Agent来了0x0a：AutoGen 进阶

前言

前面学习了 AutoGen 基础，今天通过几个简单的应用场景来理解 MAS 的应用。

Agent 协同方式

上节讲了几个多 Agent 的通讯机制，但具体 AutoGen 内部多个 Agent 之间是怎么协调的？谁先谁后的顺序是由谁决定的？

RoundRobinGroupChat

RoundRobinGroupChat ，轮询群聊，是 MAS 系统中最简单的协同调度器。传入一个智能体列表 [A, B, C]，系统会严格按照 A→B→C→A→B→C...的顺序循环执行，每个智能体在轮到自己时向全体广播消息。

• max_turns：最大轮次
• termination_condition:终止条件，如关键词触发。作用是防止无限循环。

SelectorGroupChat

SelectorGroupChat ，选择器群聊，是基于 LLM 的智能调度器。每轮对话后，系统会将完整的对话历史、各个智能体的角色描述（name, description）提交给一个LLM（即selector），由这个LLM根据当前上下文判断"下一步谁最合适发言"。

• allow_repeated_speaker：默认Flase，防止同一智能体霸占对话
• selector_func：支持自定义选择逻辑，实现类似状态机的复杂流转

Swarm

Swarm ，蜂群模式。智能体通过发送特殊的 HandoffMessage来主动将任务"移交"给另一个智能体。系统不依赖中央调度器，而是根据最新的移交信号来决定下一个发言者。去中心化 和自主性 设计的典型案例。

GraphFlow

GraphFlow ，工作流模式，是一种基于有向图的显式流程编排模式 。开发者使用 DiGraphBuilder等API，像画流程图一样，用节点（智能体）和边（执行顺序与条件）来定义精确的工作流。中心化控制 和确定性 设计的典型案例。

• 支持顺序、并行、条件分支和循环等复杂逻辑。消息传递路径是预先定义且确定的，控制力极强。

MagenticOneGroupChat

MagenticOneGroupChat ，M1编排器群聊，Magentic-One 通用多智能体系统的 "大脑"或"总指挥" 。它是一个高层抽象，将复杂的任务规划、工具调用（如网页浏览、文件操作）逻辑封装了起来。你提供一组智能体，它来负责指挥。

MagenticOne

MagenticOne ，M1辅助类。他是 MagenticOneGroupCha t的一个便捷封装。它会自动为你创建并集成一整套预定义的专家智能体 ，如 MultimodalWebSurfer（网页浏览）、FileSurfer（文件操作）、Coder（代码编写）和 Executor（代码执行）等。M1 相关的设计模式都是模型驱动的智能调度。

• "开箱即用"

该有哪个？

协同方式	应用场景
RoundRobinGroupChat​	固定流程的流水线作业，如"反思模式"（写手与评论家轮流迭代）。
SelectorGroupChat​	复杂、非固定流程的专家会诊，如根据症状动态选择专科医生。
Swarm​	灵活的客服转接、跨领域问题会诊等需要智能体自主协商移交任务的场景。
GraphFlow​	严格的业务流程、审批流水线、数据处理管道等需要精确编排的确定性工作流。
MagenticOneGroupChat​	解决跨领域的开放式复杂任务，特别是涉及网页搜索、文件处理、代码编写与执行的综合性研究或自动化。
MagenticOne​	快速搭建具备多模态感知和复杂任务执行能力的智能体团队，用于概念验证或快速开发。

🌰论文搜集

需求背景

使⽤autoGen通过多agent群聊搜集LLM⽂献实例。从arxiv上找到最新的5篇关于 Agent 的论文，保存到markdown表。并在同目录生成一个md格式的文件，用于存储该表格。

任务拆解

• 编写脚本搜集资料
• 仔细审查搜集资料，判断有效性。并针对性分类

角色定义

• Planner (AssistantAgent):规划师，负责整个任务规划、管理和分配

# 创建一个计划员assistant
planner = AssistantAgent(
    name="Planner",
    system_message="""规划师。提出计划。根据管理员和评论员的反馈修改计划，直到管理员批准。
    该计划可能涉及会写代码的工程师Engineer和不会写代码的科学家Scientist。
    首先解释一下计划。明确哪一步由工程师执行，哪一步由科学家执行。
    """,
    model_client=model_client,
)

