AutoGen 完整教程：微软多智能体对话框架

AI人工智能 9 小时前 0 0

AutoGen 完整教程：微软多智能体对话框架

AutoGen 是微软开源的多智能体对话框架，它让创建能够相互协作和对话的 AI 智能体变得简单。本文将全面介绍 AutoGen 的使用方法。

一、AutoGen 简介

AutoGen 由微软研究院开发，是一个强大的多智能体对话框架。它的核心特点：

多智能体对话：智能体之间可以相互交流、协商、协作
灵活的对话模式：支持一对一、一对多、多对多对话
代码执行能力：智能体可以编写和执行代码
人类参与：支持在对话中插入人工干预
工具调用：可以集成各种工具和 API

二、安装与配置

2.1 安装 AutoGen

# 创建虚拟环境
python -m venv autogen_env
source autogen_env/bin/activate

# 安装 AutoGen
pip install pyautogen

# 如果需要使用 OpenAI
pip install openai

# 验证安装
python -c "import autogen; print(autogen.__version__)"

2.2 配置 API Key

创建配置文件 OAI_CONFIG_LIST：

[
  {
    "model": "gpt-4",
    "api_key": "your-openai-api-key"
  },
  {
    "model": "gpt-3.5-turbo",
    "api_key": "your-openai-api-key"
  }
]

或者在代码中设置：

import autogen

config_list = [
    {
        "model": "gpt-4",
        "api_key": "your-api-key"
    }
]

三、快速开始：创建第一个对话

3.1 创建助手和用户代理

import autogen

# 定义配置
config_list = autogen.config_list_from_json(
    "OAI_CONFIG_LIST",
    filter_dict={
        "model": ["gpt-4", "gpt-3.5-turbo"]
    }
)

# 创建助手代理
assistant = autogen.AssistantAgent(
    name="assistant",
    llm_config={
        "config_list": config_list,
        "temperature": 0
    }
)

# 创建用户代理
user_proxy = autogen.UserProxyAgent(
    name="user_proxy",
    human_input_mode="NEVER",  # 不需要人工输入
    max_consecutive_auto_reply=10,
    code_execution_config={
        "work_dir": "coding",
        "use_docker": False
    }
)

# 开始对话
user_proxy.initiate_chat(
    assistant,
    message="帮我写一个 Python 函数计算斐波那契数列"
)

3.2 多智能体协作

import autogen

# 创建多个智能体
researcher = autogen.AssistantAgent(
    name="researcher",
    system_message="你是一名研究员，擅长收集和分析信息。",
    llm_config={"config_list": config_list}
)

coder = autogen.AssistantAgent(
    name="coder",
    system_message="你是一名程序员，擅长编写和调试代码。",
    llm_config={"config_list": config_list}
)

user_proxy = autogen.UserProxyAgent(
    name="user_proxy",
    human_input_mode="NEVER",
    max_consecutive_auto_reply=10,
    code_execution_config={"use_docker": False}
)

# 创建群组对话
groupchat = autogen.GroupChat(
    agents=[user_proxy, researcher, coder],
    messages=[],
    max_round=20
)

manager = autogen.GroupChatManager(
    groupchat=groupchat,
    llm_config={"config_list": config_list}
)

# 开始对话
user_proxy.initiate_chat(
    manager,
    message="研究并实现一个快速排序算法"
)

四、核心概念详解

4.1 代理类型

AutoGen 提供多种类型的代理：

# 1. AssistantAgent - 助手代理
assistant = autogen.AssistantAgent(
    name="assistant",
    system_message="你的角色和技能...",
    llm_config={"config_list": config_list}
)

# 2. UserProxyAgent - 用户代理
user_proxy = autogen.UserProxyAgent(
    name="user_proxy",
    human_input_mode="ALWAYS",  # ALWAYS / NEVER / TERMINATE
    max_consecutive_auto_reply=10,
    code_execution_config={
        "work_dir": "coding",
        "use_docker": False  # 或 True
    }
)

# 3. ConversableAgent - 可对话代理
agent = autogen.ConversableAgent(
    name="agent",
    system_message="系统消息",
    llm_config={"config_list": config_list},
    human_input_mode="TERMINATE"
)

# 4. RetrievalAugmentedAgent - 检索增强代理
from autogen.agentchat.contrib.retrieve_assistant_agent import (
    RetrieveAssistantAgent
)
rag_agent = RetrieveAssistantAgent(
    name="rag_agent",
    system_message="你有检索能力",
    client_configs=[],
    docs_path="./docs"
)

4.2 对话模式

# 1. 一对一对话
user_proxy.initiate_chat(
    assistant,
    message="你好"
)

# 2. 群组对话
groupchat = autogen.GroupChat(
    agents=[agent1, agent2, agent3],
    messages=[],
    max_round=20,
    speaker_selection_method="auto"  # auto / manual / random
)

manager = autogen.GroupChatManager(
    groupchat=groupchat,
    llm_config={"config_list": config_list}
)

