摘要：正如许多人预期的那样，微软一开场就亮出了其核心主题——智能体（Agent）。微软的意图很明确：将自身定位在“开放智能体网络”（open agentic web）的中心。为此，他们发布了超过50项更新，遍及GitHub、Azure、Windows到Microso

大数据文摘出品

科技圈的目光无疑高度聚焦于微软的年度Build开发者大会。

正如许多人预期的那样，微软一开场就亮出了其核心主题——智能体（Agent）。微软的意图很明确：将自身定位在“开放智能体网络”（open agentic web）的中心。为此，他们发布了超过50项更新，遍及GitHub、Azure、Windows到Microsoft 365等几乎所有核心产品线，

微软首席沟通官Frank Shaw所言：“我们已经进入了AI智能体的时代。” 他认为，得益于推理和记忆能力的突破性进展，AI模型如今变得更为强大和高效，能够以全新的方式协助我们解决问题。

那么，这个“智能体网络”究竟是什么？它与我们当前使用的AI助手又有哪些本质区别呢？

一、 AI智能体：从被动响应到主动规划

概括来说，目前的AI工具更像是辅助角色，用户提问，它们回答；用户下达指令，它们执行。但微软此次描绘的“智能体”愿景则更进一步。它们不仅仅是被动地响应，而是能够主动发起任务、独立进行决策、甚至与其他AI系统协同工作，自主完成复杂的流程，从而大幅减少人工干预的必要性。

微软CTO Kevin Scott在记者会上将此形容为“从根本上改变人机交互方式的转变”。他也坦诚地指出了当前的一个关键挑战：“智能体目前非常需要提升的一个方面，就是记忆能力。”

为了弥补这一环，微软推出了一系列与记忆相关的技术，例如结构化RAG（检索增强生成），旨在帮助AI系统更精准地从海量数据中检索和利用信息。

微软CVP兼技术研究员Steven Bathiche更是展望了这样的场景：“未来，你可能会拥有个人智能体和工作智能体。工作智能体将能接入并处理大量属于你和你雇主的相关信息。” 他强调，这种情境感知能力对于创造出“真正理解你，了解你所处环境及意图，并最终能简化你操作”的智能体至关重要。从纯粹的反应式AI到具备持久记忆和情境理解能力的系统，这确实是智能体发展中一个非常深刻的演进方向。

二、 GitHub Copilot进化：从代码补全到“AI编程伙伴”

微软旗下的GitHub，在这次智能体战略中自然扮演了先锋角色。全新的GitHub Copilot编码智能体正式亮相，这款工具的定位不再仅仅是代码补全的“副驾驶”，而是致力于进化成能够自主解决编程任务的“AI编程伙伴”。

这个新版Copilot智能体，被设计为能像团队成员一样工作，可以自主进行代码重构、提升测试覆盖率、修复缺陷，乃至实现新的功能。对于复杂任务，它还能与其他智能体在软件开发的全生命周期中进行协作。

另一项重要进展是，微软还将Visual Studio Code中的GitHub Copilot Chat开源，邀请开发者社区共同参与其后续的演进。此举既展示了微软在AI领域的技术实力，也体现了其拥抱开源、与社区共建生态的思路。微软表示：“未来几个月，GitHub Copilot扩展的AI能力将成为VS Code开源仓库的一部分。”

地址：https://marketplace.visualstudio.com/items?itemName=GitHub.copilot-chat

三、 多智能体系统：驱动复杂业务流程的自动化

针对希望部署AI智能体的企业用户，微软也对其Azure AI Foundry平台进行了重要升级。

微软AI智能体副总裁Ray Smith在接受VentureBeat专访时，特别指出了多智能体系统的重要性：“多智能体的调用、调试以及对各智能体行为的深入分析都至关重要，这不仅适用于Copilot Studio，也包括即将推出的Azure AI Foundry智能体。我们的客户反复强调，这种多智能体协同能力是满足他们需求的关键。”

为何需要构建多智能体系统？Smith解释道：“试图将一个复杂的、要求高可靠性的流程完全整合到单一智能体中，往往会面临诸多挑战。将任务分解给多个智能体，不仅能提高系统的可维护性、简化构建过程，更能显著增强整体方案的可靠性。”

目前已正式可用的Azure AI Foundry智能体服务，允许开发者构建企业级AI智能体，并为多智能体工作流及诸如Agent2Agent (A2A)、模型上下文协议 (MCP) 等开放协议提供支持。这意味着企业可以编排多个各具专长的智能体来协同处理复杂的业务任务。

