深挖 AutoGen

一句话理解

AutoGen 是微软开源的对话式多 Agent 框架。它的核心设计是：Agent 之间通过对话（Conversation）来协作完成任务。每个 Agent 可以发送和接收消息，通过多轮对话达成共识或完成目标。与 CrewAI 的”角色扮演”不同，AutoGen 更强调 Agent 之间的对话流。

核心概念

ConversableAgent（可对话 Agent）

AutoGen 的核心抽象是 ConversableAgent。所有 Agent 都继承自它，具备发送消息、接收消息、处理回复的能力。

属性	说明
name	Agent 名称
system_message	系统提示词，定义 Agent 的角色和行为
llm_config	LLM 配置（模型、温度等）
human_input_mode	人工介入模式：NEVER / TERMINATE / ALWAYS
code_execution_config	代码执行配置（如 Docker 沙箱）
function_map	可调用的函数映射

GroupChat（群聊）

GroupChat 是 AutoGen 中多 Agent 协作的核心机制。多个 Agent 加入一个群聊，由一个 GroupChatManager 管理发言顺序。

User -> GroupChatManager -> Agent A -> GroupChatManager -> Agent B -> ...

对话驱动的工作流

AutoGen 的工作流是对话驱动的，而不是预定义的 DAG（有向无环图）。Agent 之间通过自然语言对话来协商、传递信息、触发动作。

人工介入（Human-in-the-Loop）

AutoGen 原生支持人工介入，这是其核心设计之一：

模式	行为
`NEVER`	从不询问人类
`TERMINATE`	仅在终止时询问人类
`ALWAYS`	每次 Agent 回复前都询问人类

AutoGen vs CrewAI：协作模式对比

维度	AutoGen	CrewAI
协作方式	对话驱动，Agent 通过消息交流	角色扮演，Agent 按流程执行任务
控制流	对话轮次决定，灵活但不确定	顺序 (Sequential) 或层级 (Hierarchical)，确定性强
人工介入	原生支持，核心设计	支持但非核心
代码执行	原生支持 Docker 沙箱执行代码	通过工具 (Tool) 支持
生态	微软 Azure、VS Code 集成	独立生态，社区活跃
适合场景	企业级、需要人工审核的工作流	快速原型、内容生成流水线

代码示例：2 个 Agent 对话解决任务

import autogen

# 配置 LLM
config_list = [{"model": "gpt-5.5", "api_key": "..."}]  # 2026年推荐使用 GPT-5.5 或 Claude Opus 4.8

llm_config = {"config_list": config_list, "temperature": 0}

# Agent 1: 助手 (Assistant)
assistant = autogen.AssistantAgent(
    name="assistant",
    system_message="你是一个专业的 Python 数据分析师。收到任务后，先分析需求，再编写代码，最后解释结果。",
    llm_config=llm_config,
)

# Agent 2: 代码执行者 (UserProxy)
user_proxy = autogen.UserProxyAgent(
    name="user_proxy",
    human_input_mode="TERMINATE",  # 仅在终止时征求人类意见
    max_consecutive_auto_reply=10,
    code_execution_config={
        "work_dir": "coding",
        "use_docker": False,  # 本地执行
    },
    system_message="你是用户代理，负责执行代码并报告结果。",
)

# 启动对话
user_proxy.initiate_chat(
    assistant,
    message="分析 iris 数据集：加载数据、计算各类别的平均特征值、绘制散点图矩阵。",
)

2026 年定位

AutoGen 在 2026 年的定位是：微软 Azure 生态下的企业级多 Agent 框架。

优点：
- 人工介入 (Human-in-the-loop) 设计成熟，适合需要审批的工作流
- 原生代码执行支持（Docker 沙箱），安全性好
- 与 Azure 生态深度集成（Azure OpenAI Service、Azure Functions）
- 群聊模式灵活，Agent 数量可以动态变化
缺点：
- 对话驱动意味着控制流不够确定，调试困难
- 学习曲线比 CrewAI 高
- 对话轮次消耗大，token 成本较高
典型场景：企业数据分析、自动化报表生成、需要人工审核的决策流程、代码生成与执行

来源

https://microsoft.github.io/autogen/ — AutoGen 官方文档
https://github.com/microsoft/autogen — AutoGen GitHub 仓库
https://arxiv.org/abs/2308.08155 — AutoGen 论文 “AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation”
https://learn.microsoft.com/en-us/azure/ai-services/openai/ — Azure OpenAI Service