MAF快速入门（7）工作流的状态共享-程序员充电站

大家好，我是Edison。

最近我一直在跟着圣杰的《.NET+AI智能体开发进阶》课程学习MAF的开发技巧，我强烈推荐你也上车跟我一起出发！

上一篇，我们学习了MAF中进行了Agent和Executor的混合编排，相信你一定有了更多地理解。本篇，我们来通过一个经典的例子了解下MAF中工作流如何实现状态的共享。

状态共享的应用场景

在实际业务场景中，一个AI工作流的多个步骤之间往往需要共享上下文数据，例如用户原始输入、模型的输出缓存等。在MAF中，提供了一个 WorkflowContext 的模型，它原生提供了工作流上下文的状态共享能力。

举个例子，在下面这个聚合统计流程中，创建了一个FileContentState的共享内容通过WorkflowContext进行传递共享给后续的两个统计Executor使用，进而进行聚合输出结果。

WorkflowContext API一览

在WorkflowContext API中，它提供了以下一些状态读取和设置的接口，作为字典我们可以了解一下：

这里我们用的比较多的是：QueueStateUpdateAsync 和 ReadStateAsync 两个方法。

实验案例

今天来实践一个文档统计的工作流案例，和上面的例子相似：

这是一个典型的扇入扇出（Fan-In & Fan-Out）工作流：

首先，用户输入一个文件名，FileReadExecutor会读取该文件的内容并将文件内容传入工作流上下文中共享，同时将文件ID号传递给后续流程。

然后，单词统计Executor 和段落统计Executor 会分别统计该文件内容的单词数和段落数。

最后，聚合统计Executor会将收集到的单词数和段落数交由LLM进行友好信息的输出，最初反馈给用户。

这个案例展示了一次写入，多处读取的经典场景，它也是并发协作的基础。

准备工作

在今天的这个案例中，我们仍然创建了一个.NET控制台应用程序，安装了以下NuGet包：

Microsoft.Agents.AI.OpenAI
Microsoft.Agents.AI.Workflows
Microsoft.Extensions.AI.OpenAI

我们的配置文件中定义了LLM API的信息：

{ "OpenAI": { "EndPoint": "https://api.siliconflow.cn", "ApiKey": "******************************", "ModelId": "Qwen/Qwen3-30B-A3B-Instruct-2507" }}

这里我们使用 SiliconCloud 提供的 Qwen/Qwen3-30B-A3B-Instruct-2507 模型，之前的 Qwen2.5 模型在这个案例中不适用。你可以通过这个URL注册账号：https://cloud.siliconflow.cn/i/DomqCefW 获取大量免费的Token来进行本次实验。

然后，我们将配置文件中的API信息读取出来：

var config = new ConfigurationBuilder() .AddJsonFile($"appsettings.json", optional: false, reloadOnChange: true) .Build();var openAIProvider = config.GetSection("OpenAI").Get<OpenAIProvider>();

定义数据传输模型

首先，我们定义一下在这个工作流中需要生成传递的数据模型：

（1）FileStats ：统计结果DTO

internal sealed class FileStats{ public int WordCount { get; init; } public int ParagraphCount { get; init; }}

（2）FileContentStateConstants ：常量，类似于Cache Key的作用

internal static class FileContentStateConstants{ public const string ScopeName = "FileContentState";}

定义示例数据集

这里我们Mock了一个文档数据集，用于模拟读取的文件内容。

internal static class SharedStateSampleData{ private static readonly IReadOnlyDictionary<string, string> Documents = new Dictionary<string, string> { ["ProductBrief"] = "MAF Workflow 让 .NET 团队可以像积木一样组合 Agent、Executor 与工具, 支持流式事件、并发节点和可观测性。\n\n它强调企业级能力, 包括状态管理、依赖注入、权限控制, 适合搭建端到端 AI 业务流程。", ["WeeklyReport"] = "本周平台完成了 Shared State 功能的代码走查, 已经覆盖 Fan-out/Fan-in, Loop, Human-in-the-Loop 三种场景。\n\n下周计划: 1) 集成多模型投票; 2) 增加异常回滚; 3) 落地监控指标。" }; public static string GetDocument(string name) => Documents.TryGetValue(name, out var content) ? content : throw new ArgumentException($"未找到文档: {name}");}

文件读取Executor

MAF中定义了一个Executor的基类，所有自定义Exectuor都需要继承于它。

internal sealed class FileReadExecutor() : Executor<string, string>("FileReadExecutor"){ public override async ValueTask<string> HandleAsync(string message, IWorkflowContext context, CancellationToken cancellationToken = default) { var content = SharedStateSampleData.GetDocument(message); var fileId = Guid.NewGuid().ToString("N"); await context.QueueStateUpdateAsync(fileId, content, FileContentStateConstants.ScopeName, cancellationToken); Console.WriteLine($"📦 FileReadExecutor 已成功将 {message} 写入 Scope:{FileContentStateConstants.ScopeName}"); return fileId; }}

在这个Executor中，接收了用户的输入文件名，然后模拟从Mock文档内容中读取文件内容，并将文件ID 和文件内容通过 QueueStateUpdateAsync 方法传入共享状态存储区中，以便后续节点在需要的时候可以从共享状态中读取传递的内容。

