构建多智能体对话系统 -AutoGen

AutoGen

AutoGen是一个开源编程框架，用于构建AI代理并促进多个代理之间的合作以解决任务。

AutoGen旨在提供一个易于使用和灵活的框架，以加速对人工智能的开发和研究，如PyTorch的深度学习。

它提供了一些功能，例如可以与其它代理进行交谈的代理，LLM和工具的使用支持，自主与人类交互进行工作流以及多代理对话模式。

AutoGen被明确指出”并非意在成为一个生产就绪的应用”，而是为了”帮助您快速原型化多智能体工作流”。

这一定位使得AutoGen成为一个理想的”创新引擎”或”研究实验田”，用于孵化尖端的智能体AI概念，特别是在复杂的多智能体协作领域。

该框架使用分层和可扩展的设计，层级明确划分了职责，并建立在下面的层级之上。

此设计可以使您能够在不同的抽象级别(从高级API到低级组件)使用框架。

Core API：Code API实现了消息传递、事件驱动的代理以及本地和分布式运行时，以实现灵活性和强大功能。它还支持.NET和Python跨语言支持
AgentChat API：实现了一个更简单但有主见的API，用于快速原型设计。
Extensions API：使第一方和第三方扩展能够不断扩展框架功能。它支持LLM客户端的特定实现以及代码执行等功能。

核心功能与特点

多智能体协作框架
- 多代理系统(Multi-Agent System)：AutoGen支持多个智能体(Agent)之间的协作，每个智能体可以扮演不同角色(如任务规划者、代码生成者、评估者等)，通过对话或任务分配共同完成复杂任务。
- 动态任务分配：智能体之间可以自动协商任务分工，适应不同场景需求。
自动化机器学习(AutoML)
- 模型选择与超参数优化：自动搜索最佳模型架构和超参数组合，支持主流机器学习库(如Scikit-learn、XGBoost、LightGBM等)。
- 特征工程自动化：自动进行数据预处理、特征选择和特征生成。
- 端到端流水线生成：自动进行数据预处理、特征选择和特征生成。
灵活的工作流管理
- 可视化流程设计：通过图形化界面或代码定义工作流(如DAG，有向无环图)，支持复杂任务编排。
- 可扩展性：支持自定义组件(如数据清洗模块、模块训练器)，可集成第三方工具(如TensorFlow、PyTorch)。
与大模型(LLM)深度整合
- 基于大模型的智能决策：利用大语言模型(如GPT、LLaMA)生成代码、解释结果或优化模型设计。
- 代码生成与调试：通过自然语言指令生成Python代码，并自动修复错误。
企业级部署支持
- 云原生架构：支持Azure云平台集成，提供弹性计算资源调度。
- 模型监控与迭代：内置模型性能跟踪和持续训练机制，确保生产环境模型的稳定性。

技术架构

AutoGen的核心架构基于模块化设计，主要包含以下组件：

用户接口层：提供Python SDK和Web UI，支持代码编写或拖拽式操作。
任务协调引擎：管理智能体之间的通信和任务分配。
自动化引擎：执行模型训练、超参数调优和特征工程。
模型库与工具集：集成开源模型库(如Hugging Face、ONNX)和自定义模型。
部署与监控模块：支持模型导出为ONNX格式，并部署到AzureML或本地服务器。

安装及使用

AutoGen需要Python3.10或更高版本

Bash

# Install AgentChat and OpenAI client from Extensions
pip install -U "autogen-agentchat" "autogen-ext[openai]"

# Install AutoGen Studio for no-code GUI
pip install -U "autogenstudio"

# Install AgentChat and OpenAI client from Extensions
pip install -U "autogen-agentchat" "autogen-ext[openai]"

# Install AutoGen Studio for no-code GUI
pip install -U "autogenstudio"

官方文档给出的例子是使用GPT-4o模型创建助理代理

Python

# 导入asyncio模块，用于处理异步编程
import asyncio
# 从autogen_agentchat.agents模块中导入AssistantAgent类
# 这是一个基于模型的助手代理，能够执行任务并与用户或其他代理交互
from autogen_agentchat.agents import AssistantAgent
# 从autogen_ext.model.openai模块导入OpenAIChatCompletionClient
# 这是用于调用OpenAI的Chat API的客户端类
from autogen_ext.models.openai import GenericOpenAIChatCompletionClient

