AutoGen 是微軟研究院開源的多智能體 AI 系統框架。這個框架的設計思路很簡單——讓多個 AI 智能體（加上人類參與）在對話中完成複雜任務的協作和推理。

你甚至可以把它理解成一個團隊聊天室，智能體們在裏面討論、爭論、協作，最終得出解決方案。

AutoGen 通過創建多個專門化智能體，為每個智能體設定自己的角色、目標，來達到上面説的聊天能力，並且還能通過配置工具來獲得代碼執行能力。智能體之間通過消息機制通信，互相配合完成任務。

AutoGen 為什麼值得關注

AutoGen 真正好玩的地方在於它實現了 AI 之間的協作。智能體可以相互辯論、推理、糾錯、共同創造，整個過程不需要人工逐步編寫腳本，設置可以不需要人工的參與。

相比於CrewAI，AutoGen 則把重點放在討論、推理和演化上，而CrewAI 更關注執行層面。

你可以理解為CrewAI更像是我們現在用的工作助手，而AutoGen 更像是圓桌會議。

AutoGen 框架處理了很多底層問題，這樣我們可以只專著於如何編排角色和任務。

AutoGen 定義了三類核心智能體：

• Conversable Agent：負責管理結構化對話和預定義的交互模式
• Assistant Agent：執行具體任務，調用工具或 LLM
• UserProxy Agent：充當人機接口層，轉發消息和響應
  

簡單的羣聊演示

 

from autogen import ConversableAgent, AssistantAgent, UserProxyAgent, GroupChat, GroupChatManager

# Define AssistantAgent (AI assistant)
assistant = AssistantAgent(
    name="AssistantAgent",
    system_message="You are a helpful AI assistant. Suggest Python code when relevant.",
    human_input_mode="NEVER"  # No human input required, runs automatically
)

# Define UserProxyAgent (represents human)
user_proxy = UserProxyAgent(
    name="UserProxyAgent",
    human_input_mode="ALWAYS"  # Requires human input
)

# Define group chat
chat = GroupChat(
    agents=[assistant, user_proxy],
    messages=[]
)

# Manage group chat with GroupChatManager
manager = GroupChatManager(
    groupchat=chat,
    llm_config={"model": "gpt-5-mini"}
)

#  Start the chat
user_proxy.initiate_chat(
    manager,
    message="Write a short Python function to calculate factorial."
 )

AutoGen 核心概念詳解

1、Human-in-the-Loop（人工參與）

這個功能讓人類可以在智能體執行過程中進行干預。

 # Human-in-the-Loop example
from autogen import AssistantAgent, UserProxyAgent

# Step 1: Create assistant agent
assistant = AssistantAgent(
    name="code_writer",
    system_message="You are a helpful coding assistant."
)

# Step 2: Create user proxy with human-in-the-loop enabled
user = UserProxyAgent(
    name="human_user",
    human_input_mode="ALWAYS"  # 👈 Enable human confirmation
)

# Step 3: Start conversation
user.initiate_chat(
    assistant,
    message="Write a Python function to calculate factorial."
 )

2、Code Executor 的工作機制

Code Executor 負責安全執行智能體生成的代碼。

 # Behind the scenes
# AssistantAgent generates code:
sum([x for x in range(1, 21) if x % 2 == 0])

# PythonCodeExecutor automatically:
# - Executes safely in sandbox
# - Captures output
# - Returns result to agent

# UserProxyAgent displays result:
✅ Result: 110

# Optional: Add human approval
user = UserProxyAgent(
    name="human_user",
    code_execution_config={"executor": executor},
    human_input_mode="ALWAYS"
 )

3、工具集成方式

工具通過初始化時的

tools

參數傳入智能體。

 from autogen import AssistantAgent, UserProxyAgent, Tool

# Define tool function
def multiply_numbers(a: int, b: int) -> int:
    """Returns the product of two numbers."""
    return a * b

# Wrap as Tool object
multiply_tool = Tool(
    func=multiply_numbers,
    name="multiply_tool",
    description="Multiplies two numbers and returns the product."
)

# Create agent and integrate tool
assistant = AssistantAgent(
    name="math_agent",
    system_message="You are a math assistant. Use multiply_tool when needed.",
    tools=[multiply_tool]
)

user = UserProxyAgent(name="human_user")

user.initiate_chat(
    assistant,
    message="Can you multiply 8 and 7?"
 )

4、多智能體協作模式

AutoGen 對話系統的核心特徵是支持多智能體協作對話模式。

 # Example: Multi-agent conversational pattern
from autogen import AssistantAgent, ReviewerAgent, UserProxyAgent, PythonCodeExecutor

executor = PythonCodeExecutor()

# Coder agent
coder = AssistantAgent(
    name="coder_agent",
    system_message="You are a code-writing assistant."
)

# Reviewer agent
reviewer = ReviewerAgent(
    name="reviewer_agent",
    system_message="You are a code reviewer. Check logic and security."
)

# User proxy
user = UserProxyAgent(
    name="human_user",
    human_input_mode="TERMINATE",
    code_execution_config={"executor": executor}
)

def run_multi_agent_workflow(prompt: str):
    coder_response = coder.chat_with(user, message=prompt)
    print("Coder ->", coder_response["content"])

    reviewer_response = reviewer.review(code={"code": coder_response["content"]})
    print("Reviewer ->", reviewer_response["content"])

    if "SUGGEST_CHANGES" in reviewer_response["content"]:
        revision = coder.chat_with(reviewer, message=reviewer_response["content"])
        final_code = revision["content"]
    else:
        final_code = coder_response["content"]

    print("Waiting for human approval...")
    if not user.get_human_approval(final_code):
        print("Human rejected execution.")
        return

    exec_result = executor.execute(final_code)
    print("Execution result ->", exec_result["output"])

if __name__ == "__main__":
     run_multi_agent_workflow("Write a Python function prime_factors(n).")

這個例子展示了多智能體協作的幾個關鍵點：Coder、Reviewer、User 各司其職完成協作，然後通過Reviewer 把關代碼的安全性和質量，HITL 模式給人類最終審批權，最後可以通過Code Executor 在沙箱環境安全執行代碼

5、會話終止機制

會話會在滿足終止條件時結束，這樣一個整個的”會議“就結束了

 from autogen import AssistantAgent, UserProxyAgent

def is_termination_msg(message):
    """Returns True when message contains TERMINATE keyword."""
    return "TERMINATE" in message["content"].upper()

assistant = AssistantAgent(
    name="helper_agent",
    system_message="Stop when receiving 'TERMINATE'."
)

user = UserProxyAgent(
    name="human_user",
    is_termination_msg=is_termination_msg
)

user.initiate_chat(assistant, message="Hello, explain recursion in simple terms.")
 assistant.send({"role": "user", "content": "Thanks, that's clear. TERMINATE"})

總結

AutoGen 提供了構建複雜 AI 協作系統的完整支持，覆蓋了角色結構、通信機制、人工參與、工具集成、代碼執行和多智能體協作設計等各個方面。框架把底層複雜度封裝得很好，開發者可以專注在業務邏輯和智能體設計上。

https://avoid.overfit.cn/post/a50b2cf5363046739250c9c284421d2f

作者：Sonika