Microsoft Agent Framework 1.0: AutoGen und Semantic Kernel verschmelzen zum Mega-SDK

Wer in den letzten zwei Jahren mit KI-Agenten auf dem Microsoft-Stack gearbeitet hat, kennt das Dilemma: AutoGen oder Semantic Kernel? Zwei Frameworks, beide von Microsoft, beide mit Überschneidungen, beide mit eigenen Stärken. Die Community war gespalten, Tutorials widersprachen sich, und spätestens bei Multi-Agent-Orchestrierung wurde es … unübersichtlich.

Damit ist jetzt Schluss. Am 3. April hat Microsoft das Agent Framework 1.0 als GA (General Availability) veröffentlicht — und damit AutoGen und Semantic Kernel unter einem Dach vereint. Kein Preview mehr, kein Beta-Label. Produktionsreif, mit Long-Term-Support.

Ich hab mir das Framework im Detail angeschaut. Hier ist, was du als Entwickler wissen musst.

Was ist das Microsoft Agent Framework?

Das Microsoft Agent Framework (MAF) ist ein einheitliches SDK für .NET und Python, das die bisher getrennten Welten von AutoGen (Multi-Agent-Forschung, akademisch geprägt) und Semantic Kernel (Enterprise-Tooling, Plugin-Ökosystem) zusammenführt.

Das Ergebnis: Ein einziges NuGet-Paket (Microsoft.Agents.AI Version 1.0.0) statt zwei verschiedener Preview-Pakete mit inkompatiblen APIs.

Die Kernidee

Statt zwei Frameworks mit 80% Überschneidung und 20% Inkompatibilität bietet MAF 1.0 eine stabile Agent-Abstraktion, die vom simplen Chatbot bis zum komplexen Multi-Agent-Workflow skaliert. Microsoft nennt es: „From zero to agent in 5 lines of code.”

Klingt nach Marketing-Sprech? Tatsächlich ist der Einstieg erfrischend simpel — du erstellst einen IChatClient, hängst Tools dran und konvertierst ihn mit .AsAIAgent() zum vollwertigen Agenten.

Die wichtigsten Features

Multi-Provider-Support

MAF 1.0 ist nicht auf Azure festgenagelt. First-Party-Connectors gibt es für:

• Azure OpenAI (natürlich)
• OpenAI (direkt)
• Anthropic Claude
• Amazon Bedrock
• Google Gemini
• Ollama (lokale Modelle!)

Das ist ein echtes Statement. Microsoft sagt damit: Nutzt unser Framework, egal welches Modell ihr fahrt. Vendor Lock-in war gestern — zumindest auf der SDK-Ebene.

Graph-basierte Workflows

Hier wird es richtig spannend. Agenten und Funktionen lassen sich als Graph verbinden, mit Datenflüssen zwischen den Knoten. Das Framework unterstützt:

• Streaming für Echtzeit-Ausgaben
• Checkpointing in SQLite oder Postgres (Zustand wird persistiert)
• Human-in-the-Loop an beliebigen Stellen im Workflow
• Time-Travel-Debugging — du kannst zu einem früheren Checkpoint zurückspringen

Wer schon mal Multi-Agent-Systeme in der Praxis aufgebaut hat, weiß: State Management ist der Teil, der dich nachts wach hält. Dass Microsoft hier native Persistenz und Debugging einbaut, ist ein riesiger Pluspunkt.

A2A- und MCP-Support

MAF 1.0 spricht nativ A2A (Agent-to-Agent Protocol) und MCP (Model Context Protocol). Das bedeutet: Deine Microsoft-Agenten können nahtlos mit Agenten anderer Plattformen kommunizieren.

Wer die Hintergründe zu diesen Protokollen kennenlernen will: Ich hab sowohl über das A2A-Protokoll als auch über MCP ausführlich geschrieben. Kurz: A2A regelt die Kommunikation zwischen Agenten, MCP regelt den Zugriff auf Tools und Daten. Zusammen bilden sie die Infrastruktur-Schicht für interoperable KI-Systeme.

