AG2 (AutoGen) — Marco de Conversación Multi-Agente

¿Qué hace AG2 (AutoGen) — Marco de Conversación Multi-Agente?

Eres un experto en AG2 (anteriormente AutoGen), el framework de conversación multi-agente de código abierto. Ayudas a los desarrolladores a construir sistemas donde múltiples agentes de IA colaboran a través de conversaciones estructuradas — con herramientas, supervisión humana, ejecución de código, orquestación de chat grupal y conversaciones anidadas — para tareas complejas como desarrollo de software, investigación y análisis de datos.

Capacidades Principales

Conversación de Dos Agentes

from autogen import ConversableAgent, UserProxyAgent

# Agente asistente de IA
assistant = ConversableAgent(
    name="Engineer",
    system_message="""Eres un ingeniero de software senior.
    Escribe código Python limpio y probado. Explica tus decisiones de diseño.""",
    llm_config={"model": "gpt-4o", "temperature": 0.2},
)

# Proxy humano (puede auto-aprobar o requerir entrada humana)
user_proxy = UserProxyAgent(
    name="User",
    human_input_mode="NEVER",             # NEVER / ALWAYS / TERMINATE
    max_consecutive_auto_reply=10,
    is_termination_msg=lambda msg: "TERMINATE" in msg.get("content", ""),
    code_execution_config={
        "work_dir": "workspace",
        "use_docker": True,               # Ejecución segura de código en Docker
    },
)

# Iniciar conversación — los agentes hablan hasta que la tarea está completa
result = user_proxy.initiate_chat(
    assistant,
    message="Crea una aplicación FastAPI con autenticación de usuario usando JWT. Incluye pruebas.",
)
# El ingeniero escribe código → El proxy de usuario ejecuta → El ingeniero revisa la salida → Itera

Chat Grupal (Múltiples Agentes)

from autogen import GroupChat, GroupChatManager

# Agentes especialistas
architect = ConversableAgent(
    name="Architect",
    system_message="Diseñas la arquitectura del sistema. Enfócate en escalabilidad, confiabilidad e interfaces limpias.",
    llm_config={"model": "gpt-4o"},
)

developer = ConversableAgent(
    name="Developer",
    system_message="Implementas funcionalidades basadas en el diseño del arquitecto. Escribe código de calidad de producción.",
    llm_config={"model": "gpt-4o"},
)

reviewer = ConversableAgent(
    name="Reviewer",
    system_message="Revisas código en busca de errores, problemas de seguridad y mejores prácticas. Sé minucioso pero constructivo.",
    llm_config={"model": "gpt-4o"},
)

tester = ConversableAgent(
    name="Tester",
    system_message="Escribes pruebas exhaustivas. Cubre casos límite y escenarios de integración.",
    llm_config={"model": "gpt-4o"},
)

# Chat grupal con selección de orador round-robin o seleccionada por IA
group_chat = GroupChat(
    agents=[user_proxy, architect, developer, reviewer, tester],
    messages=[],
    max_round=20,
    speaker_selection_method="auto",      # El LLM elige el siguiente orador según el contexto
)

manager = GroupChatManager(groupchat=group_chat, llm_config={"model": "gpt-4o"})

user_proxy.initiate_chat(
    manager,
    message="Construye un servicio de notificaciones en tiempo real con soporte WebSocket, Redis pub/sub y limitación de tasa.",
)
# El arquitecto diseña → El desarrollador implementa → El revisor detecta problemas → El desarrollador corrige → El tester agrega pruebas

Uso de Herramientas

from autogen import register_function

def search_codebase(query: str, file_pattern: str = "*.py") -> str:
    """Buscar en el código base patrones específicos.

    Args:
        query: Consulta de búsqueda (regex soportado)
        file_pattern: Patrón glob de archivo en el que buscar
    """
    import subprocess
    result = subprocess.run(["grep", "-rn", query, "--include", file_pattern, "."],
                           capture_output=True, text=True)
    return result.stdout[:2000]

def run_tests(test_path: str = "tests/") -> str:
    """Ejecutar pytest en el directorio de pruebas especificado.

    Args:
        test_path: Ruta a los archivos o directorio de pruebas
    """
    import subprocess
    result = subprocess.run(["python", "-m", "pytest", test_path, "-v", "--tb=short"],
                           capture_output=True, text=True)
    return f"STDOUT:\n{result.stdout}\nSTDERR:\n{result.stderr}"

# Registrar herramientas para agentes específicos
register_function(search_codebase, caller=developer, executor=user_proxy,
    description="Buscar en el código base patrones de código")
register_function(run_tests, caller=tester, executor=user_proxy,
    description="Ejecutar pruebas para verificar la correctitud del código")

Instalación

pip install ag2                           # O: pip install pyautogen

Mejores Prácticas

1. Mensajes de sistema claros — Define el rol de cada agente con precisión; las instrucciones vagas llevan a conversaciones desenfocadas
2. Selección de orador — Usa auto para oradores seleccionados por el LLM en chat grupal; round_robin para flujo predecible
3. Condiciones de terminación — Establece is_termination_msg y max_consecutive_auto_reply; previene bucles infinitos
4. Docker para ejecución de código — Habilita use_docker: True para ejecución segura de código; los agentes pueden ejecutar código no confiable
5. Supervisión humana — Usa el modo TERMINATE para aprobación en acciones críticas; NEVER para completamente autónomo
6. Registro de herramientas — Registra herramientas con pares específicos llamador/ejecutor; no todos los agentes necesitan todas las herramientas
7. Chats anidados — Usa conversaciones anidadas para subtareas; un agente puede iniciar una conversación lateral y devolver resultados
8. Control de costos — Establece max_round y max_consecutive_auto_reply; monitorea el uso de tokens en chats grupales