AutoGen — 微软多 Agent 对话框架

是什么

AutoGen 是微软 2023 年开源的多 Agent 对话编排框架。一句话：把多个 LLM 角色拉进一个聊天室，让它们互相讨论、互相纠正，直到把任务做完。

日常类比：

• 单 agent = 你一个人对着 ChatGPT 提问，所有事自己拍板
• AutoGen 多 agent = 拉三个角色进会议室——一个写代码的、一个审代码的、一个跑代码的——他们彼此对话直到给出最终答案

仓库地址 github.com/microsoft/autogen，MIT 协议，约 35k stars。论文为 arXiv:2308.08155（Wu et al., 2023）。

为什么重要

把 AutoGen 单拎出来值得学，原因有四：

1. 首批把”多 agent 对话”做成框架的项目：之前各家都是单 agent + tool calling，AutoGen 第一个把”agent 之间互相说话”抽象成一等公民。

2. ConversableAgent 这个抽象漂亮：所有 agent 都继承同一个基类，收消息 / 发消息 / 注册回复函数三件事统一，组合起来就能拼出任意拓扑（一对一 / 群聊 / 嵌套对话）。

3. 学术研究底座：很多 multi-agent 论文（debate、reflection、role-play）都用 AutoGen 做 baseline 实验，因为能 30 行代码搭起对照组。

4. 微软内部产品在用：Magentic-One（通用 agent 系统）、AutoGen Studio（可视化编排 GUI）都基于它，不是纯学术玩具。

不读 AutoGen 的代价：你想做”两个 agent 互相 review”这种场景，要么自己拼 prompt 拼到崩，要么用 LangChain 强行套链式 API——都不如 AutoGen 直观。

核心要点

四个核心抽象：

抽象	角色	类比
ConversableAgent	所有 agent 的基类，定义收发消息接口	会议室里的一个人
AssistantAgent	LLM 驱动，默认会写代码 / 做规划	拿着电脑的工程师
UserProxyAgent	代理人类，可执行代码、调工具、human-in-loop	会议主持人，敲键盘的人
GroupChat + GroupChatManager	多 agent 轮流发言协议	圆桌会议主持，决定谁下一个说话

最小可跑代码（v0.2 风格）：

from autogen import AssistantAgent, UserProxyAgent

assistant = AssistantAgent("coder", llm_config={"model": "gpt-4"})
user = UserProxyAgent("user", code_execution_config={"work_dir": "tmp"})

user.initiate_chat(assistant, message="写个 Python 求斐波那契数列")

执行流程：

1. user 把 message 发给 assistant
2. assistant 调 LLM 返回代码
3. user 自动执行代码（沙箱里）、把结果回传
4. 循环直到 assistant 说 TERMINATE

v0.2 vs v0.4 的大重构

2025 年 AutoGen 出了 v0.4，把整个架构推倒重写：

• v0.2：同步单线程，一个对话一条消息阻塞往前
• v0.4：actor 模型 + 完全异步，三层架构：
  • autogen-core —— 消息总线（actor 系统）
  • autogen-agentchat —— 高层对话 API（兼容 v0.2 风格）
  • autogen-ext —— OpenAI / Anthropic / 工具适配器

实际影响：v0.2 的老代码直接跑会报错，新项目应该用 v0.4 的 agentchat 入口。

实践案例

案例 1：两个 agent 互相 review 代码

coder = AssistantAgent("coder", system_message="你是 Python 工程师")
reviewer = AssistantAgent("reviewer", system_message="你审代码，挑 bug 和性能问题")

coder.initiate_chat(reviewer, message="实现快速排序，等 reviewer 反馈再改")

coder 写一版，reviewer 挑刺，coder 改进——两个 LLM 实例自己来回，你只看最终结果。

案例 2：GroupChat 多角色讨论

from autogen import GroupChat, GroupChatManager

planner = AssistantAgent("planner", system_message="你做任务拆解")
coder = AssistantAgent("coder", system_message="你写代码")
critic = AssistantAgent("critic", system_message="你挑技术债")

group = GroupChat(agents=[planner, coder, critic], messages=[], max_round=10)
manager = GroupChatManager(groupchat=group, llm_config={"model": "gpt-4"})

user.initiate_chat(manager, message="给我做一个 todo 应用")