最后，将文件ID直接传递给下一个节点。

文字统计和段落统计Executor

这里我们弄了两个用于统计文件内容的Executor，演示一下如何通过 ReadStateAsync 方法读取共享状态存储区中的内容。

（1）文字统计

internal sealed class WordCountingExecutor() : Executor<string, FileStats>("WordCountingExecutor"){ public override async ValueTask<FileStats> HandleAsync(string fileId, IWorkflowContext context, CancellationToken cancellationToken = default) { string? content = await context.ReadStateAsync<string>(fileId, FileContentStateConstants.ScopeName, cancellationToken); if (content is null) { throw new InvalidOperationException($"无法在 Scope:{FileContentStateConstants.ScopeName} 中找到 fileId={fileId}"); } int wordCount = content.Split([' ', '\n', '\r'], StringSplitOptions.RemoveEmptyEntries).Length; return new FileStats { WordCount = wordCount }; }}

（2）段落统计

internal sealed class ParagraphCountingExecutor() : Executor<string, FileStats>("ParagraphCountingExecutor"){ public override async ValueTask<FileStats> HandleAsync(string fileId, IWorkflowContext context, CancellationToken cancellationToken = default) { string? content = await context.ReadStateAsync<string>(fileId, FileContentStateConstants.ScopeName, cancellationToken); if (content is null) { throw new InvalidOperationException($"无法在 Scope:{FileContentStateConstants.ScopeName} 中找到 fileId={fileId}"); } int paragraphCount = content.Split(['\n', '\r'], StringSplitOptions.RemoveEmptyEntries).Length; return new FileStats { ParagraphCount = paragraphCount }; }}

聚合输出Executor

在工作流最后，我们定义给一个聚合输出的节点来汇总和输出用户友好的统计结果，这里我们首先获取到结构化的统计结果，然后通过LLM让其根据结果输出最终的反馈信息：

internal sealed class AggregationExecutor : Executor<FileStats>{ private readonly AIAgent _aggregationAgent; private readonly AgentThread _thread; private readonly List<FileStats> _buffer = []; public AggregationExecutor(IChatClient chatClient) : base("AggregationExecutor") { // 创建 Agent 和对话线程 this._aggregationAgent = chatClient.CreateAIAgent( "你是一个专业的文档统计结果输出大师，你可以将收到的JSON格式统计结果（如总词数、总段落数 以及 统计时间等）进行友好的信息输出给用户。", "output_agent", "Output user friendly message based on input document stats result"); ; this._thread = this._aggregationAgent.GetNewThread(); } public override async ValueTask HandleAsync(FileStats message, IWorkflowContext context, CancellationToken cancellationToken = default) { this._buffer.Add(message); if (this._buffer.Count < 2) { return; } int totalWords = this._buffer.Sum(x => x.WordCount); int totalParagraphs = this._buffer.Sum(x => x.ParagraphCount); var output = new { 总词数 = totalWords, 总段落数 = totalParagraphs, 统计时间 = DateTimeOffset.UtcNow }; var response = await this._aggregationAgent.RunAsync(JsonSerializer.Serialize(output), this._thread, cancellationToken: cancellationToken); await context.YieldOutputAsync(response.Text, cancellationToken); }}

构建工作流

现在万事俱备，只欠一个Workflow，现在Let's do it!

Step1: 获取ChatClient

var chatClient = new OpenAIClient( new ApiKeyCredential(openAIProvider.ApiKey), new OpenAIClientOptions { Endpoint = new Uri(openAIProvider.Endpoint) }) .GetChatClient(openAIProvider.ModelId) .AsIChatClient();

Step2: 实例化自定义Agent & Executors

var fileRead = new FileReadExecutor();var wordCounting = new WordCountingExecutor();var paragraphCounting = new ParagraphCountingExecutor();var aggregate = new AggregationExecutor(chatClient);

Step3: 创建Fan-out/Fan-in工作流

var sharedStateWorkflow = new WorkflowBuilder(fileRead) .AddFanOutEdge(fileRead, [wordCounting, paragraphCounting]) .AddFanInEdge([wordCounting, paragraphCounting], aggregate) .WithOutputFrom(aggregate) .Build(); Console.OutputEncoding = Encoding.UTF8;Console.WriteLine("✅ Shared State Workflow 构建完成");

Step4: 测试工作流

var documentKey = "ProductBrief";Console.WriteLine("━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━");Console.WriteLine($"📂 演示文档: {documentKey}");Console.WriteLine("━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━");await using (var run = await InProcessExecution.StreamAsync(sharedStateWorkflow, documentKey)){ await foreach (WorkflowEvent evt in run.WatchStreamAsync()) { switch (evt) { case WorkflowStartedEvent started: Console.WriteLine($"🚀 Workflow Started"); break; case ExecutorCompletedEvent executorCompleted: Console.WriteLine($"✅ {executorCompleted.ExecutorId} 完成"); break; case WorkflowOutputEvent outputEvent: Console.WriteLine("━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━"); Console.WriteLine("🎉 工作流执行完成"); Console.WriteLine("━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━\n"); Console.WriteLine($"{outputEvent.Data}"); break; case WorkflowErrorEvent errorEvent: Console.WriteLine("✨ 收到 Workflow Error Event："); Console.WriteLine($"{errorEvent.Data}"); break; default: break; } } await run.DisposeAsync();}

测试结果如下图所示：

可以看见，经过多个节点的统计和聚合，由LLM总结输出了用户友好的统计结果内容。

小结

本文介绍了工作流的状态共享的应用场景和 WorkflowContext相关的API，最后给出了一个文档内容统计的Fan-out/Fan-In工作流案例供参考。

下一篇，我们将继续学习MAF中工作流的上下文相关内容。

示例源码

Github: https://github.com/EdisonTalk/MAFD

参考资料

圣杰，《.NET + AI 智能体开发进阶》

年终总结：Edison的2024年终总结

数字化转型：我在传统企业做数字化转型

C#刷算法题：C#刷剑指Offer算法题系列文章目录