• Admin (UserProxyAgent)：人类管理员，规划师互动，讨论计划。授权其他角色行动

# 创建一个管理员Proxy
user_proxy = UserProxyAgent(
    name="Admin",
    description="人类管理员. 与规划师互动，讨论计划。计划执行需要得到该管理员的批准。",
)

• Engineer(AssistantAgent)：工程师，负责写代码来解决对应问题

# 创建一个工程师assistant
engineer = AssistantAgent(
    name="Engineer",
    model_client=model_client,
    system_message="""工程师。您遵循已批准的计划。您编写 python/shell 代码来解决任务。
    将代码包装在指定脚本类型的代码块中。用户无法修改您的代码。因此，不要建议需要其他人修改的不完整代码。
    如果代码块不打算由执行器执行，请不要使用它。
    不要在一个响应中包含多个代码块。不要要求其他人复制和粘贴结果。检查执行器返回的执行结果。
    如果结果表明存在错误，请修复错误并再次输出代码。建议使用完整代码而不是部分代码或代码更改。
    如果错误无法修复，或者即使代码成功执行后任务仍未解决，请分析问题，重新审视您的假设，
    收集您需要的其他信息，并考虑尝试其他方法。
    """,
)

• Critic (AssistantAgent)：审核员，检查其他代理商的计划、声明和代码并提供反馈，同时决定是否需要 Admin 干预

# 创建一个评论家assistant
critic = AssistantAgent(
    name="Critic",
    system_message="批评家。仔细检查其他代理商的计划、声明和代码并提供反馈。检查计划是否包括添加可验证信息，例如源 URL。"
                   "你的工作完成后请以'人类管理员'的称呼明确告知管理员是否需要干预",
    model_client=model_client,
)

• Executor(CodeExecutorAgent)：代码执行器，执行代码并返回结果。

code_executor = DockerCommandLineCodeExecutor(work_dir="../paper")
await code_executor.start()

# 创建一个执行者Proxy
executor = CodeExecutorAgent(
    name="Executor",
    description="执行器。执行工程师编写的代码并报告结果。",
    model_client= model_client,
    code_executor=code_executor
)

• Scientist(CodeExecutorAgent)：科学家。可以对论文进行鉴别、分类。以及进一步专业处理。

# 创建一个科学家assistant
scientist = AssistantAgent(
    name="Scientist",
    model_client=model_client,
    system_message="""科学家。你遵循一个已批准的计划。你可以在看到论文摘要后对论文进行分类。你不写代码。""",
)

协作方式

这里是用 RoundRobinGroupChat，还是 SelectorGroupChat 呢？其实从程序执行上都可以，都是可以得出最终结果的。但是前者往往更适合固定流程的 case ，但是本场景中几个角色发言可能是不固定的，所以这里选择 SelectorGroupChat 更好一些。

agent_team = SelectorGroupChat(
    [user_proxy, engineer, scientist, planner, executor, critic],
    model_client = model_client
)

print("\033[1;31m本程序因为要访问arxiv需要科学上网！请先检查人类管理员检查是否开启了科学上网！\033[0m")

stream = agent_team.run_stream(task="从arxiv上找到最新的5篇关于 Agent 的论文，保存到markdown表。并在同目录生成一个md格式的文件，用于存储该表格。"
                                    "请问人类管理员对该计划是否有调整？如有，请告知我")
await Console(stream)

运行分析

1. Selecter（LLM）选择 Engineer 开始写相关查询代码

2. Selecter（LLM）选择 Executor 来执行和验证 Engineer 写的代码

3. 代码执行报错后，Selecter（LLM）选择 Critic 进行审查，对代码给出了修改建议

4. 基于 3 的变动，Admin 询问 人类管理员是否需要干预

5. Executor 继续执行 -> Critic审查 -> 人类干预 循环直到代码完全可靠

   • 这里可能执行多轮

6. Executor 终于生成了我们要的 md 格式的论文汇总表格

7. 最后还给出了一些建议

8. paper 目录下是 LLM 不断自我修正中产生的py中间代码最后一个完整且正确的代码，我们自己执行也会生成对应的 md 表格。

🌰数据分析

使⽤ autoGen 分析数据并绘制对应图标。

Coder

coder = AssistantAgent(
    name="Coder",
    model_client=model_client,
)

Executor

code_executor = DockerCommandLineCodeExecutor(work_dir="workspace/dataanalysis")
await code_executor.start()
executor = CodeExecutorAgent(
    name="Executor",
    code_executor=code_executor
)

Critic

critic = AssistantAgent(
    name="Critic",
    system_message="""
    评论家。您是一位乐于助人的助手，能够通过提供 1（差）- 10（好）的分数来评估给定可视化代码的质量，同时提供明确的理由。您必须为每次评估考虑可视化最佳实践。具体来说，您可以从以下维度仔细评估代码
    - 错误（bug）：是否存在错误、逻辑错误、语法错误或拼写错误？代码编译失败的原因是什么？应该如何修复？如果存在任何错误，错误分数必须小于 5。
    - 目标合规性（合规性）：代码与指定可视化目标的符合程度如何？
    