# 异步Main函数
async def main()->None:

    # OpenAIChatCompletionClient实例 指定使用模型为gpt-4o和APIKey
    model_client = GenericOpenAIChatCompletionClient(model="gpt-4o",api_key="这里输入你的APIKEY")

    #AssistantAgent实例，名称为"assistant"并传入上面的model_client
    agent = AssistantAgent("assistant",model_client=model_client)

    # 打印出agent.run方法
    print(await agent.run(task="你好，请你介绍下自己"))

    # 释放资源 关闭model_client
    await model_client.close()

asyncio.run(main())

# 导入asyncio模块，用于处理异步编程
import asyncio
# 从autogen_agentchat.agents模块中导入AssistantAgent类
# 这是一个基于模型的助手代理，能够执行任务并与用户或其他代理交互
from autogen_agentchat.agents import AssistantAgent
# 从autogen_ext.model.openai模块导入OpenAIChatCompletionClient
# 这是用于调用OpenAI的Chat API的客户端类
from autogen_ext.models.openai import GenericOpenAIChatCompletionClient

# 异步Main函数
async def main()->None:

    # OpenAIChatCompletionClient实例 指定使用模型为gpt-4o和APIKey
    model_client = GenericOpenAIChatCompletionClient(model="gpt-4o",api_key="这里输入你的APIKEY")

    #AssistantAgent实例，名称为"assistant"并传入上面的model_client
    agent = AssistantAgent("assistant",model_client=model_client)

    # 打印出agent.run方法
    print(await agent.run(task="你好，请你介绍下自己"))

    # 释放资源 关闭model_client
    await model_client.close()

asyncio.run(main())

当然也可以选择其他人模型进行创建(其他支持的Models)，我这里使用了Ollma，但这需要安装扩展

Bash

pip install -U "autogen-ext[ollama]"

pip install -U "autogen-ext[ollama]"

安装成功后，就可以愉快地使用啦

Python

# 导入asyncio模块，用于处理异步编程
import asyncio
# 从autogen_core.models中导入UserMessage类,表示用户消息对象
from autogen_core.models import UserMessage
# 从autogen_ext.models.ollama导入OllamaChatCompletionClient类，用于与本地Ollama模型进行交互
from autogen_ext.models.ollama import OllamaChatCompletionClient

# 异步Main函数
async def main()->None:

    # 创建一个OllamaChatCompletionClient实例，指定使用的模型为"qwen3:0.6b"
    # 这里的模型名需要确保已经在本地通过Ollama正确拉取并可用
    model_client = OllamaChatCompletionClient(model="qwen3:0.6b")

    # 使用await调用create方法，向模型发送用户消息
    # 消息内容为“你好，请你介绍下自己”，来源标记为"user"
    response = await model_client.create([UserMessage(content="你好，请你介绍下自己", source="user")])

    # 打印模型返回的响应结果
    print(response)

    # 释放资源 关闭model_client
    await model_client.close()

# 启动异步事件循环，并运行main函数
asyncio.run(main())

# 导入asyncio模块，用于处理异步编程
import asyncio
# 从autogen_core.models中导入UserMessage类,表示用户消息对象
from autogen_core.models import UserMessage
# 从autogen_ext.models.ollama导入OllamaChatCompletionClient类，用于与本地Ollama模型进行交互
from autogen_ext.models.ollama import OllamaChatCompletionClient

# 异步Main函数
async def main()->None:

    # 创建一个OllamaChatCompletionClient实例，指定使用的模型为"qwen3:0.6b"
    # 这里的模型名需要确保已经在本地通过Ollama正确拉取并可用
    model_client = OllamaChatCompletionClient(model="qwen3:0.6b")

    # 使用await调用create方法，向模型发送用户消息
    # 消息内容为“你好，请你介绍下自己”，来源标记为"user"
    response = await model_client.create([UserMessage(content="你好，请你介绍下自己", source="user")])

    # 打印模型返回的响应结果
    print(response)

    # 释放资源 关闭model_client
    await model_client.close()

# 启动异步事件循环，并运行main函数
asyncio.run(main())

当然，除了使用不同的模型外，Autogen还提供了支持Python、.NET、AutoGen Studio的使用。

下面我们来演示下对于.NET的支持：

首先还是老样子，使用Nuget安装AutoGen包

锵锵！下面就是一个基于AutoGen的简单多智能体对话系统：

//获取环境变量中的 OpenAI API 密钥,如果没有设置则抛出异常
var openAIKey = Environment.GetEnvironmentVariable("OPENAI_API_KEY") ?? throw new Exception("Please set OPENAI_API_KEY environment variable.");

