基于 DeepSeek+AutoGen 的智能体协作系统

用 AutoGen 实现智能体协作流程，假设团队里的 3 个角色，让 3 个角色相互交流后并给出不同方案，最后进行总结。下面是实现的思路，欢迎一起学习交流。

一、系统设计

1. sre_engineer_01 - 问题诊断与初步解决方案
- 职责：负责对系统问题进行初步诊断，分析问题症状，提供初步的排查步骤和解决方案。
- 能力：擅长手动执行命令，快速排查问题，提供临时解决方案。
1. sre_engineer_02 - 自动化实现与监控集成
- 职责：负责将初步解决方案转化为自动化脚本，并集成到监控系统中。
- 能力：擅长编写 Python 代码，实现自动化运维和监控集成。
1. sre_reflection - 方案优化与改进
- 职责：对现有方案进行反思和改进，提出优化建议。
- 能力：具备系统思维和创新能力，擅长从多维度优化方案。

二、实现细节

1. 框架选择

选择微软的 AutoGen 框架作为实现基础。AutoGen 提供了强大的多智能体协作能力，支持智能体之间的信息传递和任务分配。框架的核心组件包括：

UserProxyAgent：用户代理，负责发起任务。
AssistantAgent：智能体，负责执行任务并提供反馈。
GroupChat：多智能体协作的核心组件，管理智能体之间的消息传递和协作流程。

2. 代码实现

以下是关键代码片段：

import argparse
import os
import autogen  # type: ignore
from typing importAny

# 设置环境变量，指定是否使用Docker
os.environ.setdefault("AUTOGEN_USE_DOCKER", "False")

# 配置DeepSeek模型参数
llm_config_deepseek = {
    "model": "deepseek-v3", # 此处以 deepseek-v3 为例，可按需更换模型名称。
    "api_key": os.getenv("DASHSCOPE_API_KEY"),
    "base_url": "https://dashscope.aliyuncs.com/compatible-mode/v1",
    "temperature": 0.5,
    "stream": False
}

# 初始化器：负责任务分配和流程初始化
initializer = autogen.UserProxyAgent(
    name="initializer",
    system_message="""你是一个流程初始化器，负责将任务分配给合适的SRE工程师，并确保任务流程顺利进行。""",
)

# SRE工程师1：负责问题诊断和初步解决方案
sre_engineer_01 = autogen.AssistantAgent(
    name="sre_engineer_01",
    llm_config=llm_config_deepseek,
    system_message="""你是一位专注于问题解决的 SRE 资深工程师，具备以下特质：

    技术专长：
    - 精通 Linux/Unix 系统管理和故障排查
    - 熟悉容器技术和 Kubernetes 生态系统
    - 深入理解分布式系统和微服务架构
    - 掌握主流监控、日志和追踪工具
    - 具备网络、存储、数据库等基础设施维护经验

    行为准则：
    - 专注于问题诊断和初步解决方案
    - 提供详细的排查步骤和解决方案
    - 输出完整的命令或代码
    - 保持思路清晰，避免冗余信息
    """,
)

# SRE工程师2：负责自动化实现和监控集成
sre_engineer_02 = autogen.AssistantAgent(
    name="sre_engineer_02",
    llm_config=llm_config_deepseek,
    system_message="""你是一位专注于自动化实现的 SRE 资深工程师，具备以下特质：

    技术专长：
    - 精通自动化运维工具和脚本开发
    - 熟悉监控系统集成和报警策略配置
    - 掌握CI/CD pipeline设计与实现
    - 深入理解自动化运维最佳实践

    行为准则：
    - 负责将初步解决方案转化为自动化脚本
    - 集成监控和报警系统
    - 确保方案的可维护性和可扩展性
    - 输出完整的自动化实现方案
    """,
)

# SRE反思工程师：负责方案优化和改进
sre_reflection = autogen.AssistantAgent(
    name="sre_reflection",
    llm_config=llm_config_deepseek,
    system_message="""你是一位专注于方案优化的 SRE 资深工程师，具备以下特质：

    技术专长：
    - 深入理解系统可靠性工程
    - 熟悉容量规划和性能优化
    - 掌握故障恢复和应急响应机制
    - 精通系统改进和迭代方法

    行为准则：
    - 对现有方案进行多维度评估
    - 提出优化建议和改进方案
    - 确保方案的高可用性和可维护性
    - 输出完整的优化建议报告
    """,
)

# 定义协作流程图
graph_dict = {
    initializer: [sre_engineer_01],
    sre_engineer_01: [sre_engineer_02],
    sre_engineer_02: [sre_reflection],
    sre_reflection: [],  # 最终节点，任务结束
}

# 创建所有代理
agents = [
    initializer,
    sre_engineer_01,
    sre_engineer_02,
    sre_reflection,
]

# 初始化组聊天
group_chat = autogen.GroupChat(
    agents=agents,
    messages=[],
    max_round=10,
    allowed_or_disallowed_speaker_transitions=graph_dict,
    speaker_transitions_type="allowed",
)

# 创建管理器
manager = autogen.GroupChatManager(groupchat=group_chat, llm_config=llm_config_deepseek)

defmain():
    # 解析命令行参数
    parser = argparse.ArgumentParser(description="Process some integers.")
    parser.add_argument('--message', type=str, default="磁盘100%，服务器上找不到对应的文件，排查思路？", help='The message to initiate the chat')
    args = parser.parse_args()

    # 发起任务
    initializer.initiate_chat(
        manager,
        message=args.message,
        clear_history=False,
    )

if __name__ == "__main__":
    main()

3. 协作流程

通过graph_dict定义了智能体之间的协作流程。任务从initializer开始，依次传递给sre_engineer_01、sre_engineer_02，最后由sre_reflection输出优化后的方案。

三、实际运行效果

以"磁盘 100%，服务器上找不到对应的文件，排查思路？"为例，整个协作流程如下：

1. 问题发起：用户通过initializer发起任务。
1. 问题诊断：sre_engineer_01分析问题症状，提供初步的排查步骤和解决方案。
1. 自动化实现：sre_engineer_02将初步解决方案转化为自动化脚本，并集成到监控系统中。
1. 方案优化：sre_reflection对方案进行多维度评估，提出改进建议。

四、总结

仅仅尝试了一下 AutoGen 的功能，细节上没有打磨，比如没有处理好流式返回值，所以过程并非流式返回。

往期精彩

AI 时代，如何用 Python 脚本轻松搞定 PDF 需求？

DeepSeek 与 Ollama：本地运行 AI 模型的完美组合

免费使用 DeepSeek 全尺寸模型API，各享 100 万免费 tokens

清华大学：普通人如何抓住 DeepSeek 红利？（65 页 PDF）

深度揭秘：如何用一句话让 DeepSeek 优化你的代码