AutoGen框架详解：微软Multi-Agent开发利器

学习论之费曼学习法2026-05-21 8:03

系列 ：高级Agent框架（1/6）
难度 ：⭐⭐⭐⭐ 中高级
预计阅读时间：18分钟

问题场景

开发Multi-Agent系统时，你是否遇到这些问题？

  • LangChain的Agent协作不够灵活
  • 需要手动管理对话历史
  • 代码执行安全性难以保证
  • 缺乏可视化的调试工具

痛点：如何快速构建强大的Multi-Agent系统？

解决方案：使用微软开源的AutoGen框架。

AutoGen简介

什么是AutoGen？

AutoGen是微软研究院开源的Multi-Agent对话框架，旨在简化复杂LLM应用的开发。

核心特点：

  • 🤖 多Agent协作：支持多个Agent自主对话
  • 💻 代码执行：内置安全的代码执行环境
  • 🔧 工具集成：轻松集成外部工具和API
  • 🎭 角色定制：灵活的Agent角色定义
  • 📊 可观测性：完整的对话日志和监控

GitHub ：https://github.com/microsoft/autogen
Star数 ：25,000+（持续增长）
最新版本：0.2.x（2026年5月）

为什么选择AutoGen？

维度 AutoGen LangChain CrewAI
Multi-Agent原生支持 ✅ 优秀 ⚠️ 需额外配置 ✅ 良好
代码执行能力 ✅ 内置 ❌ 需自定义 ⚠️ 基础
对话管理 ✅ 自动 ⚠️ 手动 ✅ 自动
学习曲线 ⭐⭐⭐ ⭐⭐ ⭐⭐
灵活性 ⭐⭐⭐⭐⭐ ⭐⭐⭐⭐ ⭐⭐⭐
社区活跃度 ⭐⭐⭐⭐⭐ ⭐⭐⭐⭐⭐ ⭐⭐⭐⭐

适用场景：

  • ✅ 需要代码生成和执行的任务
  • ✅ 复杂的多轮对话协作
  • ✅ 需要高度自定义的Agent行为
  • ✅ 研究和实验性质的项目

核心概念

1. ConversableAgent（可对话Agent）

AutoGen的核心抽象，所有Agent都继承自ConversableAgent。

复制代码 
from autogen import ConversableAgent

# 创建Assistant Agent
assistant = ConversableAgent(
    name="Assistant",
    llm_config={
        "config_list": [
            {
                "model": "gpt-4",
                "api_key": "your-api-key"
            }
        ]
    },
    system_message="你是一个专业的Python程序员。",
    human_input_mode="NEVER"  # 不需要人工输入
)

# 创建User Proxy Agent（用户代理）
user_proxy = ConversableAgent(
    name="User_Proxy",
    llm_config=False,  # 不使用LLM
    human_input_mode="TERMINATE",  # 允许人工干预
    code_execution_config={
        "work_dir": "coding",
        "use_docker": False  # 生产环境建议启用Docker
    }
)

关键参数：

  • llm_config：LLM配置（设为False表示不使用LLM）
  • system_message：系统提示词，定义Agent角色
  • human_input_mode：人工输入模式
    • "ALWAYS"：每次都询问人工
    • "TERMINATE"：仅在终止时询问
    • "NEVER"：完全自动化

2. AssistantAgent vs UserProxyAgent

AutoGen提供了两个预定义的Agent类型：

复制代码 
from autogen import AssistantAgent, UserProxyAgent

# AssistantAgent：负责思考和生成
assistant = AssistantAgent(
    name="Assistant",
    llm_config={"config_list": [{"model": "gpt-4", "api_key": "..."}]},
    system_message="你是一个数据分析师。"
)

# UserProxyAgent：负责执行和反馈
user_proxy = UserProxyAgent(
    name="User_Proxy",
    human_input_mode="TERMINATE",
    code_execution_config={"work_dir": "coding", "use_docker": False},
    max_consecutive_auto_reply=10  # 最大自动回复次数
)

职责分工：

  • AssistantAgent：接收任务，生成解决方案（代码、文本等）
  • UserProxyAgent：执行代码，返回结果，必要时请求人工输入

3. GroupChat（群聊）

多个Agent参与的对话场景。

复制代码 
from autogen import GroupChat, GroupChatManager

# 创建多个Agent
coder = AssistantAgent(name="Coder", llm_config=llm_config)
reviewer = AssistantAgent(name="Reviewer", llm_config=llm_config)
tester = AssistantAgent(name="Tester", llm_config=llm_config)

