AI Agents for Beginners - 2. Explore Agentic Frameworks

A comparison of Microsoft Agent Framework and Azure AI Agent Service — modular components, multi-agent collaboration, and when to use each for building production AI agents.

June 8, 2026

ai ai-agents

AI Agents for Beginners - 2. Explore Agentic Frameworks

이 글은 Microsoft의 AI Agents for Beginners 강좌 Lesson 02를 기반으로 정리한 내용입니다.

출처: microsoft/ai-agents-for-beginners - 02-explore-agentic-frameworks

What are AI Agent Frameworks?

AI Agent Framework는 AI agent의 생성, 배포, 관리를 단순화하기 위한 소프트웨어 플랫폼입니다.
개발자가 복잡한 AI 시스템을 구축할 때 공통 문제를 해결하는 표준화된 접근 방식, pre-built 컴포넌트, tool을 제공합니다.

기존 AI Framework도 앱에 AI를 통합하는 데 도움을 주지만, AI Agent Framework는 한 단계 더 나아갑니다.

Traditional AI Framework가 제공하는 기능:

Capability	설명	예시
Personalization	사용자 행동·선호도 분석 → 맞춤 추천 및 경험 제공	Netflix 시청 기록 기반 콘텐츠 추천
Automation & Efficiency	반복 작업 자동화, 워크플로우 개선	CS 챗봇으로 일반 문의 자동 처리
Enhanced UX	음성 인식·NLP·예측 텍스트로 사용자 경험 향상	Siri·Google Assistant 음성 명령

AI Agent Framework가 추가로 제공하는 핵심 능력:

Capability	설명
Agent Collaboration	여러 에이전트가 협력·통신하며 복잡한 태스크를 함께 해결
Task Automation	멀티스텝 워크플로우 자동화, 태스크 위임, 동적 태스크 관리
Contextual Adaptation	컨텍스트를 이해하고 실시간 정보로 환경에 적응해 의사결정

How to Prototype and Iterate Quickly

빠르게 prototype하고 반복 개선할 수 있는 세 가지 핵심 전략이 있습니다.

Modular Components

AI SDK는 AI connector, tool definition, memory module, prompt template 등 pre-built 컴포넌트를 제공합니다.
처음부터 만들지 않고 조합해서 빠르게 prototype을 만들 수 있습니다.

Microsoft Agent Framework의 AzureAIProjectAgentProvider를 사용한 예시:


modular_agent.py
python


modular_agent.py Flow
Mermaid
flowchart TD
    User["User\n'Go to New York on Jan 1, 2025'"]
    --> Provider["AzureAIProjectAgentProvider\ncreate_agent(tools=[book_flight])"]
    Provider --> Agent["travel_agent"]
    Agent --> LLM["LLM\n요청 분석 → book_flight 호출 결정"]
    LLM --> Tool["book_flight(date, location)"]
    Tool --> Agent2["Agent\n결과 수신 → 응답 생성"]
    Agent2 --> Response["'Travel was booked to New York on Jan 1'"]

pre-built parser가 user input에서 key 정보(출발지, 목적지, 날짜)를 추출하는 방식에 주목하세요.
이 모듈식 접근 방식 덕분에 high-level 로직에만 집중할 수 있습니다.

Collaborative Tools

여러 에이전트에 각각 특화된 역할을 부여하고, 서로 협력하도록 설계할 수 있습니다.


multi_agent.py
python


multi_agent.py Flow
Mermaid
flowchart TD
    Task["Task: Retrieve sales data for Q4"]
    --> AgentR["dataretrieval agent\ntool: retrieve_tool"]
    AgentR --> R1["retrieval_result"]
    R1 --> AgentA["dataanalysis agent\ntool: analyze_tool"]
    AgentA --> R2["analysis_result\n(final insights)"]

각 에이전트가 전문 기능을 수행하고 결과를 연결함으로써, 태스크 효율과 성능이 향상됩니다.

Real-Time Learning

Advanced framework는 에이전트가 interaction에서 배운 내용을 반영해 동작을 동적으로 조정할 수 있게 합니다.
user feedback, 환경 데이터, task outcome을 분석해 지식 베이스를 갱신하고, 지속적으로 개선하는 피드백 루프를 구현할 수 있습니다.

Microsoft Agent Framework vs Azure AI Agent Service

이 강좌에서 핵심적으로 다루는 두 가지 접근 방식을 비교합니다.

Microsoft Agent Framework (MAF)

AzureAIProjectAgentProvider를 중심으로 한 streamlined SDK입니다.
Azure OpenAI 모델 기반의 tool calling, conversation management, Azure identity 통합을 제공하며 production-ready agent를 빠르게 만들 수 있습니다.

