企业官网建设流程全解析

1. 从三个真实痛点说起：为什么需要多智能体博客生成系统

写技术博客这件事，单靠一个通用大模型对话窗口，做久了就会发现三个绕不开的坎。第一个坎是资料收集累成狗：打开十几个标签页，复制粘贴到凌晨，最后发现资料太乱理不清头绪。第二个坎是写作没思路：盯着空白文档三小时，憋出来的开头自己都觉得尴尬。第三个坎是质量没把条：写完了不知道质量如何，发出去被大佬指正错误时社死。

这三个坎本质上不是"模型不够聪明"，而是"任务没有分工"。资料收集、内容撰写、质量审校，本来就是三种不同的认知任务，硬塞给一个 Prompt 让它一次干完，结果就是每一样都干得马马虎虎。我试过把这三件事拆成三个独立的 Agent，每个 Agent 只负责一件事，配上明确的职责边界、工具能力和输出约束，整个链路的质量立刻上了一个台阶。

这就是本文要聊的微软 Agent Framework 多智能体协作生成博客方案。它适合谁？适合已经会写 C#、想从"调 API 拼 Prompt"升级到"编排 Agent 工作流"的开发者；适合内容团队想搭一套半自动化的选题、撰写、审校流水线；也适合想理解多智能体协作到底怎么落地、而不是停留在概念层面的技术人。整套系统我把它叫做 BlogAgent，核心就是三个 Agent 加一条工作流，再配一个统一的模型接入通道。

在模型接入这块，多 Agent 系统有个很现实的麻烦：三个 Agent 可能要用不同的模型，Researcher 用便宜的小模型就够，Writer 要用强模型保证质量，Reviewer 又要稳定低温度。如果每个 Agent 都单独配一套 Key 和 Base URL，管理起来非常痛苦。所以本文会用 TaoToken 的统一 Key 通道来收敛这件事，一个 Key、一个 Base URL，通过 Model ID 区分不同 Agent 用哪个模型。下面从环境准备开始，一步步把这条链路搭起来。

2. TaoToken 统一 Key 接入：多 Agent 模型通道的前置准备

在动手写 Agent 代码之前，先把模型通道这件事解决掉。多智能体系统最怕的就是"每个 Agent 一套凭证"，配置散落在 appsettings.json、环境变量、代码常量里，改一个模型要翻五个文件。TaoToken 的思路是提供一个 OpenAI 兼容的统一入口，你只需要维护一个 API Key 和一个 Base URL，具体用哪个模型通过请求里的 Model ID 指定。

先明确三个关键信息，后面配置里会反复用到：

获取 Key 的路径很直接：打开官网 https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= ，注册登录后进入控制台，在 API Keys 页面创建一个新 Key。创建时建议按用途命名，比如blogagent-dev，方便后面区分环境和轮换。创建完成后立刻复制保存，页面刷新后就看不到完整 Key 了。

拿到 Key 之后，先别急着写 Agent，用一条 curl 命令验证通道是否通。这一步非常关键，因为后面 Agent Framework 报的错往往是"模型返回格式不对"，而根因其实是通道没通或者 Model ID 写错了。先用最原始的方式确认：

curl https://taotoken.net/api/v1/chat/completions \ -H "Content-Type: application/json" \ -H "Authorization: Bearer sk-你的Key" \ -d '{ "model": "gpt-4o-mini", "messages": [ {"role": "user", "content": "用一句话说明什么是多智能体协作"} ], "temperature": 0.7 }'

如果返回结构里有choices[0].message.content，说明通道正常。如果返回 401，说明 Key 错了或者没带Bearer前缀；如果返回 404，多半是 Base URL 写成了https://taotoken.net/api但路径少了/v1/chat/completions，注意 OpenAI 兼容接口的完整路径是{BaseURL}/v1/chat/completions。这一步确认通过后，再进入 .NET 项目配置。

