上一篇讲了 微软押注生产级 Agent 执行层——框架级执行层。这篇深入两个改变交互范式的能力：CodeAct 减少往返，Handoff 实现动态路由。
CodeAct + Hyperlight：用代码减少往返
Harness 默认走传统 tool-calling：模型选工具 → 执行 → 结果返回 → 再选下一步，多轮往返。CodeAct 是可选加速模式——给模型一个 execute_code 工具，让它把多步调用写成一段 Python，一次性执行。
减少的是 model ↔ execution 的往返次数，不是执行速度。
以”计算多用户订单总价”为例（涉及 list users / get orders / get discounts 等数十次 tool call）：
| 模式 | 时间 | Tokens | 提升 |
|---|---|---|---|
| Traditional tool-calling | 27.81s | 6,890 | — |
| CodeAct | 13.23s | 2,489 | 52% / 64% |
为什么更快、更省 token：
Traditional 流程（5 次 tool call = 5 次 LLM 介入）：
用户: "计算所有用户订单总价"
↓
LLM: 我需要先 list users → 生成 tool call: list_users()
↓
[执行] → 返回 8 个用户 ID
↓
LLM: 拿到用户了，现在 get orders for user_1 → 生成 tool call: get_orders("user_1")
↓
[执行] → 返回订单列表
↓
LLM: 继续 get orders for user_2 → 生成 tool call: get_orders("user_2")
↓
...（重复 8 次）
↓
LLM: 现在算折扣和税费 → 生成 tool call: get_discount("order_123")
↓
...（更多往返）
↓
LLM: 终于能生成最终回答了
CodeAct 流程（1 次 LLM 介入 + 沙箱执行）：
用户: "计算所有用户订单总价"
↓
LLM: 我把整个逻辑写成代码 → 生成 execute_code:
users = call_tool("list_users")
total = 0
for user in users:
orders = call_tool("get_orders", user_id=user.id)
for order in orders:
discount = call_tool("get_discount", order_id=order.id)
tax = call_tool("get_tax_rate", region=order.region)
total += (order.amount - discount) * (1 + tax)
print(f"总价: {total}")
↓
[Hyperlight 沙箱执行所有 tool calls，返回最终结果]
↓
LLM: 生成最终回答
- Traditional：5 次 tool call = 5 次 model turns，每次都要重新生成思考过程
- CodeAct：1 次 model turn 生成代码，沙箱执行完返回最终结果
安全不妥协：模型生成的代码跑在 Hyperlight micro-VM 里——每次调用一个新鲜隔离的虚拟机，强隔离 overhead 几乎为零。代码通过 call_tool(...) 调用宿主注册的真实工具，沙箱本身不直接访问外部资源。
from agent_framework_hyperlight import HyperlightCodeActProvider
codeact = HyperlightCodeActProvider(tools=[get_weather])
agent = create_harness_agent(client=client, context_providers=[codeact])
CodeAct 不做编排决策，编排还是 LLM 的事。它的价值是：让 LLM 能用代码表达复杂逻辑（循环、条件、变量），并在安全环境里执行。
一句话澄清安全边界：CodeAct 沙箱 = 防 LLM 乱写代码，不防 LLM 乱用你的工具。工具安全还是你的事。如果
send_email()有副作用，给工具加approval_mode="always_require"，而不是指望沙箱兜底。
Handoff：Harness 里的多 agent 编排
多 agent 的经典问题：router 转发一次就断，follow-up 和上下文传递全靠 hack。
Harness 的 Handoff pattern：你声明拓扑，框架注入 handoff 工具，agent 自己决定什么时候移交控制权。
workflow = (
HandoffBuilder(name="customer_support")
.participants([coordinator, refund, shipping, tech])
.set_coordinator(coordinator)
.with_interaction_mode("autonomous")
.with_termination_condition(should_terminate)
.build()
)
和 GitHub Copilot Custom Agents Handoff 的区别：
如果你用过Github Copilot 的 Custom Agents 功能，可能对它的 Handoff 也很熟悉。Copilot Handoff 是预定义的顺序流水线，MAF Handoff 是动态路由的会话转移——像客服中心：前台评估问题，自动转给退款/物流/技术支持，处理完可以结束，也可以转回前台。
| Copilot Handoff | MAF Handoff | |
|---|---|---|
| 路由方式 | 固定顺序（Plan→Implement→Review） | 动态决定（根据内容路由到 specialist） |
| 触发方式 | 用户点击按钮 | Agent 自主调用 handoff 工具 |
| 终止条件 | 必须走完所有步骤 | 可提前结束（条件满足就终止） |
| 回到起点 | 不支持 | 支持（specialist 可 handoff 回 coordinator） |
| 适用场景 | 开发工作流 | 运行时服务（客服、分诊） |
一句话
CodeAct 让 agent 执行更快，Handoff 让 agent 协作更智能——一个是单 agent 的效率优化，一个是多 agent 的动态编排。合在一起，Harness 才不只是”能跑”，而是能扛、能扩展、能自治。
参考链接
- CodeAct in Agent Framework: Faster Agents with Fewer Model Turns
- Executable Code Actions Elicit Better LLM Agents (arXiv:2402.01030)
- Handoff Workflows in Microsoft Agent Framework
- GitHub Copilot Custom Agent File Guidelines
- Microsoft Execution Containers (MXC) on GitHub
理解 AI，用好 AI，让 AI 帮助自我进化，加油。
