了解了轻量级的OpenAI Swam、重量级的LangGraph、易用又不失强大的CrewAI后，今天一起来看出自名门的AutoGen。AutoGen是微软公司推出的用于构建多智能体对话式系统的高级框架，用来创建多个AI Agent协作以解决问题的LLM应用。本文内容：

• **五分钟读懂AutoGen
  **

• AutoGen实现多智能体Demo

• AutoGen小结

微软在全新的AutoGen v0.4版本中进行了重新设计开发，提供了一个事件驱动、可扩展的分布式多智能体开发与运行框架，该版本目前处于开发中，后续我们将用独立文章为大家预览新版本。

1

五分钟读懂AutoGen

AutoGen可以帮你快速构建一个多Agent通过对话进行有机协作的小型生态系统。在这个系统中，多个Agent借助对话来实现分工、分享与启发，最后完成输入的任务或问题。说人话就是：

多个Agent边聊天边工作，配合完成复杂任务。

需要注意的是，在AutoGen中，人类也可以特殊的身份成为团队的一员。当然，这个成员的特殊能力就是可以“不够智能”：需要人类给出回应，而非让LLM回应。

**【概念理解】
**

如何“聊着聊着”就把问题解决了呢？看下面的例子：

这个双Agent系统中，我们让“儿子”与“父亲”聊天，答案自然就包含在了对话之中（AutoGen会总结最终结果）。

这是一个复杂点的多Agent场景：

三个Agent的团队完成一个调查报告的协作过程：一个负责搜索整理，一个负责审查反思，一个负责制作最终报告。

【工具使用】

会用工具是Agent的基本特征（不能只聊天不干活），在AutoGen中，有两种常见的工具：

• **函数工具（包括API调用）
  **

• 代码工具：就是让Agent当码农，并在本地或者docker执行

一个借助代码工具来完成任务的例子：

注意这里的代码编写和代码执行是由不同的Agent负责，这也是AutoGen在使用工具上不同于其他框架的地方：工具的提出与执行是由不同的Agent来完成。

【聊天模式】

聊天也要有秩序，所以最后来了解AutoGen目前版本中的三种基础聊天模式：

1. 双人模式

两个智能体相互聊天的模式：

2. 连续聊天模式

举一个例子，比如玩一个大家抽签比大小的游戏，主持人让每个人依次抽签，最后再让裁判来判决结果：

简单的说，就是一个Agent连续与多个Agent聊天，且每次聊天的结果会带入到下一个聊天中，最后完成任务。

**3. 群聊模式
**

当有一堆Agent在一起聊天时，问题来了，谁是下一个发言者？AutoGen提供了多种决策机制，比如**轮流、随机、人工决定、以及默认的由LLM来决定，**另外还允许定制自己的决策算法（比如有人说脏话就禁言：））。

群聊模式中，需要一个团队管理者，来负责协调与决策下一个发言者。

以上是AutoGen的基础聊天模式，初此之外，AutoGen还提供了嵌套聊天的模式：就是把一个多Agent系统“打包”成一个Agent，用到另一个更大的系统中。

这里揭示了AutoGen与CrewAI的一点区别：AutoGen多个Agent的协作相对更灵活，但也多了一些随机性（高度依赖LLM决策）；CrewAI默认采用顺序任务编排，牺牲了灵活性，但多了些确定性。