在 .NET 项目里，我建议把模型配置集中放在appsettings.json的一个节点下，而不是散落在代码里。这样三个 Agent 用哪个模型一目了然，切换模型也不用改代码：

{ "TaoToken": { "BaseUrl": "https://taotoken.net/api", "ApiKey": "sk-你的Key", "Models": { "Researcher": "gpt-4o-mini", "Writer": "gpt-4o", "Reviewer": "gpt-4o-mini" } } }

这里的分工逻辑是：Researcher 做资料整理和结构化摘要，任务相对机械，用便宜的小模型足够；Writer 要产出 4000 字以上的成稿，对语言质量和连贯性要求高，用强模型；Reviewer 做打分和挑错，需要稳定一致，用低温度的小模型即可。这样一套组合下来，单篇博客的模型成本能压到很低，而质量主要由 Writer 那一步保证。

注意：API Key 不要硬编码进代码提交到仓库。本地开发用appsettings.Development.json或环境变量TAOTOKEN__APIKEY覆盖，生产环境走密钥管理服务。.NET 的配置系统支持用双下划线表示层级，环境变量TAOTOKEN__APIKEY会自动映射到TaoToken:ApiKey。

配置就绪后，在Program.cs里注册一个统一的IChatClient，让三个 Agent 共享同一个客户端实例，只是调用时传不同的 Model ID。这样既复用了连接池，又保持了模型选择的灵活性。具体注册代码在下一节和 Agent 定义一起给出。

3. 可复制的 Agent 配置：三类 Agent 的编排与 settings 片段

这一节是全文的核心，把 Researcher、Writer、Reviewer 三个 Agent 的定义和工作流编排完整写出来。先看项目依赖，在.csproj里加上这几个包：

<PackageReference Include="Microsoft.Agents.AI" Version="1.0.0-preview" /> <PackageReference Include="Microsoft.Extensions.AI" Version="9.10.1-preview" /> <PackageReference Include="Microsoft.Extensions.AI.OpenAI" Version="9.10.1-preview" />

然后在Program.cs里注册统一客户端。注意这里用OpenAIClient指向 TaoToken 的 Base URL，再包一层IChatClient：

using Microsoft.Extensions.AI; using OpenAI; var builder = WebApplication.CreateBuilder(args); var baseUrl = builder.Configuration["TaoToken:BaseUrl"]!; var apiKey = builder.Configuration["TaoToken:ApiKey"]!; // 统一客户端，指向 TaoToken 兼容入口 var openAiClient = new OpenAIClient( new System.ClientModel.ApiKeyCredential(apiKey), new OpenAIClientOptions { Endpoint = new Uri(baseUrl) }); builder.Services.AddSingleton<IChatClient>(sp => openAiClient.GetChatClient("gpt-4o-mini").AsIChatClient()); builder.Services.AddSingleton<AgentFactory>();

AgentFactory负责按 Agent 类型创建带不同 Model ID 的 Agent 实例。这里的关键是每个 Agent 的Instructions、Tools、ResponseFormat和Temperature都要明确：

public class AgentFactory { private readonly IChatClient _chatClient; private readonly IConfiguration _config; public AgentFactory(IChatClient chatClient, IConfiguration config) { _chatClient = chatClient; _config = config; } public ChatClientAgent CreateResearcher() { var model = _config["TaoToken:Models:Researcher"]!; return new ChatClientAgent( _chatClient, name: "ResearcherAgent", instructions: """ 你是一位专业的技术资料收集专家。 任务：提取关键信息、整理代码示例、生成结构化摘要。 输出：严格的 JSON 格式，字段包括 topic_analysis、key_points、code_examples。 不要输出任何 JSON 之外的文字。 """, modelId: model); } public ChatClientAgent CreateWriter() { var model = _config["TaoToken:Models:Writer"]!; return new ChatClientAgent( _chatClient, name: "WriterAgent", instructions: """ 你是一位资深技术博客作家，擅长把技术内容转化为通俗易懂的文章。 文章结构必须包含：标题、引言、背景介绍、核心概念、实战应用、最佳实践、总结。 代码示例使用 ``` 代码块并标注语言类型。 避免空洞的套话，逻辑流畅，前后呼应。 """, modelId: model); } public ChatClientAgent CreateReviewer() { var model = _config["TaoToken:Models:Reviewer"]!; return new ChatClientAgent( _chatClient, name: "ReviewerAgent", instructions: """ 你是一位严格的技术审稿人。 评分维度：准确性 40%、逻辑性 30%、原创性 20%、规范性 10%。 输出 JSON：overall_score、accuracy、logic、recommendation。 """, modelId: model); } }

