使用 Microsoft AutoGen 构建多智能体…

在需要用 Python 和 Microsoft AutoGen 搭建多代理协作、工具调用、代码执行与容错编排时使用。

适用场景

解决思路

1. 安装 AutoGen：执行 `pip install autogen-agentchat autogen-ext`，并从 `autogen_agentchat.agents`、`autogen_agentchat.teams`、`autogen_ext.models.openai` 导入 `AssistantAgent`、`RoundRobinGroupChat`、`OpenAIChatCompletionClient`。
2. 配置模型客户端：从 `os.environ.get("OPENAI_API_KEY")` 读取密钥，创建 `OpenAIChatCompletionClient(model="gpt-4o", api_key=os.environ.get("OPENAI_API_KEY"))`。
3. 遵循关键原则：写简洁、技术性回答，并提供准确的 Python 示例。
4. 代理通信使用 `async/await` 模式。
5. 实现完善的错误处理与日志记录。
6. 遵循事件驱动架构模式。
7. 所有函数签名都使用类型提示。
8. 了解并使用 AutoGen 代理类型：`AssistantAgent` 用于对话和任务完成；`UserProxyAgent` 代表人类用户并可执行代码；`GroupChat` 用于编排多代理对话；`ConversableAgent` 作为自定义代理的基类。
9. 创建基础 `AssistantAgent`：设置 `name`、`model_client`、`system_message`，系统消息要求提供清晰简洁回答并在需要时追问澄清。
10. 定义工具函数并写清 docstring：例如 `search_database(query: str) -> str` 用于搜索数据库；`calculate(expression: str) -> str` 用 `eval(expression)` 计算表达式并用 `try/except` 捕获异常返回错误。
11. 用 `FunctionTool` 包装工具：如 `FunctionTool(search_database, description="Search the database")`、`FunctionTool(calculate, description="Perform calculations")`。
12. 创建带工具的代理：把包装后的 `tools=[search_tool, calc_tool]` 传给 `AssistantAgent`，并在 `system_message` 中说明代理可访问搜索和计算工具。
13. 创建两代理聊天：分别创建 `researcher` 和 `writer` 两个 `AssistantAgent`，并配置各自专注的 `system_message`。
14. 设置终止条件：使用 `TextMentionTermination("TASK_COMPLETE")`。
15. 创建轮询群聊：使用 `RoundRobinGroupChat([researcher, writer], termination_condition=termination)`。
16. 运行两代理对话：用异步函数执行 `await team.run(task="Research and document Python best practices")` 并返回结果。
17. 创建多代理群聊：为 `planner`、`coder`、`reviewer` 等创建专门 `AssistantAgent`，分别负责拆解计划、写代码、审查代码。
18. 使用选择器群聊：创建 `SelectorGroupChat([planner, coder, reviewer], model_client=model_client, termination_condition=MaxMessageTermination(20))`。
19. 设置本地代码执行：使用 `LocalCommandLineCodeExecutor(work_dir="./workspace", timeout=60)`。
20. 创建可执行代码的代理：把 `code_executor=code_executor` 传给 `AssistantAgent`，并在 `system_message` 中要求写代码解决问题、测试代码后再给最终答案。
21. 使用 Docker 安全执行代码：使用 `DockerCommandLineCodeExecutor(image="python:3.11-slim", timeout=120, work_dir="./workspace")`。
22. 实现顺序工作流：创建 `analyst`、`developer`、`tester` 代理，并通过 `handoffs=["developer"]`、`handoffs=["tester"]` 将任务交接给下一代理。
23. 创建基于交接的工作流：使用 `Swarm([analyst, developer, tester])`。
24. 实现层级结构：创建 `manager` 代理负责协调团队成员、委派任务、汇总结果；同时创建 `researcher`、`analyst`、`writer` 等 worker 代理。
25. 利用对话记忆：代理会自动维护对话历史；直接用 `await team.run(task="Follow-up question")` 继续带上下文的追问；遍历 `result.messages` 打印 `message.source` 和 `message.content` 查看历史。
26. 实现自定义事件处理：从 `autogen_core` 导入 `Event`，订阅事件如 `async def on_message_received(event: Event)`，用于代理激活、工具执行、错误处理和状态变化。
27. 添加错误处理：配置 `logging.basicConfig(level=logging.INFO)` 并创建 logger。
28. 编写带重试的安全运行函数：实现 `safe_run_team(team, task: str, max_retries: int = 3)`，循环中用 `await team.run(task=task)` 运行，捕获异常并记录；最后一次重试失败时抛出，否则返回 `None`。
29. 代理设计最佳实践：给代理清晰、聚焦的职责；使用描述性 `system_message`；实现完善的工具描述；设置合适的终止条件；对复杂工作流使用 handoffs。
30. 性能最佳实践：并发操作使用异步模式；对重复查询实现缓存；设置合理超时；监控 token 使用；为每个代理选择合适的模型大小。
31. 安全最佳实践：绝不直接执行不可信代码；使用 Docker 执行代码；验证工具输入；实现速率限制；记录所有代理动作。
32. 测试最佳实践：对单个代理做单元测试；对多代理工作流做集成测试；测试终止条件；验证工具执行；监控对话质量。
33. 安装和管理依赖：`autogen-agentchat`、`autogen-core`、`autogen-ext`、`openai`（或其他 LLM 提供商）、`python-dotenv`、`docker`（用于安全代码执行）。
34. 应用研究与写作模式：创建 `researcher`、`analyst`、`writer`、`reviewer` 代理，按 Research -> Analyze -> Write -> Review 组织流程。
35. 应用代码生成模式：创建 `architect`、带 `code_executor` 的 `developer`、`tester`、`reviewer` 代理，按 Plan -> Code -> Test -> Review 组织流程。
36. 应用数据分析模式：创建 `data_engineer`、带 `calc_tools` 的 `analyst`、`reporter` 代理，按 Extract -> Transform -> Analyze -> Report 组织流程。

适用边界 · 注意事项

• 不适用于简单单轮 LLM 调用或不需要多智能体协作的场景。
• 不适用于非 Python 技术栈或无法安装 AutoGen 及 LLM 客户端的环境。
• 不适用于无法安全隔离代码执行且需要运行不可信代码的场合。