逐步掌握最佳Ai Agents框架-AutoGen 四多代理群聊实例

从LangChain使用Agent的懵懵懂懂，到AutoGen的"放肆"Agents,这周的学习和写作实在太幸福了。假如您是第一次接触AugoGen,请先要查看AutoGen官方文档，或翻阅AutoGen系列的前几篇。

逐步掌握最佳Ai Agents框架-AutoGen 一逐步掌握最佳Ai Agents框架-AutoGen 二逐步掌握最佳Ai Agents框架-AutoGen 三写新闻稿新方式

前言

在前面几篇文章中，我们一起入门了AutoGen, 了解了Assistant和UserProxyAssistant 两个agent 间的chat协作模式，并结合案例，观察了执行流程。

这篇文章，我们一起来玩一下GroupChat和GroupManager这两个群聊的功能。一想想，就有点小激动，安排各种agent, 相互聊天，就代替人类把活给干完了。程序员只需要使用GroupChat 或 GroupManager把agents组织起来，就可以"八仙过海"，就可以"复仇者联盟了"...

任务：使用群聊功能来实现新闻稿

何为GroupChatManager GroupChat会组合多种类型的agents,协同工作，完成用户或用户代理提出的问题。

很显然啊，在之前例子中，我们使用proxy和assistant一起工作较为简单。如果需求比较复杂，或需要复用或模块化，应该就是GruopChat上场的时候了。

边coding, 边了解

一起打开colab吧，新建一个notebook。经过几篇文章的学习，大家会发现AutoGen的开发流程基本是一致的。

安装autogen

python 复制代码

# autogen 还在早期， 所以您跑代码的时候，可能API更新了，就请看官方文档
%pip install pyautogen~=0.1.0 -q -U

配置LLM config

python 复制代码

import autogen 
# 大家可以使用gpt-4 或其它，我这里用的是3.5, 还能用。
config_list = [ { 'model': 'gpt-3.5-turbo', 'api_key': '' } ] 

llm_config={
    "seed": 42,  #为缓存做的配置
    "config_list": config_list
}

构建Agents

先构建一个用户代理agent，负责接收用户的指令。注意，这里的work_dir 和之前不一样，也是引出今天GroupChat的关键。系统消息指定为A human admin

python 复制代码

# 用户代理agent
user_proxy = autogen.UserProxyAgent(
    name="User_proxy", # agent的标识符
    system_message="A human admin.",  # 系统消息是用户给代理的角色 
    code_execution_config={"last_n_messages":2, "work_dir":"groupchat"}, # 工作目录设置为groupchat 
    human_input_mode="NEVER" 
)

python 复制代码

# 助理agent
coder = autogen.AssistantAgent(
    name="Coder",
    llm_config=llm_config,
)
pm = autogen.AssistantAgent(
    name="Product manager",
    system_message="Creative in product ideas.",
    llm_config=llm_config,
)

在上面的assistant agent中，我们构建了两个Assistant，神仙打架的感觉好像要出来了，激动。

之前看《构建你自己的西部世界------AI小镇搭建实战》感觉不可思议，现在AutoGen直接摆到桌面上了，这么和LangChain一比，不愧是下一代的AI应用框架。

python 复制代码

# GroupChatManager
groupchat = autogen.GroupChat(agents=[user_proxy,coder, pm], messages=[],max_round=12) # 群聊 最大的chat轮次12次
manager = autogen.GroupChatManager(groupchat=groupchat, llm_config=llm_config)  #管理员，可以与之交互

好吧，一个AutoGen, 把一个项目工程安排的明明白白。boss, pm, 工程师，一起开会，主持会议的是GroupChat , 会中声明，manager是本项目的管管。特别喜欢AutoGen这种拟人化的API和开发风格，LangChain还是代码味太重，自然语义少了些....

在这里，我们先为agents 构建部分做一个小结。

user_proxy: acts as a human admin, 代理用户,充当人类管理员

coder assistant 负责编码工作

pm assistant 以产品经理的角色出现，通过"Creative in product ideas"系统消息，期望它在产品的想法上提出创意，同时负责以合适的方式回复用户的提问。

发起群聊会话

相比之前的简单例子，user_proxy初始对话的第一个参数由assistant变为manager。用户下达给代理agent的任务是查看yahoo.com 上的最新新闻，随机选择一条，根据内容，aigc 生成一篇文章

python 复制代码

user_proxy.initiate_chat(manager, 
message="Query finance news on yahoo.com, random pick one, scrap the article content, and form a post for writing a blog")

根据上一个例子的经验，coder assistant 需要做为agent生成访问yahoo 财经新闻的代码，并获取一篇文章的链接，继而进入这个链接，根据内容生成一篇文章。pm assistant在这个chat group里做点什么呢？我们一起来看输出吧

chat 输出，重点看多个agents之间是怎么交流的

首先，User_proxy 会向chat_manager发出用户提出的任务，它就是个管家，活还是要派给长工去干的

接着corder assistant 真的像我在项目会议里表达这个需求技术可行性方案如何一样，提出需要四步完成这个任务。

再接着，User_proxy拿到coder assistant生成的代码后，执行（UserProxyAssistant是可以执行函数的）。

紧接着，coder告诉chat_manager,它会根据第二步，随机选择链接的需求，来生成代码，并交给User_proxy执行了。下面会有一个fetch_artile_content函数，这个函数就通过http请求(requests)，获取网页内容(BeautifulSoup)。代码将会根据，随机的一条金融新闻，并得到它的标题和内容。

User_proxy执行代码并告知chat_manager 成功得到了。

最后是pm向chat_message的回复

在这里，我们的任务就完成了。感觉这个PM assistant 来的有点太突然，但其实，它可以让agent的角色更细分，coder assistant 就负责代码， pm assistant负责写文案。角色的细化，在大型项目中是非常有必要的。

总结

经过今天这个任务，我们用起了GroupChatManager。boss, pm, coder一齐出现的感觉太nice了，距离我用AutoGen开一家LLM AI应用开发公司还会远吗？

逐步掌握最佳Ai Agents框架-AutoGen 四 多代理群聊实例

前言

任务：使用群聊功能来实现新闻稿

边coding, 边了解

总结

逐步掌握最佳Ai Agents框架-AutoGen 四多代理群聊实例