三个 Agent 定义好之后，用AgentWorkflowBuilder把它们串成顺序工作流。这一步是整个系统"编排"的体现，状态管理和数据传递都由框架接管：

public async Task<WorkflowResult> ExecuteFullWorkflowAsync(string topic, string referenceContent) { var researcher = _factory.CreateResearcher(); var writer = _factory.CreateWriter(); var reviewer = _factory.CreateReviewer(); var workflow = AgentWorkflowBuilder.BuildSequential( "BlogGenerationWorkflow", researcher, writer, reviewer); var input = $""" 主题：{topic} 参考资料：{referenceContent} 撰写要求：字数不少于 2000 字，风格偏实战教程。 """; var messages = new List<ChatMessage> { new(ChatRole.User, input) }; await using var run = await InProcessExecution.StreamAsync(workflow, messages); await run.TrySendMessageAsync(new TurnToken(emitEvents: true)); string finalOutput = ""; await foreach (var evt in run.WatchStreamAsync()) { if (evt is AgentRunUpdateEvent update && !string.IsNullOrEmpty(update.Update.Text)) { finalOutput += update.Update.Text; } else if (evt is WorkflowOutputEvent output) { finalOutput = output.ToString(); break; } } return new WorkflowResult { Content = finalOutput }; }

如果你更希望用配置文件而不是代码来定义 Agent，Agent Framework 也支持声明式配置。下面是一个 YAML 片段，把三个 Agent 的角色和模型绑定写清楚，适合团队协作时统一管理：

agents: - name: ResearcherAgent model: gpt-4o-mini temperature: 0.5 instructions: "提取关键信息，输出结构化 JSON 摘要" - name: WriterAgent model: gpt-4o temperature: 0.8 maxTokens: 6000 instructions: "撰写 2000 字以上技术博客，结构完整" - name: ReviewerAgent model: gpt-4o-mini temperature: 0.3 instructions: "按四维度打分，输出 JSON 评审结果" workflow: type: sequential order: [ResearcherAgent, WriterAgent, ReviewerAgent]

这里有个容易踩的坑：Writer 的maxTokens一定要显式调大。默认值往往只有 4000，写长博客时输出会被截断，表现为文章写到一半突然没了。把maxTokens设到 6000 以上，长文输出才稳定。另外 Reviewer 的temperature要压低到 0.3 左右，审校工作需要一致性，不能今天说好明天说不好。

4. 端到端验证：一次完整生成请求与成功结果确认

配置写完了，必须做一次端到端验证，确认多 Agent 链路真的能稳定产出成稿，而不是"看起来能跑"。验证分三步：先单独测每个 Agent，再测完整工作流，最后检查输出结构。

第一步，单独调用 Researcher，确认它能返回合法 JSON。这一步能提前暴露通道问题和结构化输出问题：

var researcher = factory.CreateResearcher(); var thread = researcher.GetNewThread(); var result = await researcher.RunAsync( "主题：微软 Agent Framework 多智能体协作", thread); Console.WriteLine(result.Text);

