出。它还展示 HostedMCPTool、MCPStreamableHTTPTool 以及 Bing 搜索连接的使用方式。
- Python 开发者需要在 Azure AI Foundry 中创建一个带有自定义函数工具的异步智能体。
- 团队需要让智能体执行代码、搜索文件或通过 Bing 搜索网页。
- 应用需要使用 AgentThread 保存多轮对话，并在后续请求中恢复上下文。
- 开发者需要将智能体响应以 Pydantic 定义的结构化格式返回。
- 团队需要通过 MCP 接入服务托管或客户端管理的外部工具。
- 应用需要逐块输出智能体响应，以实现流式用户体验。
如何安装这个 Skill？
- 不要默认将 approval_mode="never_require" 用于具有写入、删除、私有数据或外部副作用的 MCP 工具；应按工具启用确认并限制 allowed_tools。
- 不要把示例中的 Bearer API key、项目端点、文件内容或线程标识直接用于生产；应确认凭据、数据流、保留策略和权限范围。
- 安装使用 --pre，且示例依赖 Azure AI Foundry、Bing、MCP 端点及网络可达性；部署前需锁定兼容版本并验证中国大陆网络与区域服务可用性。
- Shell / 命令行
- 网络访问
- MCP Server
Pythonagent-frameworkagent-framework-azure-aiazure.identitypydanticAzure AI Foundry project endpoint
可安装整个技能集合：npx skills add microsoft/skills，然后在向导中选择所需技能。README 说明技能会安装到所选编码代理的目录，例如 GitHub Copilot 使用 .github/skills/。本技能的源文件位于 .github/plugins/azure-sdk-python/skills/agent-framework-azure-ai-py/SKILL.md。运行示例所需的 Python 包安装命令是：pip install agent-framework --pre；或仅安装 Azure 专用包：pip install agent-framework-azure-ai --pre。源材料没有提供固定 Python 版本、单独 CLI 或独立安装包。
tmp="$(mktemp -d)"
git clone --depth 1 https://github.com/microsoft/skills.git "$tmp"
mkdir -p ~/.claude/skills
cp -R "$tmp/.github/plugins/azure-sdk-python/skills/agent-framework-azure-ai-py" ~/.claude/skills/
rm -rf "$tmp"根据源仓库地址和 Skill 路径自动生成，只复制这个 Skill 的文件夹。如果上文有作者提供的安装方式，请优先按作者说明操作；想只在当前项目中使用，把 ~/.claude/skills 换成项目里的 .claude/skills。
如何使用这个 Skill？
安装后，把下面任意一句发给 Agent 即可触发：
- 用 Microsoft Agent Framework Python SDK 创建一个 Azure AI Foundry 持久化智能体，使用 DefaultAzureCredential、代码解释器、MCP、会话线程和流式响应。
将该技能加载到编码代理后，可提出类似请求：“用 Microsoft Agent Framework Python SDK 创建一个 Azure AI Foundry 持久化智能体，使用 DefaultAzureCredential、代码解释器、MCP、会话线程和流式响应。”使用前需设置 AZURE_AI_PROJECT_ENDPOINT 和 AZURE_AI_MODEL_DEPLOYMENT_NAME；使用网页搜索时还需设置 BING_CONNECTION_ID。生产环境使用 DefaultAzureCredential 时，源材料要求设置 AZURE_TOKEN_CREDENTIALS=prod 或指定凭据，并使用 async with 管理异步凭据和客户端。
这个 Skill 有哪些优点和局限？
- 覆盖从基础创建到函数工具、托管工具、MCP、线程、流式响应和结构化输出的完整工作流。
- 明确强调 DefaultAzureCredential、生产凭据限制和异步资源清理。
- 提供可直接改造的 Python 代码示例和 Provider 方法速查表。
- MIT 许可证，且仓库公开说明仍在持续维护和扩展。
- 依赖 Azure AI Foundry 项目端点、模型部署和相应身份权限；源材料未说明具体权限配置。
- 网页搜索需要额外的 Bing 连接 ID，MCP 示例还依赖可访问的 MCP 服务。
- 示例使用 --pre 预发布包，源材料未提供版本锁定或兼容性矩阵。
- 源材料没有展示该具体技能的独立测试覆盖或详细错误处理方案。
- 技能只覆盖 Azure AI Foundry 的 Python Agent Framework，不应替代仓库中的其他 SDK 技能。
这个 Skill 与同类方案有什么区别？
与相关 Skills 并排比较；分数均按同一 FSRS 标准得出。
| Skill | FS 评分 | Star 数 | 最近更新 | License |
|---|---|---|---|---|
| Azure AI Foundry Agent Framework 本页 ✓ Microsoft · 官方 | 50 · 谨慎使用 | ★ 2.7k | 3 个月前 | MIT |
| Azure AI Projects TypeScript 技能 ✓ Microsoft · 官方 | 49 · 谨慎使用 | ★ 2.7k | 3 个月前 | MIT |
| Azure Voice Live Python 技能 ✓ Microsoft · 官方 | 52 · 谨慎使用 | ★ 2.7k | 3 个月前 | MIT |
| Azure AI Foundry 项目开发助手 ✓ Microsoft · 官方 | 50 · 谨慎使用 | ★ 2.7k | 3 个月前 | MIT |
| Azure 技能创建指南 ✓ Microsoft · 官方 | 48 · 谨慎使用 | ★ 2.7k | 3 个月前 | MIT |
FollowSkills 如何评估这个 Skill？
文档明确偏好 DefaultAzureCredential、生产环境凭据约束和客户端上下文管理，降低凭据暴露与资源泄漏风险；但 HostedMCPTool 多处示例使用 never_require，且展示 Bearer API key、文件上传和外部 API 调用，却缺少默认用户确认、数据流/保留说明、最小权限边界与回滚方案，因此扣分。
架构、安装、认证、线程、工具、MCP 和错误处理路径较完整，且提供重试与降级示例；但依赖使用 --pre、关键 API 未由该技能内测试复现，部分异常处理过宽，失败诊断和版本兼容信息不足，因此按静态证据保守扣分。
目标受众和主要场景清晰，包括持久代理、托管工具、MCP、线程和流式响应；但非适用范围、触发排除条件、服务可用性限制、中文支持及中国大陆网络可达性未说明，且核心功能依赖 Azure 服务，因此扣分。
SKILL.md 采用渐进式结构并链接四个主题参考文件，包含安装、环境变量、示例、限制性提示、MIT 许可证、作者和版本字段；但没有变更日志、兼容矩阵、明确维护责任/更新路径或系统化 FAQ，依赖与预览版风险也未充分说明，因此扣分。
示例覆盖基础代理、函数工具、托管工具、流式响应、线程、结构化输出、MCP 和重试，具备较高直接参考价值；但所有关键结果依赖真实 Azure 配置和服务，示例含占位符，未提供该技能专属的可验证输出或替代方案比较，因此受静态上限并扣分。
源文件提供了可审计的代码片段、配置说明和仓库级 CI/测试材料，支持有限的文档追踪；但没有显示针对本技能关键路径的提交测试套件或第三方执行证据，无法静态确认 API 正确性，因此保守评分。
点击维度查看打分理由
证据充分度：低 — 主要依赖静态检查、作者材料或有限演示；适合发现线索，不适合做高风险决策。
查看完整评分方法 →