AutoGen
AutoGen 是一个面向多智能体协作的开发框架。它的核心不是让一个大模型单独完成所有事情，而是把任务拆给多个具有不同职责的智能体，让它们通过对话协作完成任务。
在软件开发场景中，可以把不同智能体看作一个虚拟开发团队：产品经理负责分析需求，工程师负责写代码，代码审查员负责检查质量，用户代理负责反馈或验收。整个任务的推进过程，本质上就是这些角色之间的一轮轮消息传递。
6.2.1 AutoGen 的核心机制
AutoGen 的核心思想可以概括为：用对话组织协作，用角色拆分任务。
在新版本架构中，AutoGen 更强调模块化和异步执行。底层能力主要由autogen-core提供，上层对话式智能体开发主要由autogen-agentchat提供。这样设计的好处是职责更清晰：底层负责模型交互、消息传递等基础能力，上层负责更方便地搭建多智能体应用。
AutoGen 中最常用的智能体是AssistantAgent。它由大语言模型驱动，可以根据系统提示词自动生成回复。产品经理、工程师、代码审查员这类角色一般都适合用它来实现。
AssistantAgent(name="Engineer",model_client=model_client,system_message="你是一位资深 Python 工程师，负责根据需求编写完整代码。")这里真正重要的是system_message。它决定了智能体的角色边界、任务目标和输出方式。多智能体系统能不能稳定协作，很大程度上取决于这些角色提示词是否清楚。
另一个重要组件是UserProxyAgent。它和AssistantAgent不同，并不是普通的自动回复智能体，而是用于引入真实用户反馈。流程走到它时，通常会等待用户输入。因此，如果程序运行到“请用户代理测试”后不继续输出，往往不是卡死，而是轮到UserProxyAgent等待人工输入。
多个智能体需要通过团队机制组织起来。案例中使用的是RoundRobinGroupChat，也就是轮询群聊。它会按照participants中的顺序让智能体依次发言。
team_chat=RoundRobinGroupChat(participants=[product_manager,engineer,code_reviewer,user_proxy],termination_condition=TextMentionTermination("TERMINATE"),max_turns=20,)这个流程可以理解为：
产品经理 → 工程师 → 代码审查员 → 用户代理 → 再循环为了避免对话无限进行，需要设置终止条件。TextMentionTermination("TERMINATE")表示：只要某条消息中出现TERMINATE，团队协作就结束。max_turns则是保险机制，防止智能体忘记输出终止词。
6.2.2 软件开发团队
这一节用 AutoGen 构建了一个模拟软件开发团队，任务是开发一个比特币价格显示应用。这个案例虽然不复杂，但完整包含了需求分析、代码实现、代码审查和用户测试几个典型环节，所以很适合用来展示 AutoGen 的多智能体协作流程。
这个团队主要包含四个角色。
ProductManager负责把用户需求转化成清晰的开发计划。它需要分析功能需求、划分模块、提出技术建议，并给出验收标准。它的输出重点不是代码，而是让后续工程师知道要做什么、怎么做、做到什么程度算完成。
Engineer负责根据产品经理的分析编写具体代码。在案例中，它需要使用 Streamlit 实现一个比特币价格显示应用，包括当前价格、24 小时涨跌情况、刷新功能、错误处理和加载状态。
CodeReviewer负责检查工程师提交的代码。它关注的是代码质量、可读性、安全性、异常处理和是否符合需求。这个角色相当于开发流程中的质量关卡。
UserProxy代表用户参与最终反馈。它可以用于人工验收，也可以在任务完成后输入TERMINATE结束流程。不过需要注意，UserProxyAgent通常不会自动完成测试，它更像是等待用户输入的接口。
这个案例的重点不是“生成一个比特币应用”，而是展示如何把一个开发任务拆成多个角色，并让它们按照固定流程协作。
6.2.3 核心代码实现
代码实现可以分成四个关键部分：模型客户端、智能体定义、团队编排、任务运行。
首先是模型客户端配置。所有基于 LLM 的智能体都需要通过模型客户端调用大模型。AutoGen 使用OpenAIChatCompletionClient来连接 OpenAI 或兼容 OpenAI API 的模型服务。
defcreate_openai_model_client():returnOpenAIChatCompletionClient(model=os.getenv("LLM_MODEL_ID"),api_key=os.getenv("LLM_API_KEY"),base_url=os.getenv("LLM_BASE_URL"))实际开发中，API Key 不应该写死在代码里，而应该放到.env文件中。这样更安全，也方便切换不同模型。
如果使用 DeepSeek、通义千问等非 OpenAI 官方模型，通常还需要补充model_info，告诉 AutoGen 这个模型支持哪些能力，例如函数调用、JSON 输出、上下文长度等。
model_info={"function_calling":True,"max_tokens":4096,"context_length":32768,"vision":False,"json_output":True,"family":"deepseek","structured_output":True,}第二步是定义不同智能体。以产品经理为例，本质上就是用AssistantAgent加一段明确的系统提示词。
product_manager=AssistantAgent(name="ProductManager",model_client=model_client,system_message="你是产品经理，负责需求分析和项目规划，完成后请工程师开始实现。")工程师和代码审查员也是类似的方式，只是system_message不同。工程师要被要求输出完整代码，代码审查员要被要求检查质量并给出审查意见。
第三步是定义团队协作流程。RoundRobinGroupChat的participants顺序决定了发言顺序。
