什么是 AutoGen？
AutoGen 是一个用于开发大型语言模型（LLM）应用的开源框架。它的核心设计理念是“多智能体对话（Multi-Agent Conversation）”：将复杂的任务分配给多个具有不同人设、工具和系统提示词的可定制智能体（ConversableAgent），并让它们通过自然语言互相发送消息（Message）来协作解决问题。这种架构极大地降低了构建高度自治 AI 系统的门槛。
快速了解
| 全称 | Microsoft AutoGen Framework |
|---|---|
| 创建时间 | 由微软研究院开发，是目前 Github 上 Star 数最高的多智能体框架之一 |
工作原理
随着任务复杂度的提升，单个大模型往往无法同时兼顾代码编写、测试、逻辑推理和信息检索。AutoGen 提供了一种极其优雅的解决方案：组建一个虚拟团队。例如，你可以创建一个“程序员” Agent 和一个“代码执行器” Agent（通常由本地代码环境驱动）。当用户提出需求时，“程序员”写出代码发给“代码执行器”，“执行器”在本地运行后将错误日志再发回给“程序员”进行修改。整个过程通过自然语言对话驱动，无需编写复杂的控制流逻辑。此外，AutoGen 支持灵活的拓扑结构（如群聊 GroupChat、层级结构等），并允许人类用户（Human-in-the-loop）随时无缝介入对话，纠正 Agent 的行为。
主要特点
- 对话驱动：通过智能体之间的自然语言 Message 传递来推进任务，而非硬编码的流程图
- 灵活的组网拓扑：支持两个 Agent 单聊，也支持多个 Agent 在一个群聊（GroupChat）中动态发言
- 内置代码执行能力：Agent 可以自动生成 Python 代码并在安全的 Docker 沙箱中运行获取结果
- 人类无缝介入：允许将人类配置为一个 Agent（UserProxyAgent），在需要时提供输入或审批
- 可定制化极强：每个 Agent 都可以配置不同的 LLM（如 GPT-4, Llama 3）、不同的工具和 System Prompt
常见用途
- 自动化软件工程：前端 Agent 写 UI，后端 Agent 写 API，测试 Agent 进行集成测试
- 复杂数据分析与可视化：Agent 编写爬虫获取数据，并生成 Python 脚本绘制图表
- 多角色商业研讨：模拟 CEO、CTO 和财务总监对一份商业计划书进行多角度的讨论和辩论
- 教育与辅导：一个 Agent 扮演苏格拉底式的导师，另一个 Agent 扮演学生，进行教学互动
示例
Loading code...常见问题
AutoGen 和传统的 Prompt Chain 有什么区别？
传统的 Prompt Chain（如 LangChain 的早期版本）是单向、线性的：A 的输出交给 B，B 的输出交给 C。而在 AutoGen 中，A 和 B 之间是双向对话关系，它们可以针对一个错误来回沟通多次，这种涌现式的协作能力更强。
如何防止 AutoGen 中的 Agent 陷入死循环？
由于 Agent 之间可能会相互推诿或重复发送相同的错误代码，AutoGen 提供了 `max_consecutive_auto_reply` 参数来硬性限制自动回复的次数。同时，通过优化 System Prompt 明确退出条件（如让 Agent 在任务完成时输出 TERMINATE）也是关键。
AutoGen 可以在本地模型上运行吗？
完全可以。AutoGen 的 `llm_config` 可以配置兼容 OpenAI API 格式的本地服务端点（Endpoint）。结合 Ollama 或 vLLM，你可以在完全断网的环境下运行整个多智能体系统。