    您必须为上述每个维度提供分数。
    {bug：0，合规性：0}
    不建议代码。
    最后，根据上述批评，建议程序员应采取的具体行动清单，以改进代码。
    """,
    model_client=model_client,
)

测试代码

team = RoundRobinGroupChat([coder, executor, critic], max_turns=20)
stream = team.run_stream(task="从 https://raw.githubusercontent.com/vega/vega/main/docs/data/seattle-weather.csv 下载数据并告诉我每种天气的数量。将图保存到文件中。在可视化数据集之前打印数据集中的字段。接受评论者的反馈以改进代码。")
await Console(stream)

运行

过程就不做过多分析，直接上结果。

🌰查看股价

查看估价信息。

Coder

# 创建助手代理
assistant = AssistantAgent(
    name="Coder",
    system_message='''你需要编写 python/shell 代码来解决任务。将代码包装在指定脚本类型的代码块中。
    用户无法修改您的代码。因此，不要建议需要其他人修改的不完整代码。如果代码块不打算由执行器执行，请不要使用它。
    不要在一个响应中包含多个代码块。不要要求其他人复制和粘贴结果。检查执行器返回的执行结果。
    如果结果表明存在错误，请修复错误并再次输出代码。建议使用完整代码而不是部分代码或代码更改。
    如果错误无法修复，或者即使代码成功执行后任务仍未解决，请分析问题，重新审视您的假设，收集您需要的其他信息，
    并考虑尝试其他方法。''',
    model_client=model_client
)

Executor

# 创建代码执行器
code_executor = DockerCommandLineCodeExecutor(work_dir="workspace/stockprice")
await code_executor.start()

# 创建执行器代理
executor = CodeExecutorAgent(
    name="Executor",
    code_executor=code_executor
)

终止条件

max_msg_termination = MaxMessageTermination(max_messages=10)
text_termination = TextMentionTermination("TERMINATE")
combined_termination = max_msg_termination | text_termination

测试代码

# 创建团队聊天
team = RoundRobinGroupChat(
    [assistant, executor],
    termination_condition=combined_termination
)

# 运行任务
stream = team.run_stream(task="今天是几号，获取美团公司(三快科技)本月至今的股票变化信息，并且用文字对股票变化进行分析。同时获取最近一周美团的股价信息，并绘制成K线图，生成图片保存到当前目录！")
await Console(stream)

🌰数据生成可视化图

Coder

coder = AssistantAgent(
    name="Coder",
    model_client=model_client,
    system_message="务必全程使用中文进行交流和反馈！！！"
)

Executor

code_executor = DockerCommandLineCodeExecutor(work_dir="workspace/visualization")
await code_executor.start()
executor = CodeExecutorAgent(
    name="Executor",
    code_executor=code_executor,
    system_message="务必全程使用中文进行交流和反馈！！！"
)

Critic

critic = AssistantAgent(
        name="Critic",
        system_message="""
        评论家。您是一位乐于助人的助手，能够通过提供 1（差）- 10（好）的分数来评估给定可视化代码的质量，同时提供明确的理由。您必须为每次评估考虑可视化最佳实践。具体来说，您可以从以下维度仔细评估代码
- 错误（bug）：是否存在错误、逻辑错误、语法错误或拼写错误？代码编译失败的原因是什么？应该如何修复？如果存在任何错误，错误分数必须小于 5。
- 数据转换（transformation）：数据是否针对可视化类型进行了适当的转换？例如，数据集是否根据需要进行了适当的过滤、聚合或分组？如果使用日期字段，是否先将日期字段转换为日期对象等？
- 目标合规性（compliance）：代码与指定可视化目标的匹配程度如何？
- 可视化类型 (type)：考虑最佳实践，可视化类型是否适合数据和意图？是否有更有效地传达见解的可视化类型？如果其他可视化类型更合适，则分数必须小于 5。
- 数据编码 (encoding)：数据是否适合可视化类型编码？
- 美学 (aestics)：可视化的美学是否适合可视化类型和数据？

您必须为上述每个维度提供分数。
{错误：0，转换：0，合规性：0，类型：0，编码：0，美观性：0}
不建议代码。
最后，根据上述批评，建议程序员应采取的具体行动清单，以改进代码。
要求：务必全程使用中文进行交流和反馈！！！"
""",
        model_client=model_client,
    )

测试代码

team = RoundRobinGroupChat(
    [coder, executor, critic],
    max_turns=20,
)

stream = team.run_stream(task="从 https://raw.githubusercontent.com/uwdata/draco/master/data/cars.csv 下载数据并绘制可视化图，告诉我们重量和马力之间的关系。将图保存到文件中。在可视化之前打印数据集中的字段。")
await Console(stream)

源码

github