# 3. 序列对话
for agent in [agent1, agent2, agent3]:
    agent.send(message="...", recipient=agent)

4.3 代码执行

# 配置代码执行
user_proxy = autogen.UserProxyAgent(
    name="user_proxy",
    human_input_mode="NEVER",
    code_execution_config={
        "work_dir": "coding",  # 工作目录
        "use_docker": False,  # 是否使用 Docker
        "timeout": 60  # 代码执行超时时间（秒）
    }
)

# 智能体会自动执行代码块
# 例如：
assistant.send(
    message="写一个 Python 脚本读取 CSV 文件",
    recipient=user_proxy
)

五、高级功能

5.1 工具调用

from autogen import AssistantAgent
from typing import Literal

# 定义工具函数
def get_weather(
    city: str,
    unit: Literal["celsius", "fahrenheit"] = "celsius"
) -> str:
    """获取指定城市的天气"""
    # 这里调用天气 API
    return f"{city} 的天气是 25{unit}"

# 注册工具
assistant = autogen.AssistantAgent(
    name="assistant",
    system_message="你可以使用天气工具",
    llm_config={
        "config_list": config_list,
        "functions": [
            {
                "name": "get_weather",
                "description": "获取天气信息",
                "parameters": {
                    "type": "object",
                    "properties": {
                        "city": {
                            "type": "string",
                            "description": "城市名称"
                        },
                        "unit": {
                            "type": "string",
                            "enum": ["celsius", "fahrenheit"],
                            "description": "温度单位"
                        }
                    },
                    "required": ["city"]
                }
            }
        ]
    }
)

# 智能体会自动调用工具
user_proxy.initiate_chat(
    assistant,
    message="北京今天的天气怎么样？"
)

5.2 检索增强（RAG）

from autogen.agentchat.contrib.retrieve_assistant_agent import (
    RetrieveAssistantAgent
)

# 创建检索增强代理
rag_assistant = RetrieveAssistantAgent(
    name="rag_assistant",
    system_message="你是一个有帮助的助手，使用检索到的信息回答问题。",
    client_configs=[
        {
            "model": "gpt-4",
            "api_key": "your-api-key",
            "api_type": "openai"
        }
    ],
    docs_path="./docs",  # 文档目录
    chunk_token_size=1000,
    chunk_overlap=200,
    get_or_create=True  # 自动创建向量数据库
)

# 提问
result = rag_assistant.generate_reply(
    messages=[{"role": "user", "content": "如何使用 AutoGen？"}]
)

5.3 人工干预

# 方式 1: ALWAYS 模式
user_proxy = autogen.UserProxyAgent(
    name="user_proxy",
    human_input_mode="ALWAYS",  # 每次都需要人工输入
    max_consecutive_auto_reply=0
)

# 方式 2: 在特定情况下要求人工输入
assistant = autogen.AssistantAgent(
    name="assistant",
    system_message="如果遇到敏感内容，要求人工确认。",
    llm_config={"config_list": config_list}
)

# 方式 3: 使用人类输入回调
def human_input(prompt: str) -> str:
    print(f"\n{prompt}")
    return input("你的回答: ")

user_proxy = autogen.UserProxyAgent(
    name="user_proxy",
    human_input_mode="ALWAYS",
    human_input_func=human_input
)

六、实战案例：代码审查团队

6.1 完整实现

import autogen

# 配置
config_list = autogen.config_list_from_json("OAI_CONFIG_LIST")

# 定义角色
code_reviewer = autogen.AssistantAgent(
    name="code_reviewer",
    system_message="""你是一名资深代码审查员。
    你需要检查代码的：
    1. 正确性
    2. 性能
    3. 安全性
    4. 可读性
    5. 最佳实践
    
    给出具体的改进建议。""",
    llm_config={"config_list": config_list}
)

security_expert = autogen.AssistantAgent(
    name="security_expert",
    system_message="""你是一名安全专家。
    检查代码中的安全漏洞：
    1. SQL 注入
    2. XSS 攻击
    3. 认证授权问题
    4. 数据加密
    5. 输入验证""",
    llm_config={"config_list": config_list}
)

performance_expert = autogen.AssistantAgent(
    name="performance_expert",
    system_message="""你是一名性能优化专家。
    评估代码的性能：
    1. 算法复杂度
    2. 资源使用
    3. 并发处理
    4. 缓存策略
    5. 数据库优化""",
    llm_config={"config_list": config_list}
)

user_proxy = autogen.UserProxyAgent(
    name="user_proxy",
    human_input_mode="NEVER",
    max_consecutive_auto_reply=10,
    code_execution_config={"use_docker": False}
)