GroupChatManager 看上一轮内容自动选下一个发言人——这是 AutoGen 的特色。

案例 3：human-in-the-loop

UserProxyAgent 设 human_input_mode="ALWAYS"，每轮 LLM 输出后暂停等你按回车或输入修正——适合调试 prompt 阶段。

踩过的坑

1. 代码执行有安全风险：UserProxyAgent 默认会执行 LLM 生成的任意代码。生产环境必须用 code_execution_config={"executor": DockerCommandLineCodeExecutor()}，别在裸机跑。

2. GroupChat 死循环：speaker selection 默认用 LLM 选下一个说话人，万一 LLM 一直选同一个 agent，会原地打转。永远设 max_round（10-20 起步），并写好 termination 信号（消息含 TERMINATE 自动停）。

3. Token 烧得快：多 agent 每轮 prompt 都会带整个对话历史。10 轮对话 + 4 个 agent，token 量是单 agent 的几十倍。学习时用便宜模型（gpt-4o-mini / claude-haiku），跑通再换大模型。

4. v0.2 / v0.4 文档混杂：搜到的教程很多还是 v0.2 风格，对着 v0.4 SDK 跑会 ImportError。建议直接看 GitHub python/packages/autogen-agentchat/ 下的 README，最新最准。

5. LLM 后端不止 OpenAI：早期默认用 OpenAI，后来 autogen-ext 加了 Anthropic / Azure / Ollama / 本地模型。配置 llm_config 时按文档替换 client class，别死磕 OpenAI。

适用 vs 不适用场景

适用：

• 学多 agent 对话编排（学术研究 / 实验对照组）
• 需要 agent 之间互相 review / debate / 角色扮演的场景
• 可视化编排原型（用 AutoGen Studio）
• 微软生态项目（与 Magentic-One / Semantic Kernel 联动）

不适用：

• 简单的链式工作流——用 LangChain / LlamaIndex 更直接，AutoGen 杀鸡用牛刀
• 生产级稳态 agent——AutoGen 还在快速演进，API 不稳定，企业级要看 langchain-tutorial 或自研
• 极致低延迟场景——多 agent 串行对话延迟天然高
• 学 LLM 原理 / prompt 写法——AutoGen 是上层框架，不讲底层

与同类框架对比

框架	主打	不同点
AutoGen	多 agent 对话	ConversableAgent 抽象，群聊一等公民
LangChain	链式工作流 + 工具调用	agent 是 chain 的一种，对话不是核心
CrewAI	角色 + 任务分配	强调 process / hierarchy，编排重于对话
MetaGPT	模拟一个软件公司	固定 SDLC 角色（PM / 架构师 / 工程师），范式更窄

学习路径：先 AutoGen 看抽象，再 LangChain 看生态广度，最后看 CrewAI / MetaGPT 看应用范式。

历史

• 2023-08：微软 + Penn State 等合作发表 arXiv:2308.08155，仓库开源
• 2023-10：v0.1，确立 ConversableAgent / GroupChat 双核心
• 2024：AutoGen Studio 发布，加入可视化 GUI；Magentic-One 基于 AutoGen 推出通用 agent
• 2025：v0.4 重写为 actor 模型，三层架构（core / agentchat / ext）
• 持续迭代：跟 LLM 新特性（thinking / tool use / vision）保持同步更新

学到什么

1. 多 agent 对话是可以抽象的——ConversableAgent 把”收发消息 + 注册回复”做成一等公民，组合性极强
2. 群聊需要 speaker selection 协议——不是所有 agent 同时说话，是有顺序、有规则的
3. 代码执行必须沙箱化——LLM 生成代码不可信，docker / VM 隔离是底线
4. 框架重构的代价——v0.2 → v0.4 把 API 全换了，社区教程跟不上速度

延伸阅读

• 仓库：microsoft/autogen
• 论文：AutoGen arXiv 2308.08155
• 官方教程：microsoft.github.io/autogen
• anthropic-cookbook —— Claude API 实战，AutoGen 可接 Anthropic 后端做对照
• transformer —— 多 agent 背后的 LLM 架构基础

关联

• anthropic-cookbook —— 单 agent 工程化示例集，与 AutoGen 多 agent 互补
• transformer —— LLM 模型架构层，AutoGen 是其上的对话编排层