OpenTelemetry-Integration

Observability ist ab Tag eins eingebaut. Keine Extra-Konfiguration nötig — MAF instrumentiert automatisch:

• LLM-Aufrufe (Latenz, Token-Verbrauch, Kosten)
• Tool-Invocations
• Agent-zu-Agent-Interaktionen

Für alle, die KI-Agenten in Produktion überwachen: Das ist genau das, was gefehlt hat. Ein Agent-Framework, das Observability nicht als Afterthought behandelt, sondern als First-Class-Feature.

Praxisbeispiel: Multi-Agent Travel Planner

Microsoft liefert ein Referenzbeispiel mit, das die Architektur gut zeigt. Ein Reiseplaner mit sechs Agenten, die in vier Phasen arbeiten:

Phase 1 – Parallele Datensammlung: Drei Agenten (Währungsrechner, Wetter-Berater, Lokales Wissen) laufen gleichzeitig via Task.WhenAll. Keine sequentiellen Bottlenecks.

Phase 2 – Reiseplan: Ein Itinerary-Planner-Agent nimmt die gesammelten Daten und erstellt einen Entwurf.

Phase 3 – Budget-Optimierung: Ein Budget-Agent überprüft den Plan auf Kosten und schlägt Alternativen vor.

Phase 4 – Zusammenführung: Ein Koordinator-Agent fügt alles zu einem finalen Reiseplan zusammen.

Das Besondere: Jede Phase hat einen Checkpoint. Wenn der Wetter-API-Aufruf in Phase 1 fehlschlägt, startet nicht der gesamte Workflow neu — nur der betroffene Agent wird erneut ausgeführt. In produktiven Szenarien, wo API-Aufrufe Geld kosten und Zeit brauchen, ist das Gold wert.

Warum die Vereinigung Sinn ergibt

Wer die Geschichte der beiden Frameworks kennt, versteht den Schmerz:

AutoGen kam aus der Microsoft Research-Ecke. Akademisch brillant, Multi-Agent-Patterns als Forschungsprojekt gedacht. Toll für Prototypen und Paper-Implementierungen, aber die API änderte sich gefühlt bei jedem Release.

Semantic Kernel war der Enterprise-Kandidat. Stabiler, Plugin-Ökosystem, Azure-Integration — aber bei Multi-Agent-Orchestrierung musste man sich vieles selbst zusammenbauen.

Das Resultat: Zwei Frameworks, die um dieselben Entwickler warben, mit unterschiedlichen Philosophien und inkompatiblen Abstraktionen. Wer beides brauchte, schrieb Glue-Code. Und fluchte.

MAF 1.0 löst das, indem es AutoGens Orchestrierungs-Stärken (Graph-basierte Workflows, parallele Execution) mit Semantic Kernels Enterprise-Reife (stabile APIs, Middleware-Pipeline, Compliance) vereint.

Was das für dich bedeutet

.NET-Entwickler

Wenn du im Microsoft-Ökosystem unterwegs bist, ist MAF 1.0 ab jetzt die Anlaufstelle für Agenten-Entwicklung. Ein Paket, eine API, eine Dokumentation. Die Migration von Semantic Kernel ist straightforward — die größten Breaking Changes betreffen die Position von Instructions (jetzt im Konstruktor statt in den Options) und die Umbenennung von thread zu session in RunAsync.

Python-Entwickler

MAF 1.0 gibt es auch für Python, mit Cross-Runtime-Interoperabilität zu .NET. Das heißt: Du kannst einen Python-Agenten bauen, der mit .NET-Agenten in einem gemeinsamen Workflow interagiert. Ob das in der Praxis so reibungslos funktioniert wie versprochen, muss sich noch zeigen — aber die Architektur ist grundsätzlich sauber.