핵심 구성 요소:

Agents — create_agent()로 생성하며, 이름·지시사항·tool을 설정합니다:


maf_agent.py
python


maf_agent.py Flow
Mermaid
flowchart LR
    Setup["create_agent(name, instructions)"]
    --> Agent["Agent instance\n(my_agent)"]
    Agent --> Run["agent.run('Hello, World!')"]
    Run --> Response["Response text"]

Tools — Python 함수로 tool을 정의하고 에이전트에 등록합니다. 에이전트가 컨텍스트에 따라 자동으로 호출합니다:


maf_tool.py
python


maf_tool.py Flow
Mermaid
flowchart TD
    Func["get_weather(location) 정의"]
    --> Register["create_agent(tools=[get_weather])"]
    Register --> Agent["weather_agent"]
    User["User message"] --> Agent
    Agent --> LLM["LLM\ntool 호출 여부 결정"]
    LLM -->|"필요 시 자동 호출"| Func2["get_weather(location)"]
    Func2 --> Agent
    Agent --> Response["Response"]

Multi-Agent Coordination — 역할이 다른 여러 에이전트를 조합해 복잡한 태스크를 분담할 수 있습니다:


maf_multi_agent.py
python


maf_multi_agent.py Flow
Mermaid
flowchart TD
    Input["'Plan a trip to Paris'"]
    --> Planner["planner agent\nBreak down complex tasks into steps"]
    Planner --> Plan["plan (step-by-step text)"]
    Plan --> Executor["executor agent\nExecute steps using tools"]
    Executor --> Result["Final result"]

Azure Identity Integration — AzureCliCredential 또는 DefaultAzureCredential을 사용해 API key 없이 안전하게 인증합니다.

Azure AI Agent Service

Microsoft Ignite 2024에서 발표된 서비스로, Azure Foundry 내에서 에이전트를 빌드·배포하는 플랫폼 서비스입니다.
Llama 3, Mistral, Cohere 같은 오픈소스 LLM을 직접 사용할 수 있고, 엔터프라이즈 수준의 보안과 데이터 저장을 제공합니다.

핵심 구성 요소:

Agent — project_client.agents.create_agent()로 생성하며, model과 tool을 지정합니다.

Thread & Messages — thread는 에이전트와 사용자 간의 대화를 나타냅니다.
create_and_process_run()으로 에이전트에 작업을 요청하고, message로 응답을 받습니다:


azure_ai_agent_service.py
python

zenuml
    title azure_ai_agent_service.py Flow
    Client->AgentService: create_agent(model, name, tools)
    Client->AgentService: create_thread()
    Client->AgentService: create_message(thread_id, user_input)
    Client->AgentService: create_and_process_run(thread_id, agent_id)
    AgentService->LLM: process request with tools
    LLM->AgentService: tool calls and response
    AgentService->Client: list_messages() returns response

Thread/Message 구조가 중요한 이유:

대화 상태(context)를 여러 turn에 걸쳐 유지
응답은 text, image, file 등 다양한 형태 가능
MAF(AzureAIProjectAgentProvider)와 완전히 통합되어 동작

Which One to Use?

두 접근 방식은 상호 배타적이지 않습니다. 함께 사용하는 것이 권장됩니다.


MAF vs Azure AI Agent Service
Mermaid
flowchart TD
    Start["What do you need?"] --> Q1{Quick start\nwith simple API?}
    Q1 -->|Yes| MAF["Microsoft Agent Framework\nAzureAIProjectAgentProvider\n빠른 프로토타이핑"]
    Q1 -->|No| Q2{Enterprise deployment\nor Azure integrations?}
    Q2 -->|Yes| AAAS["Azure AI Agent Service\nAzure Search / Bing / Functions\n엔터프라이즈 스케일"]
    Q2 -->|No| Q3{Multi-model support?\nLlama / Mistral / Cohere}
    Q3 -->|Yes| AAAS
    Q3 -->|No| MAF
    MAF -->|"Prototype done"| Both["Deploy via\nAzure AI Agent Service"]
    AAAS --> Both

비교 요약:

Framework	Focus	Use Cases
Microsoft Agent Framework	Streamlined agent SDK (tool calling, conversation mgmt)	빠른 프로토타이핑, 멀티스텝 워크플로우, 엔터프라이즈 통합
Azure AI Agent Service	플랫폼 서비스 (다중 모델, 엔터프라이즈 보안, built-in tool)	안전하고 확장 가능한 에이전트 배포, Azure 생태계 통합

권장 전략: MAF로 에이전트 로직을 빠르게 개발하고, Azure AI Agent Service로 프로덕션에 배포

Summary


Lesson 02 Summary
Mermaid
flowchart LR
    Root["Agentic Frameworks"]
    Root --> Why["Why Frameworks?"]
    Root --> Prototype["Rapid Prototyping"]
    Root --> Compare["MAF vs AAAS"]
    Why --> W1["Agent Collaboration"]
    Why --> W2["Task Automation"]
    Why --> W3["Contextual Adaptation"]
    Prototype --> P1["Modular Components"]
    Prototype --> P2["Collaborative Tools"]
    Prototype --> P3["Real-Time Learning"]
    Compare --> M1["MAF\nSDK / 빠른 개발"]
    Compare --> M2["AAAS\nPlatform / 엔터프라이즈"]
    Compare --> M3["함께 사용 권장"]

AI Agent Framework는 전통적 AI를 넘어 자율적 멀티에이전트 시스템을 가능하게 합니다
Modular Components, Collaborative Tools, Real-Time Learning으로 빠르게 반복 개선할 수 있습니다
MAF는 빠른 개발에, Azure AI Agent Service는 엔터프라이즈 배포에 최적화되어 있습니다
두 가지를 함께 사용하는 것이 권장 전략입니다

PreviousAI Agents for Beginners - 3. Agentic Design Patterns

NextAI Agents for Beginners - 1. Intro to AI Agents and Agent Use Cases