什么是AutoGen

AutoGen 是一个开源的 多智能体（Multi-Agent）‍ 框架，由 Microsoft 开发。它旨在简化构建 大语言模型（LLM）‍ 应用的过程，特别是那些需要 多个智能体协作、人机交互 或 工具调用 的复杂任务。

什么是 AutoGen？

AutoGen 的核心理念是“对话驱动的协作”。它将复杂的任务分解为一系列对话，通过不同的智能体（Agent）之间的交流来解决问题。它不仅支持 LLM 之间的对话，还支持 LLM 调用外部工具（如 Python 代码执行、搜索 API、数据库等）来获取信息。

核心特点：

1. 多智能体协作：支持多个 AI 智能体（如不同性格的助手）在群聊中协作完成任务。
2. 工具调用（Tool Calling）‍：可以让模型自动调用外部工具（如 Python 代码执行、搜索引擎、数据库查询）来获取实时数据。
3. 人机交互：支持人类用户（Human）介入智能体的对话，做出决策或提供额外信息。
4. 内存与知识检索：支持将对话历史（内存）存入向量数据库，并在需要时检索相关信息。

详细介绍

以下是 AutoGen 框架的主要模块和工作机制：

1. 核心模块

• AssistantAgent（助理智能体）‍：
  • 角色：主要负责解决问题和执行任务。
  • 特点：通常由 LLM（如 GPT-4）驱动，负责思考、计划和回答。
• UserProxyAgent（用户代理）‍：
  • 角色：模拟人类用户的行为。
  • 特点：负责提供需求、评估 Assistant 的回答，并决定是否继续执行。
• Tool（工具）‍：
  • 角色：外部函数或服务。
  • 特点：可以是 Python 函数、REST API、数据库查询或搜索引擎。例如，用户可以定义一个 search_web(query) 函数作为工具供 Agent 调用。
• GroupChat（群聊）‍：
  • 角色：智能体之间交流的媒介。
  • 特点：负责管理消息传递，确保对话顺序和参与者之间的协作。

2. 工作流程

AutoGen 的工作流程通常遵循以下步骤：

1. 任务分配：AssistantAgent 接收任务，判断是否需要外部工具。
2. 工具调用：如果需要，AssistantAgent 通过 register_for_llm 将工具注册给 LLM。模型会生成一个 JSON 格式的函数调用请求（Tool Call）。
3. 执行结果返回：AutoGen 解析工具调用请求，执行实际函数（如调用搜索 API），并将结果返回给 AssistantAgent。
4. 决策与响应：AssistantAgent 接收结果，继续思考或将最终答案返回给用户。

3. 代码示例

以下是一个简单的 AutoGen 示例，演示了如何创建智能体并让它们进行对话：

from autogen import AssistantAgent, UserProxyAgent, config_list_from_json

# 加载 LLM 配置
config_list = config_list_from_json(env_or_file="OAI_CONFIG_LIST")

# 创建智能体
assistant = AssistantAgent(name="Assistant", system_message="You are a helpful AI assistant.", llm_config={"config_list": config_list})
user_proxy = UserProxyAgent(name="User", system_message="You are a user proxy agent.")

# 进行对话
assistant.initiate_chat(user_proxy, message="你好，请帮我写一段Python代码，实现两个数相加。")

运行后，AssistantAgent 会生成代码，UserProxyAgent 负责接收并验证结果。

相关链接

以下是获取 AutoGen 资源的官方链接：

• GitHub 仓库（代码仓库）‍：GitHub - microsoft/autogen at v0.4.0.dev12

适用场景

AutoGen 非常适合以下应用：

• 复杂的业务流程：如 “租房合同签署” 需要搜索信息、生成合同、校对签名等多步骤协作。
• 技术研发：让 AI 自己搜索最新的科研文献或 Stack Overflow 答案并编写代码。
• 客服系统：AI 先尝试解决问题，如果解决不了则调用外部工单系统或转接人工客服。
• 教育教学：虚拟教师与学生互动，实时调用搜索引擎获取最新的学术资料。