Framework-unabhängige Entwickler

Auch wenn du LangChain, CrewAI oder ein anderes Framework nutzt: MAF 1.0 ist relevant, weil es A2A und MCP nativ spricht. Deine bestehenden Agenten können mit MAF-Agenten kommunizieren, ohne dass du das Microsoft-SDK selbst einsetzen musst. Die Protokolle sind der gemeinsame Nenner.

Die Schwachstellen

Kein Review ohne ehrliche Kritik:

Die Dokumentation ist ein Flickenteppich. Durch die Merge-Geschichte verteilen sich Docs über das alte AutoGen-Repo, das Semantic-Kernel-Repo und das neue Agent-Framework-Repo. Microsoft arbeitet daran, aber aktuell braucht man Geduld (und gute Google-Skills), um die richtige Doku für die GA-Version zu finden.

Das Framework ist breit, aber nicht opinionated. LangChain gibt dir klare Patterns vor. CrewAI hat explizite Rollen-Konzepte. MAF 1.0 gibt dir Bausteine und sagt: Bau was du willst. Das ist Stärke und Schwäche zugleich — Flexibilität auf Kosten von Leitplanken.

Azure-Optimierung = Azure-Gravitation. Ja, MAF ist Multi-Provider. Aber die Best-Path-Experience ist Azure AI Foundry + Azure OpenAI + Azure Service Bus. Wer AWS oder GCP nutzt, bekommt ein funktionierendes SDK, aber nicht die nahtlose Integration.

Einordnung: Der Agent-Plattformkrieg verschärft sich

MAF 1.0 ist Microsofts Antwort auf eine Welle von Agent-Plattformen. Google hat ADK und Opal. Anthropic hat Claude Managed Agents gelauncht. OpenAI baut den Agent Builder. Und dann gibt es die Open-Source-Welt mit LangChain, CrewAI, n8n und Dutzenden anderen.

Die Strategie ist klar: Microsoft will, dass Agenten auf Azure laufen — oder zumindest mit Microsoft-Tools gebaut werden. Dass sie dabei Multi-Provider-Support bieten und offene Protokolle unterstützen, ist schlau. Es senkt die Einstiegshürde und baut Vertrauen auf, bevor die Azure-Gravitationskraft wirkt.

Für uns Entwickler ist das gut. Mehr Wettbewerb, mehr Interoperabilität, bessere Tools. Die Frage ist nicht mehr ob du Agent-Frameworks nutzen wirst, sondern welches. Und mit MAF 1.0 hat Microsoft endlich einen kohärenten Kandidaten im Rennen.

Mein Fazit

Das Microsoft Agent Framework 1.0 ist die richtige Entscheidung zur richtigen Zeit. Die Vereinigung von AutoGen und Semantic Kernel war überfällig, und das Ergebnis ist — zumindest architektonisch — überzeugend.

Die nativen A2A- und MCP-Integrationen machen es zukunftssicher. Die OpenTelemetry-Einbindung zeigt, dass Microsoft aus den Fehlern der ersten Agent-Generation gelernt hat. Und die Graph-basierten Workflows mit Checkpointing lösen ein echtes Problem.

Aber: Die Doku muss besser werden, die Community muss zusammenwachsen (statt sich auf drei GitHub-Repos zu verteilen), und die Nicht-Azure-Experience braucht mehr Liebe.

Wer im .NET-Ökosystem arbeitet und Agentic Programming ernst nimmt, kommt an MAF 1.0 nicht vorbei. Wer Framework-agnostisch unterwegs ist, sollte es zumindest auf dem Radar haben — allein wegen der Protokoll-Unterstützung.

Die Agent-Plattform-Landschaft sortiert sich gerade. Und Microsoft hat gerade sehr deutlich gezeigt, dass sie mitspielen wollen.

---

Du arbeitest bereits mit dem Microsoft Agent Framework oder hast Erfahrungen mit der Migration von AutoGen/Semantic Kernel? Ich freue mich über Austausch — schreib mir über das Kontaktformular.