AutoGen 2.0 多智能体实战

为什么需要多智能体？

单个 Agent 面对复杂任务时有两个核心问题：

角色混淆：同一个 Agent 又要写代码、又要做审查，容易产生质量下降

上下文膨胀：长任务导致上下文窗口撑满，早期信息被遗忘

多智能体的解法：分工明确的专家团队，每个 Agent 只做好一件事。

---

AutoGen 核心概念

Agent 类型

python
from autogen import AssistantAgent, UserProxyAgent, GroupChat, GroupChatManager
AssistantAgent：由 LLM 驱动，会主动发言
UserProxyAgent：代表人类，执行代码，控制终止条件

对话模式

模式说明适用场景

Two-Agent两个 Agent 直接对话简单任务 GroupChat多 Agent 共享对话需要多角色协作 Nested ChatAgent 内部再起子对话复杂子任务分解

---

安装与配置

bash
pip install pyautogen

python
config_list = [
    {"model": "gpt-4o", "api_key": "sk-..."},
    {"model": "claude-3-5-sonnet-20241022", "api_key": "sk-ant-...", "api_type": "anthropic"},
]
llm_config = {"config_list": config_list, "temperature": 0.1}

---

实战案例：数据分析协作系统

定义三个 Agent

python
1. 数据分析师：负责理解数据、规划分析思路
analyst = AssistantAgent(
    name="DataAnalyst",
    system_message="""你是资深数据分析师。
    你的职责：分析数据结构、发现关键趋势、规划可视化方案。
    不要自己写代码，告诉 Coder 需要什么代码。""",
    llm_config=llm_config
)
2. 程序员：负责写 Python 代码
coder = AssistantAgent(
    name="Coder",
    system_message="""你是 Python 数据工程师。
    你的职责：根据 Analyst 的指示写 pandas/matplotlib 代码。
    代码必须可直接运行，包含完整的 import 语句。""",
    llm_config=llm_config
)
3. 评审员：负责检查代码和结论的质量
reviewer = AssistantAgent(
    name="Reviewer",
    system_message="""你是 QA 审核员。
    检查内容：代码是否有 bug、结论是否有数据支撑、可视化是否清晰。
    如果发现问题，明确指出并要求修改。""",
    llm_config=llm_config
)
4. 执行者（代表用户，运行代码）
executor = UserProxyAgent(
    name="Executor",
    human_input_mode="NEVER",
    code_execution_config={"work_dir": "output", "use_docker": False},
    max_consecutive_auto_reply=10
)

启动 GroupChat

python
groupchat = GroupChat(
    agents=[analyst, coder, reviewer, executor],
    messages=[],
    max_round=20,
    speaker_selection_method="auto"
)
manager = GroupChatManager(groupchat=groupchat, llm_config=llm_config)
executor.initiate_chat(
    manager,
    message="""
    分析 sales_data.csv（包含：日期、产品类别、销售额、地区）
    需要输出：
    1. 过去12个月的销售趋势图
    2. 各产品类别占比饼图
    3. 表现最好/最差的地区对比
    4. 3条关键业务洞察
    """
)

---

常见问题与解决方案

问题 1：Agent 陷入无限循环

python
def is_termination_msg(msg):
    return "ANALYSIS_COMPLETE" in msg.get("content", "")
executor = UserProxyAgent(
    ...
    is_termination_msg=is_termination_msg
)

问题 2：代码执行失败不处理

在 system_message 中明确要求：如果代码执行报错，分析错误原因并重写，最多重试 3 次。

---

AutoGen vs LangGraph vs CrewAI

框架学习曲线灵活性生产成熟度最适合

AutoGen中等高较高代码执行场景 LangGraph较高最高高复杂状态管理 CrewAI低中中快速原型

---

延伸阅读

多智能体协作模式

LangGraph 有状态 Agent

MCP 标准化工具接入