期望输出是一段纯 JSON，形如：

{ "topic_analysis": "本文讨论 Agent Framework 的多智能体协作机制", "key_points": [ { "importance": 3, "content": "声明式工作流编排" }, { "importance": 2, "content": "结构化输出约束" } ], "code_examples": [ { "language": "csharp", "code": "AgentWorkflowBuilder.BuildSequential(...)" } ] }

如果返回里混了"好的，我来生成 JSON："这类前缀，说明模型没有严格遵守结构化输出约束。解决办法是在 Instructions 里加一句"不要输出任何 JSON 之外的文字"，并在解析时做容错，提取第一个{到最后一个}之间的内容再反序列化。

第二步，跑完整工作流。调用ExecuteFullWorkflowAsync，观察事件流。正常情况下你会依次看到 ResearcherAgent、WriterAgent、ReviewerAgent 的执行事件，每个 Agent 的输出会累积到finalOutput。实测下来，一次完整生成（gpt-4o 系列模型）的耗时分布大致是：资料收集 8 到 12 秒，博客撰写 25 到 40 秒，质量审查 10 到 15 秒，总计 45 到 70 秒。这个时间对批量生产来说完全可以接受。

第三步，检查最终输出。一个成功的端到端结果应该满足：文章有完整标题和章节结构、代码块标注了语言、字数达到要求、Reviewer 返回了带overall_score的 JSON。如果 Reviewer 的评分低于 70，说明 Writer 的输出质量不达标，这时候可以触发重写分支，而不是直接发布。

为了确认链路稳定，建议连续跑三次同样的主题，观察输出是否结构一致。如果三次里有一次 Reviewer 返回的不是 JSON，那多半是温度太高或者 Instructions 不够严格。把 Reviewer 的temperature降到 0.2 再试，通常就稳定了。验证通过后，这套链路就可以接到前端，用 Blazor Server 做实时进度展示，用户点一下按钮就能看到三个 Agent 依次工作的过程。

5. 本篇常见错误排查：401、local proxy failed 与 reading choices

多 Agent 系统跑不起来，八成问题出在模型通道和输出解析上。这一节把最常见的几类报错和排查路径列清楚，对照着查能省很多时间。

401 Unauthorized。这是最高频的错误，几乎都是 Key 的问题。先确认三件事：Key 有没有带Bearer前缀（注意有个空格）；Key 是不是复制时多了换行或空格；Key 有没有被禁用或额度耗尽。在 .NET 里，如果用的是ApiKeyCredential，框架会自动加Bearer，这时候你传的 Key 就不能再手动带前缀，否则会变成Bearer Bearer sk-...。排查时把实际请求的 Header 打出来看一眼最直接。

local proxy failed / connection refused。这个报错通常和网络环境有关，表现为客户端连不上 Base URL。先确认BaseUrl写的是https://taotoken.net/api，没有多余路径；再确认本机 DNS 能解析、能访问外网。如果是在容器里跑，检查容器网络是否放行了出站 HTTPS。还有一种情况是配置里 Base URL 末尾多了斜杠，导致拼出来的路径变成//v1/chat/completions，某些网关会拒绝，统一去掉末尾斜杠即可。

reading choices 相关报错。典型信息是Cannot read properties of undefined (reading 'choices')或者反序列化时找不到choices字段。这说明返回体结构和预期不符。可能原因有三个：一是请求路径不对，打到了非兼容接口；二是 Model ID 写错了，服务端返回了错误对象而不是正常响应；三是流式和非流式模式混用，代码按流式解析但请求发的是非流式。排查方法是在 curl 里复现同样的请求，看原始返回体长什么样，再对照代码里的解析逻辑。

OAuth / 认证方式不匹配。如果你在 MCP 配置里用了 HTTP 传输并开启了requiresAuth，但没配oauthClientId，就会报认证失败。MCP 的 HTTP 模式需要走 OAuth 流程，配置片段要写全：

