第13章 AutoGen 实战：微软多智能体协作框架

一个AI写代码，另一个AI审代码，吵完了给你一个最优方案。AutoGen 的群聊模式就是这么硬核。

我是怕浪猫，上一章聊了 LangGraph 的状态机编排，今天来搞 AutoGen——微软推出的多智能体协作框架。核心卖点：让多个 AI Agent 像"真人团队"一样对话协作。

13.1 AutoGen 核心架构与定位

AutoGen 是什么？

AutoGen 是微软研究院推出的多智能体协作框架，核心理念是"通过对话实现协作"——多个 Agent 通过消息传递来协商、合作、完成任务。

核心特性：

对话驱动：Agent 之间通过对话来协作
角色定制：每个 Agent 有独立的角色和系统提示
人类参与：支持人类作为 Agent 参与对话
代码执行：内置代码执行能力
群聊模式：多 Agent 群聊讨论

和其他框架对比

维度	AutoGen	LangGraph	CrewAI
核心模式	对话协作	状态机编排	角色任务
多Agent	群聊对话	图结构	团队流程
微软生态	深度集成	无	无
学习曲线	中	高	低
灵活度	中	高	低

AutoGen 适合"需要多个AI协商决策"的场景，不适合"严格流程控制"的场景。选型前先想清楚你需要哪种协作模式。

13.2 双 Agent 对话模式

最简单的协作：两个人对话

python

from autogen import ConversableAgent

# 创建两个 Agent
coder = ConversableAgent(
    name="Coder",
    system_message="你是一个资深Python开发者，负责编写高质量代码。",
    llm_config={"model": "gpt-4o"}
)

reviewer = ConversableAgent(
    name="Reviewer",
    system_message="你是一个严格的代码评审专家，检查代码质量、安全性和性能。",
    llm_config={"model": "gpt-4o"}
)

# 启动对话
result = coder.initiate_chat(
    reviewer,
    message="请帮我写一个Python函数，实现二分查找算法。"
)

对话流程

Coder: 写了一个二分查找实现
    ↓
Reviewer: 指出边界条件处理有问题
    ↓
Coder: 修改后重新提交
    ↓
Reviewer: 通过审核

设置终止条件

python

from autogen import ConversableAgent

coder = ConversableAgent(
    name="Coder",
    system_message="你是Python开发者。",
    llm_config={"model": "gpt-4o"},
    max_consecutive_auto_reply=3  # 最多自动回复3次
)

reviewer = ConversableAgent(
    name="Reviewer",
    system_message="你是代码评审专家。审核通过后说'REVIEW PASSED'。",
    llm_config={"model": "gpt-4o"},
    is_termination_msg=lambda msg: "REVIEW PASSED" in msg.get("content", "")
)

13.3 GroupChat 群聊协作

多 Agent 群聊

python

from autogen import ConversableAgent, GroupChat, GroupChatManager

# 创建多个 Agent
planner = ConversableAgent(
    name="Planner",
    system_message="你是一个项目规划专家，负责任务拆解和分配。",
    llm_config={"model": "gpt-4o"}
)

researcher = ConversableAgent(
    name="Researcher",
    system_message="你是一个市场研究员，负责收集和分析市场数据。",
    llm_config={"model": "gpt-4o"}
)

writer = ConversableAgent(
    name="Writer",
    system_message="你是一个资深内容撰写人，负责撰写分析报告。",
    llm_config={"model": "gpt-4o"}
)

# 创建群聊
group_chat = GroupChat(
    agents=[planner, researcher, writer],
    messages=[],
    max_round=10  # 最多10轮对话
)

# 创建群聊管理器
manager = GroupChatManager(
    groupchat=group_chat,
    llm_config={"model": "gpt-4o"}
)

# 启动群聊
planner.initiate_chat(
    manager,
    message="我们需要分析2024年中国新能源汽车市场，并生成一份完整报告。"
)

群聊流程

Planner: 将任务拆解为3个子任务：市场数据收集、竞品分析、报告撰写
    ↓
Researcher: 我来负责市场数据收集和竞品分析
    ↓
Writer: 我等数据出来后负责报告撰写
    ↓
Researcher: 数据收集完成，关键发现是...
    ↓
Planner: 好的，Writer可以开始撰写了
    ↓
Writer: 报告初稿完成，请Review
    ↓
Planner: 看起来不错，还需要补充...

群聊管理策略

策略	说明	适用场景
auto	管理器自动选择下一个发言者	通用
round_robin	按顺序轮流发言	固定流程
random	随机选择发言者	头脑风暴
自定义	自定义选择逻辑	特殊需求

13.4 代码生成与执行实战

场景

用 AutoGen 构建"AI 编程团队"——Coder 写代码，Executor 执行测试，Reviewer 审核。

python

from autogen import ConversableAgent, AssistantAgent, UserProxyAgent

# Coder：写代码
coder = AssistantAgent(
    name="Coder",
    system_message="你是Python开发者。只写代码，不解释。",
    llm_config={"model": "gpt-4o"}
)

# Executor：执行代码
executor = UserProxyAgent(
    name="Executor",
    system_message="你负责执行代码并报告结果。",
    human_input_mode="NEVER",
    code_execution_config={
        "work_dir": "./workspace",
        "use_docker": False
    }
)

