# 第36篇-Agent Framework 构建多模型协作工作流

我们前面介绍了 Agent Framework 的几种编排模式：

* Sequential
* Concurrent
* Handoffs
* Group Chat

前面的示例基本都是基于单模型完成的。也就是说，不管工作流怎么编排，背后实际调用的其实还是同一个模型。

但真实项目里，很多时候并不是这样。让不同模型分工协作，而不是把所有事情都交给一个模型。

这篇我们用一个简单例子，看看怎么在 Agent Framework 里做多模型协作。

这里我用了三种不同的模型服务：

* Ollama 本地模型
* OpenAI
* Azure OpenAI

分别负责不同任务。

### 示例

这个例子很简单，我们给一个主题：

```csharp
const string Topic = "金毛贵宾犬是最好的宠物。";
```

然后让三个 Agent 接力完成任务：

#### Researcher

第一个 Agent 是 Researcher。这里我使用的是本地 Ollama 的 qwen3:1.7b 模型，它的职责很简单，就是根据给定主题生成内容。为了演示后面的事实核查流程，我在提示词里故意要求它加入一条明显错误的信息。这样设计主要是为了让后面的 Checker 有事情可做，如果前面生成的内容全部正确，那整个核查流程就失去意义了。

#### Checker

第二个 Agent 是 Checker，它负责检查 Researcher 生成内容里的事实是否可靠。它会把内容判断为“支持”“部分支持”“未验证”或者“错误”。这里还额外挂了 HostedWebSearchTool（支持OpenAI原生API），也就是说这个 Agent 不只是依赖模型自身知识，还可以联网搜索辅助判断，这样事实核查会更靠谱一些。

#### Reporter

第三个 Agent 是 Reporter。这里我们使用 Azure OpenAI 模型，它的职责是根据前两个 Agent 的输出生成最终总结。它不会重新自由发挥生成内容，而是只保留经过 Checker 确认过的信息，把错误或者无法验证的内容过滤掉，最终输出一份更可靠的结果。

这个流程很适合展示多模型协作的价值：生成模型负责写内容，核查模型负责提高结果可信度，总结模型负责整理最终输出。

### 多模型服务的接入方式

我们创建三个Agent，分别对应三个不同模型：

```csharp
#region Ollama Provider
var endpoint = "http://localhost:11434/";
var modelName = "qwen3:1.7b";
AIAgent researcher = new OllamaApiClient(new Uri(endpoint), modelName)
                    .AsAIAgent(instructions: @"针对用户指定的主题写一篇短文。文章应为三到五段，使用高中阅读水平的语言，并包含相关背景信息、
                    关键论点和显著观点。你必须至少包含一条关于该主题的愚蠢且客观错误的信息，但你要相信它是真的。",
    name: "researcher",
    description: "研究某个主题并撰写相关内容。");
#endregion


#region OpenAI Provider
AIAgent checker = new OpenAI.OpenAIClient(
    "sk-xxxxxxxxxxxx")
    .GetResponsesClient()
    .AsIChatClient("gpt-5")
    .AsAIAgent(instructions: @"评估研究人员的文章。针对其中的任何声明，根据可靠来源验证其准确性，并标明其属于以下哪种情况：
                    支持、
                    部分支持、
                    未验证、
                    错误，
                    同时提供简短的理由说明。",
    name: "checker",
    description: "根据可靠来源进行事实核查，并标记不准确的信息。", [new HostedWebSearchTool()]);
#endregion


#region Azure OpenAI
endpoint = Environment.GetEnvironmentVariable("AZURE_OPENAI_ENDPOINT") ?? throw new InvalidOperationException("未设置 AZURE_OPENAI_ENDPOINT。");
var deploymentName = Environment.GetEnvironmentVariable("AZURE_OPENAI_DEPLOYMENT_NAME") ?? "gpt-5.4-mini";
AIAgent reporter = new AzureOpenAIClient(new Uri(endpoint), new AzureCliCredential())
                             .GetChatClient(deploymentName).AsIChatClient()
                             .AsAIAgent(instructions: """
                                        将原始文章总结为一个单段落，同时结合后续的事实核查来纠正任何不准确之处。只包含已被事实核查员确认的事实。
                                        省略任何被标记为不准确或未验证的信息。总结应清晰、简洁且信息充分。
                                        你绝对不要解释你正在做什么。只需输出最终段落。
                                        """,
                                        name: "reporter",
                                        description: "将研究员的文章总结为单个段落，只关注事实核查员已确认的事实。");
#endregion
```

### 构建顺序式工作流

三个 Agent 定义完成后，示例使用 `AgentWorkflowBuilder.BuildSequential` 构建顺序工作流：

```csharp
AIAgent workflowAgent = AgentWorkflowBuilder.BuildSequential(researcher, checker, reporter).AsAIAgent();
```

这个工作流的执行顺序是：

```
Researcher -> Checker -> Reporter
```

也就是说：

1. `Researcher` 先生成一篇关于主题的短文。
2. `Checker` 接收这篇短文并进行事实核查。
3. `Reporter` 根据原始短文和核查结果生成最终总结。

### 流式运行工作流

最后，示例通过 `RunStreamingAsync` 运行工作流，并实时输出每个 Agent 的结果：

```csharp
await foreach (var update in workflowAgent.RunStreamingAsync(Topic))
{
    ...
    Console.Write(update.Text);
}
```

流式输出可以提升用户体验，因为用户不需要等待整个工作流完全结束后才看到结果。尤其是在多个模型顺序执行时，流式反馈可以让调用过程更加透明。

示例中还处理了 `WorkflowEvent`：

```csharp
if ((update.Contents == null || update.Contents.Count == 0) && update.RawRepresentation is WorkflowEvent)
{
    continue;
}
```

这是为了跳过只表示工作流状态、但没有实际文本内容的事件。

此外，程序会根据 `AuthorName` 区分当前输出来自哪个 Agent：

```csharp
if (lastAuthor != update.AuthorName)
{
    lastAuthor = update.AuthorName;
    Console.ForegroundColor = ConsoleColor.Green;
    Console.WriteLine($"\n\n** {update.AuthorName} **");
    Console.ResetColor();
}
```

这样在控制台中可以清晰看到每个 Agent 的输出边界。

### 总结

Agent Framework 在 .NET 中具有编排多模型 Agent 的能力。它通过 Google Gemini、OpenAI 和 Anthropic Claude 分别承担不同的任务。


---

# Agent Instructions: Querying This Documentation

If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter:

```
GET https://bingbing-gui.gitbook.io/blog/ai-agent/agent-framework/di-36-pian-agent-framework-zhong-duo-mo-xing-agent-ru-he-xie-zuo.md?ask=<question>
```

The question should be specific, self-contained, and written in natural language.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.