MSTech Geeks

Cómo diseñar un ecosistema multiagente en Azure que razona, colabora y ejecuta tareas de forma autónoma.

Hace tiempo que no escribo en un blog y ya me estaba picando el gusanillo de la escritura.
Y qué mejor manera de volver que con algo que me apasiona: la inteligencia artificial aplicada a problemas reales.

Durante las últimas semanas he estado trasteando con el nuevo Microsoft Agent Framework, un SDK que unifica lo mejor de AutoGen y Semantic Kernel para que la creación y orquestación de sistemas multiagente sea más sencilla, modular y, sobre todo, Azure-native.

Como Tech Lead e Ingeniero de IA en Devoteam, me interesa entender hasta qué punto podemos diseñar agentes capaces de razonar, colaborar y ejecutar tareas reales en entornos corporativos.
Y eso es justo lo que he estado construyendo: un sistema multiagente operativo usando este nuevo framework.

¿Por qué usar un framework de agentes?

Los modelos de lenguaje son brillantes razonando, pero no tanto orquestando acciones, recordando contexto o colaborando entre sí.
Ahí entra el concepto de agente: una entidad que puede recibir un objetivo, decidir cómo lograrlo, usar herramientas, y comunicarse con otros agentes para conseguirlo.

Hasta ahora, cada desarrollador se montaba su “mini framework” con funciones, prompts y flujos.
El problema es que eso no escala.

El Agent Framework de Microsoft llega precisamente para resolver eso:
crear, conectar y desplegar agentes dentro del ecosistema Azure, con soporte nativo para modelos, memoria, herramientas, observabilidad y seguridad.

¿Qué es el Microsoft Agent Framework?

Según la documentación oficial de Microsoft Learn, el Agent Framework es un SDK multiplataforma (Python y .NET) que permite:

• Crear agentes individuales con razonamiento autónomo, herramientas y memoria.
• Diseñar workflows multiagente para que varios agentes colaboren y compartan contexto.
• Integrar modelos de Azure OpenAI, AI Search y otros servicios de Azure AI.
• Añadir observabilidad (telemetría, logging, control de estado).
• Conectar usuarios humanos en el bucle cuando se requiera validación o revisión.

El objetivo de Microsoft es claro: ofrecer un estándar para desarrollar ecosistemas de agentes confiables, productivos y seguros dentro de Azure.

Arquitectura de mi sistema multiagente

Usuario
  ↓
[Agente Orquestador]
  ↓
┌─────────────────────────────────────────────┐
│  Agente de Búsqueda  |  Agente Analítico   │
│  Agente de Ejecución |  Agente Evaluador   │
└─────────────────────────────────────────────┘
  ↓
Azure OpenAI / AI Search / Azure Functions

El Agente Orquestador recibe las solicitudes (por ejemplo: “Necesito un sistema de predicción de ventas para una empresa retail con datos históricos de 3 años.”).

Según la naturaleza de la tarea, las distribuye a distintos agentes especialistas, que pueden buscar información, ejecutar código, validar resultados o redactar documentos. Todo el sistema se comunica mediante mensajes JSON estructurados, de forma asíncrona, permitiendo que los agentes razonen en paralelo o de manera secuencial y compartan contexto.

Código base del prototipo (Python)

from agent_framework import Agent, Orchestrator

class AnalisisAgent(Agent):
    def handle(self, input_data):
        """Ejemplo simplificado de un agente que usa Azure OpenAI"""
        response = self.call_openai(
            model="gpt-4o",
            prompt=f"Analiza la siguiente entrada y genera un resumen técnico:\n{input_data}"
        )
        return response

# Orquestador que gestiona varios agentes
orchestrator = Orchestrator(agents=[AnalisisAgent()])
result = orchestrator.run("Genera un análisis del sistema multiagente.")
print(result)

🧠 En el proyecto real, cada agente tiene su propia personalidad y conjunto de herramientas, gestionadas desde un Azure Key Vault mediante Managed Identity (sin secretos en código).

Esta arquitectura es totalmente cloud-native y puede desplegarse en contenedores (App Service o Container Apps).

Retos y lecciones aprendidas

• Definir límites entre agentes.
• Es tentador que todos “razonen de todo”, pero la especialización mejora la eficiencia.
• Evitar loops de razonamiento.
• Los agentes pueden entrar en ciclos si no hay una política clara de finalización.
• Trazabilidad y telemetría.
• Application Insights fue fundamental para entender qué decisiones tomaba cada agente.
• Control de costes.
• Multiagente ≠ multigasto. Batch, cache y límites de tokens son tus amigos.
• Iterar rápido, desplegar limpio.
• Usar Azure Functions permitió testear cada agente sin levantar toda la infraestructura.

1. Definir límites entre agentes.
   Es tentador que todos “razonen de todo”, pero la especialización mejora la eficiencia.
2. Evitar loops de razonamiento.
   Los agentes pueden entrar en ciclos si no hay una política clara de finalización.
3. Trazabilidad y telemetría.
   Application Insights fue fundamental para entender qué decisiones tomaba cada agente.
4. Control de costes.
   Multiagente ≠ multigasto. Batch, cache y límites de tokens son tus amigos.
5. Iterar rápido, desplegar limpio.
   Usar Azure Functions permitió testear cada agente sin levantar toda la infraestructura.

Roadmap: lo que viene

Este es solo el primer artículo de una serie.
En los próximos publicaré:

• Cómo desplegar el sistema en Azure Functions + OpenAI con Managed Identity
• Cómo medir rendimiento y coste por agente
• Y cómo combinar este framework con AI Search + Promptflow para trazabilidad avanzada

Si te interesa seguir el desarrollo del proyecto (o clonar el repo), sígueme en LinkedIn o GitHub.
Y si te apetece probar el framework, aquí te dejo el punto de partida oficial:

👉 Documentación de Microsoft Agent Framework

Este framework me parece una de las apuestas más sólidas de Microsoft para el futuro de la IA aplicada.
No se trata solo de hacer prompts más inteligentes, sino de diseñar agentes capaces de trabajar en equipo, de aprender y de colaborar con nosotros en sistemas complejos.

Y como ingenieros… ¿no es eso justo lo que siempre hemos querido? 😄

• Gravatar