Microsoft Agents AI Playground

Dieses Repo ist ein kleiner, lokaler Spielplatz für das Microsoft Agent Framework. Es ist aus einer Twitch-Stream-Mitschrift entstanden und wurde danach in eine erweiterbare Struktur überführt.

Der Playground nutzt standardmäßig LM Studio über einen OpenAI-kompatiblen lokalen Endpoint:

http://localhost:1234/v1

Ziel

Das Projekt soll Agent-Konzepte sichtbar und nachvollziehbar machen:

• Wie sieht ein Agent-Loop mit Text, Tool-Call und Tool-Ergebnis aus?
• Wie funktionieren sichere Datei-Tools als Dry-Run?
• Wie arbeitet ein Agent mit strukturiertem JSON?
• Wie nutzt ein Agent einen anderen Agenten als Tool?
• Wie sieht ein echter ApprovalRequired-Tool-Flow aus?
• Wie kann lokale Repo-Suche als einfacher RAG-Kontext dienen?
• Wie kann derselbe Playground in Console und Web-UI ausprobiert werden?

Voraussetzungen

• .NET SDK mit net10.0-Unterstützung
• LM Studio oder ein anderer OpenAI-kompatibler Server auf http://localhost:1234/v1
• Ein geladenes Modell, z. B. qwen/qwen3.5-9b

Auf diesem Rechner wurde verifiziert:

/opt/homebrew/bin/dotnet --version
# 10.0.301

Hinweis: Der Nutzer arbeitet mit fish. In manchen Codex-Shells fehlt Homebrew im PATH; dann explizit /opt/homebrew/bin/dotnet verwenden.

Starten

Dependencies wiederherstellen:

/opt/homebrew/bin/dotnet restore

Build:

/opt/homebrew/bin/dotnet build

Console-Playground:

/opt/homebrew/bin/dotnet run

Web-Playground:

/opt/homebrew/bin/dotnet run -- --web --urls http://localhost:5062

Danach im Browser öffnen:

http://localhost:5062

Console-Demos

Das Console-Menü bietet aktuell sieben Demos:

1. Agent-Loop sichtbar machen
   Zeigt Textausgabe, Tool-Aufruf, Tool-Ergebnis und Tool-Iterationszähler.

2. Mini-Datei-Buddy als Dry-Run
   Listet Dateien, liest kleine Textdateien und prüft Umbenennungen ohne echte Dateiänderung.

3. Zwei-Agenten-Workflow
   Führt Scanner- und Reviewer-Agent sequenziell aus.

4. Structured Output Datei-Buddy
   Erzwingt eine maschinenlesbare JSON-Antwort als FileBuddyPlan.

5. Agent-as-Tool Workflow
   Nutzt einen Spezialagenten als Function Tool eines Orchestrator-Agenten.

6. ApprovalRequired Tool Flow
   Wickelt ein Tool mit ApprovalRequiredAIFunction ein und führt danach Approve/Reject aus.

7. Lokales Repo-RAG
   Durchsucht lokale Repo-Dateien und stellt Treffer über TextSearchProvider als Kontext bereit.

Web-UI

Wichtige Seiten:

• / und /dashboard — Blazor/Radzen-Dashboard mit Metriken, KI-Erreichbarkeit, Demo-Aktionen, Approval-Grid und Timeline
• /chat — persistenter Chat mit OpenAI-kompatiblem Endpoint oder Ollama
• /terminal — terminalartige Simulation des Console-Agent-Loops mit Session-Memory
• /advanced — Structured Output, ApprovalRequired und lokales Repo-RAG
• /approvals — Human-in-the-loop Approval-Store
• /webhooks — Webhook-Spielplatz
• /memories — lokal gespeicherte Chat-Erinnerungen anzeigen und löschen
• /logs — In-Memory-Log anzeigen, filtern und löschen
• /settings — appsettings.json bearbeiten; Neustart nötig, damit Singleton-Services alle Änderungen übernehmen

Wichtige API-Endpunkte:

• GET /health
• POST /demo/loop
• GET /demo/loop/stream?message=...&sessionId=...
• POST /demo/workflow
• POST /demo/filebuddy/structured
• POST /demo/approval-required
• POST /demo/rag
• POST /api/approvals
• GET /api/approvals
• POST /webhooks/file-event

Benutzung

Lokale KI vorbereiten

1. LM Studio starten.
2. Im Bereich Developer > Local Server den Server aktivieren.
3. Ein Modell laden, z. B. qwen/qwen3.5-9b.
4. Prüfen, ob der Server unter http://localhost:1234/v1 erreichbar ist.