2

AutoGen实现多智能体Demo

现在我们来实现之前的多智能体Demo：

这个层级模式刚好匹配AutoGen的群聊模式，这里直接给出核心代码：

.....``from autogen import ConversableAgent,GroupChat,GroupChatManager,AssistantAgent,UserProxyAgent   web_searcher = ConversableAgent(       name="web_searcher",       system_message="你是一个搜索助手,会根据输入的关键词进行网络搜索. ",       llm_config={"config_list": [{"model": "gpt-4o-mini"}]},   )   web_searcher.register_for_llm(name="web_search_tool", description="网络搜索工具")(web_search_tool)      emailer = ConversableAgent(       name="emailer",       system_message="你是一个邮件助手,会根据输入的收件人、主题和正文发送邮件. ",       llm_config={"config_list": [{"model": "gpt-4o-mini"}]},   )   emailer.register_for_llm(name="email_tool", description="邮件发送工具")(email_tool)      user_proxy = ConversableAgent(       name="user_proxy",       system_message="你是一个善于回答问题的AI助手，并会执行python代码或进行工具调用。如果没有具体的输入任务,请直接回复DONE",       llm_config={"config_list": [{"model": "gpt-4o-mini"}]},       human_input_mode="NEVER",   )   user_proxy.register_for_execution(name="web_search_tool")(web_search_tool)   user_proxy.register_for_execution(name="email_tool")(email_tool)      group_chat = GroupChat(       agents=[web_searcher,emailer,user_proxy],       messages=[],       max_round=6   )      group_chat_manager = GroupChatManager(       groupchat=group_chat,       system_message="你是一个智能的团队管理者，会根据输入任务与历史消息决定下一步的任务，并选择合适的团队成员来完成。",       llm_config={"config_list": [{"model": "gpt-4o-mini"}]},       is_termination_msg=lambda msg: 'DONE' in msg.get("content"),   )

这里省略了两个工具模拟函数(web_search_tool,email_tool)。其他解释如下：

• 创建web_searcher与emailer两个Agent，并注册tools，这是AutoGen中工具使用的机制

• 创建一个user_proxy的Agent。这是一个不同于其他框架的模式，这个Agent将代表人类提出任务与要求，同时工具的执行(代码与函数）需要这个独立的Agent来完成

• 创建团队与团队管理者，这部分有点类似CrewAI

• 注意这里用来结束聊天的小技巧:借助is_termination_msg这个参数

一切准备就绪，我们来分配任务：

chat_result = user_proxy.initiate_chat(group_chat_manager,  
 message="搜索今天黑神话悟空的最新消息，发到我邮箱aa@bb.com")

观察运行的输出：

注意看Next Speaker的选择，是由chat_manager根据任务进展的自动选择：

• 先选择web_searcher搜索网络（实际执行:user_proxy）

• **然后选择emailer发送邮件（实际执行:user_proxy）
  **

• 最后chat_manager判断任务已经结束，终止群聊

3

AutoGen小结

尽管AutoGen也是面向多智能体系统设计的开放框架，但相对基于角色扮演的CrewAI更复杂些。当然，从功能角度也更加强大（不考虑CrewAI新的Flows特性），毕竟CrewAI目前的多智能体协作还只支持顺序与层次两种方式。

【优点】

• 大厂出品，更有技术保障

• 天然面向多智能体系统而设计

• 基于对话的协作，更自然与直观

• 较强的功能与扩展性，适应多种领域任务

• 支持多种灵活的对话模式、任务分解模式

• 有较为完善的人类参与的协作机制

• 提供了AutoGen Studio低代码平台

• 文档与社区较完善

【缺点】

AutoGen在设计上与CrewAI一样都属于高度依赖于LLM自身来实现多智能体协作的框架，因此存在类似的问题：

• 复杂流程自定义编排的能力不足（期待正在开发的0.4版本）

• Agent之间的对话协作可能产生黑盒子效应，较大的不确定性

• 使用非OpenAI API兼容的本地LLM略麻烦

• 工具判断与执行的分离不太符合习惯

整体上对AutoGen的使用建议是，更适合如下场景与条件：

• 有较好的LLM开发技术基础

• 典型的多Agent应用场景，不建议在如RAG这样的需求中使用

• 非常适合有人类参与协作监督的场景，比如团队创作、软件编程等

AI大模型学习路线

如果你对AI大模型入门感兴趣，那么你需要的话可以点击这里大模型重磅福利：入门进阶全套104G学习资源包免费分享！

扫描下方csdn官方合作二维码获取哦！

这是一份大模型从零基础到进阶的学习路线大纲全览，小伙伴们记得点个收藏！

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

100套AI大模型商业化落地方案

大模型全套视频教程

200本大模型PDF书籍

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

LLM面试题合集

大模型产品经理资源合集

大模型项目实战合集

👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