//创建一个OpenAI模型配置对象，使用指定的API密钥和模型名称"gpt-3.5-turbo" 初始化配置。
var gpt35Config = new OpenAIConfig(openAIKey, "gpt-3.5-turbo");


//创建一个助手代理，使用指定的系统消息和LLM配置
//名字为"assistant",系统消息定义其角色：帮助用户完成任务
//LLM配置使用之前创建的gpt35Config，温度设置为0，表示输出更确定性(不随机)
//.RegisterPrintMessage() 是注册一个钩子函数，用于在控制台中漂亮地打印对话内容
var assistantAgent = new AssistantAgent(
    name: "assistant",
    systemMessage: "You are an assistant that help user to do some tasks.",
    llmConfig: new ConversableAgentConfig
    {
        Temperature = 0,
        ConfigList = [gpt35Config],
    }).RegisterPrintMessage();


//创建一个用户代理，名字为"user"
//人类输入模式设置为总是（ALWAYS），表示每次都会等待用户输入
//同样注册了.RegisterPrintMessage() 来美化控制台输出
var userProxyAgent = new UserProxyAgent(
    name: "user",
    humanInputMode: HumanInputMode.ALWAYS)
    .RegisterPrintMessage();


//启动对话流程
//用户代理将与助手代理进行对话
//初始消息："Hey assistant, please do me a favor."
//最多允许进行 10 轮对话（maxRound）
await userProxyAgent.InitiateChatAsync(
    receiver: assistantAgent,
    message: "Hey assistant, please do me a favor.",
    maxRound: 10);


//获取环境变量中的 OpenAI API 密钥,如果没有设置则抛出异常
var openAIKey = Environment.GetEnvironmentVariable("OPENAI_API_KEY") ?? throw new Exception("Please set OPENAI_API_KEY environment variable.");

//创建一个OpenAI模型配置对象，使用指定的API密钥和模型名称"gpt-3.5-turbo" 初始化配置。
var gpt35Config = new OpenAIConfig(openAIKey, "gpt-3.5-turbo");


//创建一个助手代理，使用指定的系统消息和LLM配置
//名字为"assistant",系统消息定义其角色：帮助用户完成任务
//LLM配置使用之前创建的gpt35Config，温度设置为0，表示输出更确定性(不随机)
//.RegisterPrintMessage() 是注册一个钩子函数，用于在控制台中漂亮地打印对话内容
var assistantAgent = new AssistantAgent(
    name: "assistant",
    systemMessage: "You are an assistant that help user to do some tasks.",
    llmConfig: new ConversableAgentConfig
    {
        Temperature = 0,
        ConfigList = [gpt35Config],
    }).RegisterPrintMessage();


//创建一个用户代理，名字为"user"
//人类输入模式设置为总是（ALWAYS），表示每次都会等待用户输入
//同样注册了.RegisterPrintMessage() 来美化控制台输出
var userProxyAgent = new UserProxyAgent(
    name: "user",
    humanInputMode: HumanInputMode.ALWAYS)
    .RegisterPrintMessage();


//启动对话流程
//用户代理将与助手代理进行对话
//初始消息："Hey assistant, please do me a favor."
//最多允许进行 10 轮对话（maxRound）
await userProxyAgent.InitiateChatAsync(
    receiver: assistantAgent,
    message: "Hey assistant, please do me a favor.",
    maxRound: 10);

AutoGen Studio：交互式探索多代理工作流

这是一个由AutoGen提供支持的界面，它允许您：

通过点击、拖放界面（例如，您可以选择两个代理的参数，这两个代理将进行通信以解决您的任务）
使用我们的UI与指定的代理创建聊天会话并查看结果（例如，查看聊天记录、生成的文件和所用时间）
解释性地为您的代理添加技能并完成更多任务
将您的会话发布到本地库

安装和使用

安装：

Bash

pip install autogenstudio

pip install autogenstudio

打开：这将在指定的端口上启动应用程序。

Bash

autogenstudio ui --port 8081

autogenstudio ui --port 8081

打开后的UI界面就是这样的：

侧边栏：

Team Builder：通过拖拉的方式创建自己的工作流
Playground：运行自己创建好的工作流
Gallery：Agent的组成组件、Agent可调用的工具、模型
Deploy：可部署为Python Restful API 和 Docker容器

学习参考：

浏览量 4