Optional kann Ollama parallel laufen. Der Standardprovider für den Chat wird in appsettings.json oder über /settings gesetzt.

Web-Playground verwenden

1. Web-App starten:

/opt/homebrew/bin/dotnet run -- --web --urls http://localhost:5062

2. http://localhost:5062 öffnen.
3. Dashboard prüfen: OpenAI-kompatibel sollte Erreichbar anzeigen, wenn LM Studio läuft.
4. /chat öffnen, einen neuen Chat anlegen und eine kurze Nachricht senden.
5. /terminal verwenden, um Tool-Aufrufe und Agent-Loop wie in der Console zu sehen.
6. /advanced verwenden, um Structured Output, ApprovalRequired und lokales RAG auszuprobieren.
7. /logs öffnen, wenn etwas unerwartet wirkt.

Lokale Modelle können langsam sein. Der Chat zeigt deshalb während der Anfrage KI arbeitet...; eine Antwort kann je nach Modell mehrere Sekunden oder länger dauern.

Settings ändern

Die Seite /settings schreibt Werte nach appsettings.json. Da viele Services als Singletons registriert sind, sollte die Web-App nach Änderungen neu gestartet werden.

Wichtige Felder:

• Endpoint, Model, ApiKey für LM Studio oder andere OpenAI-kompatible Server
• Ollama.Endpoint und Ollama.Model für Ollama
• DefaultProvider für den Chat
• Tool- und Trace-Limits
• JSON-Dateipfade für Approvals, Chats und Memories

Memories verwenden

Im Chat erzeugen Formulierungen wie diese automatisch eine Memory:

Merk dir: Ich nutze fish shell.

Die gespeicherten Memories erscheinen unter /memories und werden bei späteren Chat-Anfragen als zusätzlicher Systemkontext mitgegeben.

Struktur

App/              Console-Menü und Demo-Auswahl
Agent/            kleine Agent-Demo-Klassen, Prompts, Tools und Trace-Ausgabe
Components/       Blazor/Radzen-Seiten, Layout und Shared-UI-Bausteine
Configuration/    appsettings.json Mapping und technische Limits
Features/         fachliche Bausteine für AI-Health, Chat, Memories, Approvals, FileBuddy, LocalRag und Terminal
Infrastructure/   OpenAI-kompatible Client-Erzeugung
Logging/          eigener Console-/Web-Logger mit In-Memory-Journal
Services/         PromptLoader für Markdown-Instructions
Utilities/        kleine Schutz- und Erkennungsfunktionen
Web/              Hosting, Minimal API, Endpoints und Web-Services
wwwroot/          Dashboard-CSS und statische Assets
Backup/           gesicherte Originaldateien aus dem Stream-Kontext

Agent/Demos/AgentDemos.cs ist bewusst nur eine Fassade. Die konkrete Logik liegt in kleineren Klassen wie AgentLoopDemo, FileBuddyDemo, WorkflowDemos, ApprovalDemo und LocalRagDemo.

Web/Services/WebAgentRunner.cs ist ebenfalls nur eine Fassade. Loop/SSE, Web-Workflow und Advanced-Demos sind in WebLoopRunner, WebWorkflowRunner und WebAdvancedDemoRunner getrennt.

Wiederverwendete UI-Elemente wie Seitenkopf, Demo-Karte, Metric-Karte und Playground-Timeline liegen unter Components/Shared/.