# 创建群聊
groupchat = GroupChat(
    agents=[coder, reviewer, tester],
    messages=[],
    max_round=10  # 最大对话轮数
)

# 创建群聊管理器
manager = GroupChatManager(
    groupchat=groupchat,
    llm_config=llm_config
)

# 启动对话
user_proxy.initiate_chat(
    manager,
    message="请开发一个排序算法并进行测试。"
)

工作流程：

复制代码 
User_Proxy → Coder（生成代码）
    ↓
Coder → Reviewer（审查代码）
    ↓
Reviewer → Tester（测试代码）
    ↓
Tester → User_Proxy（返回结果）

快速入门示例

示例1：代码生成与执行

任务：计算斐波那契数列前20项

复制代码 
import autogen

# 配置LLM
llm_config = {
    "config_list": [
        {
            "model": "qwen-plus",
            "base_url": "https://dashscope.aliyuncs.com/compatible-mode/v1",
            "api_key": "your-api-key"
        }
    ],
    "temperature": 0.7
}

# 创建Agent
assistant = autogen.AssistantAgent(
    name="Assistant",
    llm_config=llm_config,
    system_message="你是一个Python专家。编写完整可运行的代码。"
)

user_proxy = autogen.UserProxyAgent(
    name="User_Proxy",
    human_input_mode="NEVER",
    code_execution_config={
        "work_dir": "coding",
        "use_docker": False,
        "timeout": 60
    }
)

# 发起对话
response = user_proxy.initiate_chat(
    assistant,
    message="请生成Python代码计算斐波那契数列前20项，并执行它。"
)

# 查看对话历史
for msg in user_proxy.chat_messages[assistant]:
    print(f"{msg['role']}: {msg['content'][:100]}...")

输出示例：

复制代码 
User_Proxy: 请生成Python代码计算斐波那契数列前20项，并执行它。

Assistant: 好的，我来编写代码：
```python
def fibonacci(n):
    fib = [0, 1]
    for i in range(2, n):
        fib.append(fib[i-1] + fib[i-2])
    return fib

result = fibonacci(20)
print(result)

User_Proxy: 执行结果： 0, 1, 1, 2, 3, 5, 8, 13, 21, 34, 55, 89, 144, 233, 377, 610, 987, 1597, 2584, 4181

复制代码 
### 示例2：多轮对话协作

**任务**：数据分析全流程（获取数据→分析→可视化）

```python
import autogen

# 创建三个专业Agent
data_engineer = autogen.AssistantAgent(
    name="Data_Engineer",
    llm_config=llm_config,
    system_message="你是数据工程师，负责数据获取和清洗。"
)

data_analyst = autogen.AssistantAgent(
    name="Data_Analyst",
    llm_config=llm_config,
    system_message="你是数据分析师，负责统计分析和洞察提取。"
)

data_visualizer = autogen.AssistantAgent(
    name="Data_Visualizer",
    llm_config=llm_config,
    system_message="你是数据可视化专家，负责生成图表。"
)

# 创建群聊
groupchat = autogen.GroupChat(
    agents=[data_engineer, data_analyst, data_visualizer],
    messages=[],
    max_round=15
)

manager = autogen.GroupChatManager(
    groupchat=groupchat,
    llm_config=llm_config
)

# 用户代理
user_proxy = autogen.UserProxyAgent(
    name="User_Proxy",
    human_input_mode="TERMINATE",
    code_execution_config={"work_dir": "analysis", "use_docker": False}
)

# 发起任务
user_proxy.initiate_chat(
    manager,
    message="""
    请完成以下数据分析任务：
    1. 生成模拟的销售数据（1000条记录）
    2. 分析销售趋势和关键指标
    3. 生成可视化图表
    
    数据字段：日期、产品类别、销售额、数量
    """
)

执行流程：

复制代码 
1. Data_Engineer：生成模拟数据并保存为CSV
2. Data_Analyst：读取数据，计算统计指标
3. Data_Visualizer：生成折线图和柱状图
4. User_Proxy：展示最终结果