# 创建群组对话
groupchat = autogen.GroupChat(
    agents=[user_proxy, code_reviewer, security_expert, performance_expert],
    messages=[],
    max_round=15,
    speaker_selection_method="auto"
)

manager = autogen.GroupChatManager(
    groupchat=groupchat,
    llm_config={"config_list": config_list}
)

# 提交代码审查
code_to_review = """
def authenticate(username, password):
    query = f"SELECT * FROM users WHERE username='{username}' AND password='{password}'"
    result = execute_query(query)
    return result
"""

user_proxy.initiate_chat(
    manager,
    message=f"请审查以下代码：\n```\n{code_to_review}\n```"
)

七、最佳实践

7.1 提示词设计

# 好的系统消息
good_system_message = """你是一名资深 Python 开发工程师。

你的职责：
1. 编写高质量、可维护的 Python 代码
2. 遵循 PEP 8 编码规范
3. 添加必要的注释和文档
4. 考虑代码的性能和安全性

回答风格：
- 使用简洁清晰的语言
- 提供代码示例
- 说明最佳实践"""

# 避免
bad_system_message = "你是一个程序员"

7.2 对话流程控制

# 限制对话轮数
groupchat = autogen.GroupChat(
    agents=[...],
    messages=[],
    max_round=10  # 最多 10 轮对话
)

# 使用终止条件
def should_terminate(message):
    if "完成" in message["content"]:
        return True
    return False

groupchat = autogen.GroupChat(
    agents=[...],
    messages=[],
    termination_condition=should_terminate
)

7.3 性能优化

# 1. 使用更快的模型
config_list = [{"model": "gpt-3.5-turbo", "api_key": "key"}]

# 2. 并行执行
groupchat = autogen.GroupChat(
    agents=[...],
    messages=[],
    allow_repeat_speaker=False  # 避免重复发言
)

# 3. 缓存常用响应
import langchain
from langchain.cache import InMemoryCache

langchain.llm_cache = InMemoryCache()

八、常见问题

8.1 对话死循环

# 设置最大对话轮数
user_proxy = autogen.UserProxyAgent(
    name="user_proxy",
    human_input_mode="NEVER",
    max_consecutive_auto_reply=5  # 限制连续回复次数
)

# 或者在 GroupChat 中限制
groupchat = autogen.GroupChat(
    agents=[...],
    max_round=10
)

8.2 代码执行错误

# 增加超时时间
user_proxy = autogen.UserProxyAgent(
    name="user_proxy",
    code_execution_config={
        "work_dir": "coding",
        "use_docker": True,  # 使用 Docker 隔离
        "timeout": 120  # 2 分钟
    }
)

# 不使用 Docker 时，确保环境有必要的包

8.3 API 费用过高

# 使用更便宜的模型
config_list = [
    {
        "model": "gpt-3.5-turbo",
        "api_key": "key",
        "price": [0.0015, 0.002]  # 覆盖默认价格
    }
]

# 限制 token 使用
assistant = autogen.AssistantAgent(
    name="assistant",
    llm_config={
        "config_list": config_list,
        "max_tokens": 500  # 限制响应长度
    }
)

九、进阶资源

9.1 官方资源

GitHub: https://github.com/microsoft/autogen
文档: https://microsoft.github.io/autogen
示例: https://github.com/microsoft/autogen/tree/main/notebook

9.2 相关框架

LangChain: 通用 LLM 应用框架
CrewAI: 多智能体协作框架
MetaGPT: 模拟软件公司多角色协作

十、总结

AutoGen 是一个功能强大的多智能体对话框架。通过本文，你学习了：

AutoGen 的核心概念和架构
如何创建和配置不同类型的代理
多智能体协作的实现方法
代码执行和工具调用的使用
实战案例和最佳实践

AutoGen 特别适合需要复杂协作和代码执行的场景，如代码审查、数据分析、任务规划等。尝试用它构建你的应用吧！

声明：本站所有文章，如无特殊说明或标注，均为本站原创发布。任何个人或组织，在未征得本站同意时，禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益，可联系我们进行处理。

AutoGen 完整教程：微软多智能体对话框架

一、AutoGen 简介

二、安装与配置

2.1 安装 AutoGen

2.2 配置 API Key

三、快速开始：创建第一个对话

3.1 创建助手和用户代理

3.2 多智能体协作

四、核心概念详解

4.1 代理类型

4.2 对话模式

4.3 代码执行

五、高级功能

5.1 工具调用

5.2 检索增强（RAG）

5.3 人工干预

六、实战案例：代码审查团队

6.1 完整实现

七、最佳实践

7.1 提示词设计

7.2 对话流程控制

7.3 性能优化

八、常见问题

8.1 对话死循环

8.2 代码执行错误

8.3 API 费用过高

九、进阶资源

9.1 官方资源

9.2 相关框架

十、总结

相关文章

发表回复 取消回复

发表回复取消回复