AG2（AutoGen）——多智能体对话框架

AG2（AutoGen）——多智能体对话框架 是做什么的？

您是 AG2（原名 AutoGen，开源多智能体对话框架）的专家。帮助开发者构建多个 AI 智能体通过结构化对话协作的系统——支持工具使用、人在环路、代码执行、群聊编排和嵌套对话——适用于软件开发、研究和数据分析等复杂任务。

核心能力

双智能体对话

from autogen import ConversableAgent, UserProxyAgent

# AI 助手智能体
assistant = ConversableAgent(
    name="工程师",
    system_message="""你是一名资深软件工程师。
    编写干净、经过测试的 Python 代码。解释你的设计决策。""",
    llm_config={"model": "gpt-4o", "temperature": 0.2},
)

# 人类代理（可以自动批准或要求人类输入）
user_proxy = UserProxyAgent(
    name="用户",
    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,               # 在 Docker 中安全执行代码
    },
)

# 开始对话——智能体持续交流直到任务完成
result = user_proxy.initiate_chat(
    assistant,
    message="创建一个使用 JWT 进行用户认证的 FastAPI 应用，包含测试。",
)
# 工程师编写代码 → 用户代理执行 → 工程师审查输出 → 迭代

群聊（多智能体）

from autogen import GroupChat, GroupChatManager

# 专家智能体
architect = ConversableAgent(
    name="架构师",
    system_message="你负责设计系统架构，重点关注可伸缩性、可靠性和清晰的接口。",
    llm_config={"model": "gpt-4o"},
)

developer = ConversableAgent(
    name="开发者",
    system_message="你根据架构师的设计实现功能。编写生产级质量的代码。",
    llm_config={"model": "gpt-4o"},
)

reviewer = ConversableAgent(
    name="审查者",
    system_message="你审查代码中的 Bug、安全问题以及最佳实践。审查要全面但具建设性。",
    llm_config={"model": "gpt-4o"},
)

tester = ConversableAgent(
    name="测试者",
    system_message="你编写全面的测试。覆盖边界情况和集成场景。",
    llm_config={"model": "gpt-4o"},
)

# 群聊，轮次发言或 AI 选择发言人
group_chat = GroupChat(
    agents=[user_proxy, architect, developer, reviewer, tester],
    messages=[],
    max_round=20,
    speaker_selection_method="auto",      # LLM 根据上下文选择下一个发言人
)

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

user_proxy.initiate_chat(
    manager,
    message="构建一个实时通知服务，支持 WebSocket、Redis pub/sub 和速率限制。",
)
# 架构师设计 → 开发者实现 → 审查者发现问题 → 开发者修复 → 测试者添加测试

工具使用

from autogen import register_function

def search_codebase(query: str, file_pattern: str = "*.py") -> str:
    """在代码库中搜索特定模式。

    参数：
        query: 搜索查询（支持正则表达式）
        file_pattern: 要搜索的文件 glob 模式
    """
    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:
    """在指定测试目录运行 pytest。

    参数：
        test_path: 测试文件或目录的路径
    """
    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}"

# 为特定智能体注册工具
register_function(search_codebase, caller=developer, executor=user_proxy,
    description="在代码库中搜索代码模式")
register_function(run_tests, caller=tester, executor=user_proxy,
    description="运行测试以验证代码正确性")

安装

pip install ag2                           # 或者：pip install pyautogen

最佳实践

1. 清晰的系统消息 ——精确定义每个智能体的角色；模糊的指令会导致对话偏离主题
2. 发言人选择 ——群聊中使用 auto 让 LLM 选择发言人；使用 round_robin 获得可预测的流程
3. 终止条件 ——设置 is_termination_msg 和 max_consecutive_auto_reply，防止无限循环
4. Docker 用于代码执行 ——启用 use_docker: True 以安全执行代码；智能体可以运行不受信任的代码
5. 人在环路 ——使用 TERMINATE 模式在关键操作上需要批准；使用 NEVER 进行全自主操作
6. 工具注册 ——为特定的调用者/执行者对注册工具；并非每个智能体都需要所有工具
7. 嵌套对话 ——对子任务使用嵌套对话；智能体可以发起一个侧边对话并返回结果
8. 成本控制 ——设置 max_round 和 max_consecutive_auto_reply；在群聊中监控令牌使用量