示例3：工具调用

任务：查询天气信息

复制代码 
import autogen
import requests

# 定义工具函数
def get_weather(city: str) -> str:
    """查询城市天气"""
    api_key = "your_weather_api_key"
    url = f"http://api.weatherapi.com/v1/current.json?key={api_key}&q={city}"
    
    response = requests.get(url)
    data = response.json()
    
    return f"{city}当前温度：{data['current']['temp_c']}°C，天气：{data['current']['condition']['text']}"

# 注册工具
tools = [
    {
        "type": "function",
        "function": {
            "name": "get_weather",
            "description": "查询指定城市的当前天气",
            "parameters": {
                "type": "object",
                "properties": {
                    "city": {
                        "type": "string",
                        "description": "城市名称"
                    }
                },
                "required": ["city"]
            }
        }
    }
]

# 创建支持工具调用的Agent
assistant = autogen.AssistantAgent(
    name="Assistant",
    llm_config={
        "config_list": [{"model": "gpt-4", "api_key": "..."}],
        "functions": tools  # 注册工具
    }
)

user_proxy = autogen.UserProxyAgent(
    name="User_Proxy",
    human_input_mode="NEVER",
    function_map={"get_weather": get_weather}  # 映射函数
)

# 发起查询
user_proxy.initiate_chat(
    assistant,
    message="北京今天的天气怎么样？"
)

执行过程：

复制代码 
1. Assistant识别到需要调用get_weather工具
2. 生成函数调用：get_weather(city="北京")
3. User_Proxy执行函数，获取真实天气数据
4. Assistant基于返回结果生成自然语言回答

高级特性

1. 自定义Agent

继承ConversableAgent创建自定义Agent。

复制代码 
import autogen
from autogen import ConversableAgent

class CodeReviewerAgent(ConversableAgent):
    """代码审查Agent"""
    
    def __init__(self, name: str, llm_config: dict):
        super().__init__(
            name=name,
            llm_config=llm_config,
            system_message="""
            你是一位资深代码审查专家。审查代码时关注：
            1. 代码规范性
            2. 性能优化
            3. 安全漏洞
            4. 可维护性
            
            给出具体改进建议。
            """
        )
    
    def review_code(self, code: str) -> str:
        """审查代码"""
        prompt = f"请审查以下代码：\n\n{code}"
        response = self.generate_reply(messages=[{"role": "user", "content": prompt}])
        return response

# 使用自定义Agent
reviewer = CodeReviewerAgent(
    name="Code_Reviewer",
    llm_config=llm_config
)

code_to_review = """
def calculate_sum(numbers):
    total = 0
    for i in numbers:
        total += i
    return total
"""

feedback = reviewer.review_code(code_to_review)
print(feedback)

2. 嵌套聊天（Nested Chat）

在一个对话中启动子对话。

复制代码 
import autogen

# 外层Agent
coordinator = autogen.AssistantAgent(
    name="Coordinator",
    llm_config=llm_config,
    system_message="你负责任务分解和结果整合。"
)

# 内层Agent（专门处理数学计算）
math_expert = autogen.AssistantAgent(
    name="Math_Expert",
    llm_config=llm_config,
    system_message="你是数学专家，只回答数学问题。"
)

user_proxy = autogen.UserProxyAgent(
    name="User_Proxy",
    human_input_mode="NEVER"
)

# 注册嵌套聊天
def solve_math_problem(recipient, messages, sender, config):
    """启动数学问题的子对话"""
    problem = messages[-1]["content"]
    
    # 启动子对话
    result = user_proxy.initiate_chat(
        math_expert,
        message=f"请解决这个数学问题：{problem}",
        summary_method="last_msg"
    )
    
    return True, result.summary

coordinator.register_nested_chats(
    chat_queue=[
        {
            "recipient": math_expert,
            "message": solve_math_problem,
            "summary_method": "last_msg",
            "max_turns": 3
        }
    ],
    trigger=lambda sender: sender == user_proxy
)

# 发起复杂任务
user_proxy.initiate_chat(
    coordinator,
    message="""
    请帮我解决以下问题：
    1. 计算 (123 * 456) / 789
    2. 求解方程 x^2 - 5x + 6 = 0
    """
)

3. 持久化对话历史

保存和恢复对话状态。

复制代码 
import json
import autogen

# 创建Agent
assistant = autogen.AssistantAgent(name="Assistant", llm_config=llm_config)
user_proxy = autogen.UserProxyAgent(name="User_Proxy", human_input_mode="NEVER")