team_chat=RoundRobinGroupChat(participants=[product_manager,engineer,code_reviewer,user_proxy],termination_condition=TextMentionTermination("TERMINATE"),max_turns=20,)这里最容易出问题的是user_proxy。如果它是UserProxyAgent，流程走到它时会等待用户输入。所以当输出停在：
代码审查完成，请用户代理测试后面没有继续，很可能是因为系统正在等待你手动输入，而不是模型没有响应。
如果想让流程自动结束，可以不要使用UserProxyAgent，而是改成一个普通的测试智能体：
tester=AssistantAgent(name="Tester",model_client=model_client,system_message="你是测试工程师，负责检查代码是否满足需求。如果可以接受，最后输出 TERMINATE。")然后团队顺序改为：
participants=[product_manager,engineer,code_reviewer,tester]这样流程就可以自动走完。
最后是运行任务。由于 AutoGen 新版本大量使用异步接口，所以运行时通常写成：
result=awaitConsole(team_chat.run_stream(task=task))主程序中用：
asyncio.run(run_software_development_team())启动整个协作流程。
- 运行结果（删减后便于展示）：
PS C:\Users\27807\Desktop\研究生\Agent\Framework\AutoGen> & D:\yyq\Anaconda\python.exe autogen_software_team.py 🔧 正在初始化模型客户端... 👥 正在创建智能体团队... 🚀 启动 AutoGen 软件开发团队协作... ============================================================ ---------- TextMessage (user) ---------- 开发一个比特币价格显示应用： - 实时显示比特币当前价格（USD） - 显示 24 小时价格变化趋势 - 提供价格刷新功能 - 使用 Streamlit 创建 Web 应用 - 添加错误处理和加载状态 ---------- TextMessage (ProductManager) ---------- 需求分析完成： 该应用属于典型的金融信息看板场景，核心目标是让用户快速、直观地查看 BTC/USD 当前价格及 24 小时涨跌情况。 功能模块划分： 1. 数据获取模块：调用 CoinGecko API 获取 BTC 价格数据 2. 核心展示模块：突出显示当前价格、涨跌额和涨跌幅 3. 交互控制模块：提供手动刷新和自动刷新能力 技术建议： - 使用 Streamlit 快速构建数据应用 - 使用 CoinGecko 免费 API 作为数据源 - 使用 st.metric 展示价格和涨跌信息 - 使用 try...except 和 st.error 处理异常 请工程师开始实现。 ---------- TextMessage (Engineer) ---------- 代码实现完成： 实现方案： - 使用 CoinGecko /coins/markets 接口获取当前价格、24h 涨跌额和涨跌幅 - 使用 Streamlit 构建页面 - 使用 st.spinner 提供加载状态 - 使用 st.session_state 保存上次更新时间和价格数据 - 使用 st.button 实现手动刷新 - 通过自定义 CSS 美化价格展示卡片 - 对网络超时、连接错误、HTTP 错误和数据解析异常进行处理 请代码审查员检查。 ---------- TextMessage (CodeReviewer) ---------- 代码审查结论： 整体代码结构清晰，功能完整，基本满足产品需求。工程化思路较好，包含模块划分、状态管理、错误处理和界面优化。 主要审查建议： 1. 删除未完成且未使用的 get_bitcoin_price() 函数 2. 避免使用 while True + time.sleep 实现自动刷新，否则可能阻塞 Streamlit 应用 3. 建议使用 st.cache_data(ttl=60) 管理 API 缓存和刷新周期 4. 清理与最终实现不一致的过时注释 5. 对 API 返回数据做更严格的字段校验 代码审查完成，请用户代理测试。 TERMINATE ---------- TextMessage (UserProxy) ---------- TERMINATE ============================================================ ✅ 团队协作完成！ 📋 协作结果摘要： - 参与智能体数量：4 个 - 任务完成状态：成功6.2.4 AutoGen 的优势与局限性分析
AutoGen 的优势在于它把复杂任务变成了多个角色之间的协作。开发者不需要一开始就设计复杂的状态机，只需要先想清楚：有哪些角色、每个角色负责什么、它们按什么顺序交流、什么时候结束。
这种方式特别适合流程比较明确的任务，比如软件开发、代码审查、文档生成、方案讨论和多角色评审。RoundRobinGroupChat可以让流程变得清晰可控，UserProxyAgent又可以在关键节点引入人工反馈，避免系统完全无人监督。
但 AutoGen 也有明显局限。首先，LLM 输出本身有不确定性。即使写了系统提示词，智能体也可能没有严格按照预期输出，比如忘记说TERMINATE、重复讨论、偏离自己的角色，或者把别人的任务也做了。
其次，多智能体系统的调试比普通程序更麻烦。普通代码出错会有异常栈，而 AutoGen 出问题时，往往要回看整段对话历史，判断到底是哪个智能体的提示词不清楚、哪个环节的终止条件没设计好，还是发言顺序不合理。
最后，UserProxyAgent很容易被初学者误用。它不是自动测试员，而是用户代理。需要人工参与时用它是合适的；如果想让流程自动执行，就应该用AssistantAgent模拟测试员。
总结来说，AutoGen 的价值不在于“让一个模型自动完成所有任务”，而在于提供了一套多智能体协作机制。它适合把复杂任务拆成多个角色，通过对话一步步推进。使用时最关键的是三点：角色定义要清楚，协作顺序要合理，终止条件要明确。