Settings

Zentrale Konfiguration steht in appsettings.json:

{
  "AgentPlayground": {
    "Endpoint": "http://localhost:1234/v1",
    "Model": "qwen/qwen3.5-9b",
    "ApiKey": "lm-studio",
    "MinimumLogLevel": "Information",
    "FunctionInvocation": {
      "MaximumIterationsPerRequest": 8,
      "MaximumConsecutiveErrorsPerRequest": 2,
      "TerminateOnUnknownCalls": true
    },
    "ToolLimits": {
      "MaximumWorkspaceFiles": 80,
      "MaximumTextFileCharacters": 4000
    },
    "Trace": {
      "MaximumPreviewCharacters": 500
    },
    "ApprovalStore": {
      "FilePath": "Data/approvals.json"
    },
    "Ollama": {
      "Endpoint": "http://localhost:11434",
      "Model": "llama3.2"
    },
    "ChatStore": {
      "FilePath": "Data/chats.json",
      "DefaultProvider": "OpenAiCompatible"
    },
    "MemoryStore": {
      "FilePath": "Data/memories.json"
    }
  }
}

Umgebungsvariablen können mit dem Prefix AGENT_PLAYGROUND__ gesetzt werden.

Beispiel:

AGENT_PLAYGROUND__AgentPlayground__MinimumLogLevel=Trace /opt/homebrew/bin/dotnet run

Die Blazor-Seite /settings kann die Werte in appsettings.json ändern. Environment-Overrides und appsettings.Development.json können weiterhin Vorrang haben; nach dem Speichern ist ein Neustart der Web-App sinnvoll.

Prompts

Agent-Instructions liegen unter Agent/Prompts/ als Markdown-Dateien. Dadurch kann das Verhalten der Agenten angepasst werden, ohne C#-Code zu ändern.

Beispiele:

• Agent/Prompts/LoopInspector.md
• Agent/Prompts/FileBuddy.md
• Agent/Prompts/StructuredFileBuddy.md
• Agent/Prompts/LocalRepoRagAgent.md

Wenn eine Prompt-Datei fehlt oder nicht lesbar ist, verwendet der Code einen kleinen Fallback-Prompt.

Logging

IPlaygroundLogger schreibt nach Leveln Trace, Debug, Information, Warning und Error. ConsolePlaygroundLogger gibt die Einträge farbig in der Console aus und hält zusätzlich die letzten Log-Zeilen im Speicher. Die Blazor-Seite /logs zeigt diese Einträge an und kann das In-Memory-Log löschen.

Chat und Memories

Chats werden lokal in Data/chats.json gespeichert. Der Chat kann den OpenAI-kompatiblen Endpoint aus AgentPlayground:Endpoint oder Ollama aus AgentPlayground:Ollama nutzen. Formulierungen wie Merk dir: Ich nutze fish shell speichern automatisch eine Memory in Data/memories.json; die Seite /memories zeigt diese Einträge an.

Bekannte Modell-Eigenheiten

Lokale Modelle und lokale OpenAI-kompatible Server setzen nicht jedes Feature gleich zuverlässig um. Bei LM Studio/Qwen kann ResponseFormat = JsonSchema leeren oder nicht exakt JSON-kompatiblen Text liefern. Der Structured FileBuddy fängt das ab und gibt dann einen gültigen Fallback-FileBuddyPlan mit Hinweis aus, statt eine JsonException bis in die UI durchzureichen.

Sicherheitsmodell

Die Datei-Tools sind bewusst defensiv:

• Pfade dürfen den Workspace nicht verlassen.
• bin/, obj/, .git und Backup/ werden ignoriert.
• Dateiänderungen laufen als Dry-Run.
• ApprovalRequired demonstriert Freigabe, führt aber weiterhin keine echte Umbenennung aus.
• Approval-Anfragen werden mit System.Text.Json in Data/approvals.json gespeichert.

Das ist Absicht: Der Playground soll Agent-Verhalten zeigen, ohne unkontrolliert Dateien zu verändern.

Nächste sinnvolle Experimente

• Structured Output mit Reparaturparser oder Modell-Kompatibilitätsmodus erweitern.
• Chat-Antworten per Streaming anzeigen, statt auf die komplette Antwort zu warten.
• RAG-Suche von Token-Zählung auf Embeddings/Vektorsuche erweitern.
• Approval-Store und Logs optional persistent machen.
• MCP-Server als weiteres lokales Experiment ergänzen.
• Dashboard-Metriken um echte Laufzeit- und Fehlerzähler erweitern.
• echte Dateioperationen nur mit ApprovalRequired und klaren Pfadgrenzen ergänzen.