四、 本地AI的加强：算力向客户端设备倾斜

尽管云端AI持续占据着行业焦点，但微软此次也显著加强了在本地及设备端AI的布局。

Windows AI Foundry，作为Windows Copilot Runtime的升级版，为在Windows平台上进行本地AI开发提供了一个统一的环境。它集成了内置的AI推理运行时Windows ML，以及一系列用于模型准备和端侧部署优化的工具。

微软宣布：“Foundry Local将简化在设备上直接运行AI模型、工具和智能体的过程，无论是Windows 11还是MacOS平台。” 这主要面向那些希望节约网络数据传输、优先保障数据隐私以及降低运行成本的应用场景。

Steven Bathiche在演讲中也谈到，客户端AI的发展速度惊人：“我们团队始终致力于预测并引领技术趋势。令人惊讶的是，我们大部分的预测在三四个月内便得以实现，这与我过去习惯于进行一到两年期预测的经验大相径庭。如今的节奏确实带来了持续的压力，但也充满了乐趣。” 这番话也从一个侧面反映了AI技术迭代之快。

五、 安全与身份管理：为“智能体大军”建立规范

随着智能体在企业内部应用的普及，“智能体泛滥”（agent sprawl）可能带来的管理盲点和安全风险成为亟待解决的问题。微软对此也推出了相应的解决方案。

Microsoft Entra Agent ID（目前为预览版）应运而生。通过该服务，开发者在Microsoft Copilot Studio或Azure AI Foundry中创建的智能体，将被自动在Entra目录中分配唯一的身份标识。这有助于企业从一开始就对智能体进行安全、规范的管理，避免潜在的治理难题。

此外，微软还将其Purview数据安全与合规性控制能力整合到AI平台中，使开发者能够构建具备企业级安全与合规特性的AI解决方案。具体措施包括为Microsoft 365 Copilot智能体提供数据丢失防护（DLP）控制，以及增强在AI交互过程中检测敏感数据的新功能。

Ray Smith建议IT安全团队：“从零开始构建解决方案虽然能提供最大的灵活性，但也意味着需要自行添加大量的框架控制。Copilot Studio的优势在于，它提供了一个受管理的基础设施框架，内置了生命周期管理以及多项治理和可观察性功能，旨在为用户提供一个更便捷、更安全的起点。”

六、 科学发现平台：AI智能体展现加速研发的潜力

在Build大会上，一个颇为引人注目的展示是Microsoft Discovery平台。该平台致力于加速从制药到材料科学等多个行业的科学研究与开发进程。

微软战略任务与技术CVP Jason Zander在接受VentureBeat专访时分享了一个案例：利用该平台，研究团队仅用200小时就成功筛选出一种可用于数据中心的非PFAS（全氟和多氟烷基物质）浸没式冷却剂。相比之下，这类发现过程在传统研发模式下通常需要数年时间。

Zander解释说：“对于我们这样的超大规模云服务提供商而言，数据中心的运营至关重要。通过这个框架，我们在200小时内就评估了367,000个潜在候选材料，并将筛选结果交由合作伙伴进行后续的合成与验证。”

他进一步阐述了这对传统研发模式的深远影响：“关键在于，许多现有材料的研发周期长达数年甚至十年。当这些材料因法规更新而被限制使用时，企业面临的迫切问题是：如何快速找到替代品，以维持其产品供应？既然现有产品的研发耗时良久，那么未来如何才能有效压缩这一研发时间线？” Microsoft Discovery平台所展示的，正是AI智能体在这方面所能提供的强大助力。

七、 开放标准：共筑跨平台智能体生态系统

在微软的战略蓝图中，推动开放标准以实现不同平台和服务间智能体的互操作性，占据了核心地位。其中，模型上下文协议（MCP）扮演着尤为关键的角色。

微软宣布已加入MCP指导委员会，并为MCP生态系统贡献了两项新成果：一份更新的授权规范，以及一个MCP服务器注册服务的设计方案。

负责微软核心AI团队的Jay Parikh强调了开放与互操作的重要性：“在微软内部，这一切的核心目标是加速学习。面对日新月异的技术、应用和竞争格局，速度已成为至关重要的因素。”

微软还推出了一项名为NLWeb的新开源项目，旨在“在智能体网络中扮演类似HTML的角色”，使得网站能更便捷地为其用户提供基于自选模型和自有数据的对话式交互界面。

via https://venturebeat.com/ai/microsoft-announces-over-50-ai-tools-to-build-the-agentic-web-at-build-2025/

GPU算力按需租用

A100/H100 GPU算力按需租用，

秒级计费，平均节省开支30%以上！

来源：大数据文摘一点号