# 启动协作
coder.initiate_chat(
    executor,
    message="写一个Python函数，实现快速排序算法，并测试。"
)

安全注意事项

代码沙箱：始终在 Docker 容器中执行代码
网络限制：限制代码的网络访问
资源限制：限制 CPU 和内存使用
超时控制：设置代码执行超时

python

executor = UserProxyAgent(
    name="Executor",
    code_execution_config={
        "work_dir": "./workspace",
        "use_docker": True,  # 使用Docker沙箱
        "timeout": 60  # 超时60秒
    }
)

13.5 人类代理参与协作

让人类作为 Agent 参与对话

python

from autogen import UserProxyAgent

# 人类代理
human = UserProxyAgent(
    name="Human",
    human_input_mode="ALWAYS",  # 每次都需要人类输入
    system_message="你是项目Owner，做最终决策。"
)

# AI 代理
assistant = AssistantAgent(
    name="Assistant",
    system_message="你是AI助手，提供方案建议，由人类做最终决策。",
    llm_config={"model": "gpt-4o"}
)

# 启动对话
human.initiate_chat(
    assistant,
    message="帮我设计一个用户增长方案"
)

human_input_mode 参数

模式	说明	适用场景
ALWAYS	每次都需要人类输入	关键决策
TERMINATE	只在终止时需要人类确认	审核确认
NEVER	完全自动	自动化任务

13.6 实战：数据分析与报告生成

场景

用3个 Agent 协作完成数据分析任务：数据工程师清洗数据，分析师分析数据，写手撰写报告。

python

from autogen import ConversableAgent, GroupChat, GroupChatManager

data_engineer = ConversableAgent(
    name="DataEngineer",
    system_message="""你是一个数据工程师，负责数据清洗和预处理。
工作内容：
1. 读取原始数据
2. 处理缺失值和异常值
3. 数据类型转换
4. 输出清洗后的数据摘要""",
    llm_config={"model": "gpt-4o"}
)

analyst = ConversableAgent(
    name="Analyst",
    system_message="""你是一个数据分析师，负责数据分析和可视化。
工作内容：
1. 描述性统计分析
2. 发现数据中的趋势和模式
3. 生成分析结论
4. 推荐可视化方案""",
    llm_config={"model": "gpt-4o"}
)

reporter = ConversableAgent(
    name="Reporter",
    system_message="""你是一个报告撰写专家，负责将分析结果写成清晰的报告。
要求：
1. 结构清晰（摘要→发现→建议）
2. 数据支撑结论
3. 语言简洁专业
4. 添加下一步行动建议""",
    llm_config={"model": "gpt-4o"}
)

group = GroupChat(agents=[data_engineer, analyst, reporter], messages=[], max_round=8)
manager = GroupChatManager(groupchat=group, llm_config={"model": "gpt-4o"})

data_engineer.initiate_chat(
    manager,
    message="分析最近30天的用户行为数据，找出流失风险最高的用户群体。"
)

多智能体协作的优势不是"做得更快"，而是"做得更好"。每个 Agent 专注自己的领域，互相检查和补充，最终产出质量远超单个 Agent。

13.7 AutoGen 高级应用与最佳实践

自定义 Agent 选择策略

python

def custom_speaker_selection(last_speaker, messages):
    """自定义发言者选择逻辑"""
    last_msg = messages[-1]["content"]
    
    if "数据清洗完成" in last_msg:
        return analyst
    elif "分析完成" in last_msg:
        return reporter
    elif "需要更多数据" in last_msg:
        return data_engineer
    else:
        return None  # 让管理器自动选择

group = GroupChat(
    agents=[data_engineer, analyst, reporter],
    messages=[],
    speaker_selection_method=custom_speaker_selection
)

最佳实践清单

实践	说明
明确角色	每个Agent的角色不能重叠
限制轮次	设置max_round防止无限对话
终止条件	设置明确的终止信号
人类兜底	关键决策让人类确认
代码沙箱	始终在Docker中执行代码
日志记录	记录完整对话用于调试

本章小结

主题	核心要点
双Agent对话	最简单的协作模式，适合写代码+审代码
GroupChat	多Agent群聊讨论，管理器协调发言
代码执行	Docker沙箱+超时控制
人类参与	3种模式：ALWAYS/TERMINATE/NEVER
数据分析实战	数据工程师→分析师→报告撰写
最佳实践	角色不重叠、限制轮次、人类兜底

觉得有用？收藏起来，下次直接照抄。

你用 AutoGen 做过多Agent协作项目吗？评论区聊聊。

关注怕浪猫，下期我们讲 CrewAI——角色驱动的多智能体团队框架。

系列进度 13/24

下章预告： 第14章我们将深入 CrewAI，从角色定义到团队协作，用"AI团队"的方式构建内容生产和数据分析应用。

第13章 AutoGen 实战：微软多智能体协作框架 ​

13.1 AutoGen 核心架构与定位 ​

13.2 双 Agent 对话模式 ​

13.3 GroupChat 群聊协作 ​

13.4 代码生成与执行实战 ​

13.5 人类代理参与协作 ​

13.6 实战：数据分析与报告生成 ​

13.7 AutoGen 高级应用与最佳实践 ​

第13章 AutoGen 实战：微软多智能体协作框架

13.1 AutoGen 核心架构与定位

13.2 双 Agent 对话模式

13.3 GroupChat 群聊协作

13.4 代码生成与执行实战

13.5 人类代理参与协作

13.6 实战：数据分析与报告生成

13.7 AutoGen 高级应用与最佳实践