{ "name": "RemoteToolService", "transportType": "http", "serverUrl": "https://your-mcp-host/mcp", "requiresAuth": true, "oauthClientId": "your_client_id" }

结构化输出解析失败。即使设了ChatResponseFormat.ForJsonSchema，部分模型仍可能返回带废词的 JSON。稳妥做法是加一层容错解析：先尝试直接反序列化，失败则截取第一个{到最后一个}再解析。这个兜底逻辑在多 Agent 系统里几乎是必备的，因为任何一个 Agent 的输出格式抖动都会让整条链路断掉。

MCP 工具加载超时。Stdio 模式的 MCP 要启动 Node 进程，冷启动可能 3 到 5 秒。如果同步等待，Agent 创建会被卡住。解决办法是加超时保护，用WaitAsync(TimeSpan.FromSeconds(15))，超时就跳过 MCP 工具继续执行，不要让整个 Agent 创建失败。

排查时记住一个原则：先隔离，再定位。先用 curl 确认通道，再单独跑每个 Agent，最后跑完整工作流。哪一层出问题就在哪一层解决，不要一上来就怀疑框架。

6. 把链路接到实际项目：Coding Plan 与后续扩展

三个 Agent 跑通之后，下一步就是把它接到真实项目里，让它真正产生价值。这里有两个方向值得展开：一是把模型调用成本控制住，二是把工作流扩展到更多场景。

成本控制方面，多 Agent 系统最容易失控的地方是重复调用。Researcher 收集的资料，如果 Writer 每次重写都要重新收集一遍，Token 消耗会翻好几倍。解决办法是加缓存：把 Researcher 的输出按 taskId 缓存起来，Writer 重写时直接复用。同时按 Agent 分配模型，Researcher 和 Reviewer 用便宜的小模型，只有 Writer 用强模型，单篇成本能压到很低。如果内容生产是长期、批量的需求，可以考虑用 Coding Plan 这类面向持续调用的方案来统一管理额度，避免每次都要单独充值。

扩展方向方面，这套"收集、撰写、审校"的三段式结构可以直接迁移到很多场景。新闻稿生成、产品文档、技术白皮书，本质都是"资料整理加内容产出加质量把关"。代码生成场景可以改成"需求分析、代码实现、代码审查"。数据分析场景可以改成"数据收集、分析报告、可视化建议"。只要你的业务能拆成多个步骤，就能用 Agent 工作流来实现。

如果要继续深入，建议从这几个点入手：给工作流加条件路由，Reviewer 评分低于阈值时自动触发重写；接入向量数据库做 RAG，让 Researcher 能引用历史博客保持风格一致；用 OpenTelemetry 做可观测性，追踪每个 Agent 的耗时和 Token 消耗。这些扩展都能在现有结构上平滑叠加，不需要推倒重来。

最后说个实操建议：先把最小链路跑通，也就是三个 Agent 加顺序工作流，确认能稳定产出一篇成稿，再去加 MCP 工具、RAG、条件路由这些高级特性。很多项目失败不是因为架构不够先进，而是因为一开始就堆了太多东西，结果哪一环都没调通。先把主干跑顺，再长枝叶。

需要创建 Key 或查看接入文档的话，可以从这里进：API Keys 页面 https://taotoken.net/console/api-keys?utm_source=taotoken_aicg_blog_end&utm_content=api_keys&utm_campaign=rewrite ，接入文档 https://taotoken.net/doc?utm_source=taotoken_aicg_blog_end&utm_content=doc&utm_campaign=rewrite 。想先验证模型效果，可以直接在模型对话页试 https://taotoken.net/chat?utm_source=taotoken_aicg_blog_end&utm_content=chat&utm_campaign=rewrite 。长期做内容生产或 Agent 开发的话，Coding Plan 会更划算 https://taotoken.net/coding-plan?utm_source=taotoken_aicg_blog_end&utm_content=coding_plan&utm_campaign=rewrite 。