AutoGen 多智能体协作：让 AI 团队自动完成复杂任务

概述：从单 Agent 到多智能体协作

在 AI Agent 开发中，单一模型往往难以胜任需要多步骤推理、外部工具调用或角色分工的复杂任务。AutoGen 是微软推出的多智能体对话框架，它允许你定义多个具有不同角色、工具和记忆的 Agent，并通过自动化对话让它们协同完成任务。本教程面向已掌握基本 API 调用的进阶读者，将带你实战搭建一个由分析师、编码员和审查员组成的 AI 团队，实现从数据提取到报告生成的完整流程。

环境准备与核心概念

安装与配置

首先安装 AutoGen 并配置 LLM 后端。推荐使用 OpenAI 兼容的 API（如 GPT-4 或本地部署的 vLLM）。

pip install pyautogen

创建配置文件 OAI_CONFIG_LIST.json：

[
    {
        "model": "gpt-4",
        "api_key": "your-api-key-here",
        "base_url": "https://api.openai.com/v1"
    }
]

核心组件

AutoGen 多智能体系统由三个基础单元构成：

组件	角色	关键参数
AssistantAgent	执行推理与生成	`llm_config`, `system_message`
UserProxyAgent	模拟人类输入或执行代码	`human_input_mode`, `code_execution_config`
GroupChat	管理多 Agent 对话	`agents`, `speaker_selection_method`

system_message 决定了 Agent 的行为边界，而 speaker_selection_method 控制下一发言者选择逻辑（auto 或 round_robin）。

实战：构建三 Agent 数据分析流水线

1. 定义 Agent 角色

我们将创建三个专用 Agent：

分析师：解析任务、制定方案
编码员：编写并执行 Python 代码
审查员：验证结果、输出最终报告

import autogen
llm_config = {"config_list": [{"model": "gpt-4", "api_key": "sk-..."}], "temperature": 0}
analyst = autogen.AssistantAgent(
    name="Analyst",
    llm_config=llm_config,
    system_message="你是一名数据分析师。请先理解任务，然后给出分析步骤。"
)
coder = autogen.AssistantAgent(
    name="Coder",
    llm_config=llm_config,
    system_message="你是一名 Python 编码员。根据分析师的步骤编写代码，并执行。"
)
reviewer = autogen.AssistantAgent(
    name="Reviewer",
    llm_config=llm_config,
    system_message="你是一名审查员。检查编码员的代码输出，确认正确后生成 Markdown 报告。"
)

2. 配置 GroupChat 与 Manager

GroupChat 负责协调对话，GroupChatManager 作为调度器。

groupchat = autogen.GroupChat(
    agents=[analyst, coder, reviewer],
    messages=[],
    max_round=12,
    speaker_selection_method="auto"
)
manager = autogen.GroupChatManager(
    groupchat=groupchat,
    llm_config=llm_config
)

3. 启动多轮对话

使用 UserProxyAgent 模拟用户发起任务：

user_proxy = autogen.UserProxyAgent(
    name="UserProxy",
    human_input_mode="NEVER",
    code_execution_config={"use_docker": False}
)
task = "请从 https://api.example.com/data.csv 下载数据，计算各列平均值，并以表格形式输出报告。"
user_proxy.initiate_chat(
    manager,
    message=task
)

运行后，你将看到以下典型对话流：

Analyst：提出分析步骤（下载数据 → 计算统计量 → 格式化报告）
Coder：编写 pandas 代码并执行（代码块会被自动提取并运行）
Reviewer：检查输出结果，若发现错误则要求重新编码，否则生成最终报告

关键参数调优

在实际项目中，以下参数直接影响协作质量：

参数	推荐值	说明
`max_round`	8-15	轮次过少可能导致任务未完成，过多则浪费 token
`speaker_selection_method`	`auto`	自动选择最相关的下一发言者；`round_robin` 适合简单轮询
`human_input_mode`	`TERMINATE`（生产）	`NEVER` 用于全自动，`ALWAYS` 用于调试
`code_execution_config`	`{"use_docker": True}`	生产环境建议启用 Docker 隔离代码执行

进阶技巧：动态工具注册

对于需要调用外部 API 的场景，可以为 Agent 注册自定义函数。例如，让编码员能调用数据库查询：

def query_database(sql):
    # 实际数据库连接逻辑
    return [{"id": 1, "value": 100}]
coder.register_function(
    function_map={"query_database": query_database}
)

在 system_message 中告知编码员可用的函数名称，AutoGen 会自动解析函数调用。

小结

本教程从零搭建了一个 AutoGen 多智能体协作系统，涵盖 Agent 定义、GroupChat 配置、对话启动与参数调优。核心要点包括：

通过 system_message 明确每个 Agent 的职责边界
利用 GroupChatManager 的自动发言选择机制实现动态协作
生产环境务必启用 Docker 隔离和执行轮次限制
自定义函数注册可扩展 Agent 的工具能力

多智能体模式特别适合文档生成、数据流水线、代码审查等需要多角色分工的场景。建议读者从简单的三 Agent 模型开始，逐步添加记忆持久化、错误重试和流式输出等高级特性。如需进一步学习，请访问 AI Explorer 联系页面获取完整代码示例。