# 进行对话
user_proxy.initiate_chat(
    assistant,
    message="解释一下什么是递归。"
)

# 保存对话历史
def save_chat_history(agent1, agent2, filename="chat_history.json"):
    """保存对话历史"""
    history = {
        "agent1": agent1.name,
        "agent2": agent2.name,
        "messages": agent1.chat_messages[agent2]
    }
    
    with open(filename, 'w', encoding='utf-8') as f:
        json.dump(history, f, ensure_ascii=False, indent=2)
    
    print(f"对话历史已保存到 {filename}")

save_chat_history(assistant, user_proxy)

# 恢复对话历史
def load_chat_history(agent1, agent2, filename="chat_history.json"):
    """加载对话历史"""
    with open(filename, 'r', encoding='utf-8') as f:
        history = json.load(f)
    
    # 恢复到Agent
    agent1.chat_messages[agent2] = history["messages"]
    print(f"已恢复 {len(history['messages'])} 条消息")

load_chat_history(assistant, user_proxy)

实战案例：自动化数据分析Pipeline

项目背景

构建一个自动化的数据分析系统，能够：

  1. 接收原始数据（CSV/Excel）
  2. 自动清洗和预处理
  3. 执行统计分析
  4. 生成可视化报告
  5. 输出总结洞察

系统架构

复制代码 
┌─────────────┐
│ User_Proxy  │ ← 用户输入任务
└──────┬──────┘
       │
       ▼
┌─────────────┐     ┌──────────────┐
│ Coordinator │←──→│ Data_Loader   │ ← 加载数据
└──────┬──────┘     └──────────────┘
       │
       ▼
┌──────────────┐
│ Data_Cleaner │ ← 数据清洗
└──────┬───────┘
       │
       ▼
┌──────────────┐
│ Data_Analyst │ ← 统计分析
└──────┬───────┘
       │
       ▼
┌─────────────────┐
│ Visualizer      │ ← 生成图表
└──────┬──────────┘
       │
       ▼
┌──────────────┐
│ Report_Writer│ ← 撰写报告
└──────┬───────┘
       │
       ▼
┌─────────────┐
│ User_Proxy  │ ← 返回结果
└─────────────┘

完整代码

复制代码 
import autogen
import pandas as pd
import matplotlib.pyplot as plt
import os

# 配置LLM
llm_config = {
    "config_list": [
        {
            "model": "qwen-plus",
            "base_url": "https://dashscope.aliyuncs.com/compatible-mode/v1",
            "api_key": "your-api-key"
        }
    ],
    "temperature": 0.7
}

# 1. 数据加载Agent
data_loader = autogen.AssistantAgent(
    name="Data_Loader",
    llm_config=llm_config,
    system_message="""
    你是数据加载专家。负责：
    1. 读取CSV/Excel文件
    2. 显示数据结构（行数、列数、字段类型）
    3. 检查缺失值
    
    输出数据的基本信息。
    """
)

# 2. 数据清洗Agent
data_cleaner = autogen.AssistantAgent(
    name="Data_Cleaner",
    llm_config=llm_config,
    system_message="""
    你是数据清洗专家。负责：
    1. 处理缺失值（填充或删除）
    2. 去除重复数据
    3. 数据类型转换
    4. 异常值检测
    
    生成清洗后的数据文件。
    """
)

# 3. 数据分析Agent
data_analyst = autogen.AssistantAgent(
    name="Data_Analyst",
    llm_config=llm_config,
    system_message="""
    你是数据分析专家。负责：
    1. 描述性统计（均值、中位数、标准差）
    2. 相关性分析
    3. 趋势分析
    4. 关键洞察提取
    
    输出分析结果和建议。
    """
)

# 4. 可视化Agent
visualizer = autogen.AssistantAgent(
    name="Visualizer",
    llm_config=llm_config,
    system_message="""
    你是数据可视化专家。负责：
    1. 选择合适的图表类型
    2. 生成高质量的图表
    3. 添加标题、标签、图例
    4. 保存为PNG文件
    
    生成至少3个不同的图表。
    """
)

# 5. 报告撰写Agent
report_writer = autogen.AssistantAgent(
    name="Report_Writer",
    llm_config=llm_config,
    system_message="""
    你是报告撰写专家。负责：
    1. 整合所有分析结果
    2. 撰写结构化报告
    3. 突出关键发现
    4. 给出 actionable 建议
    
    报告格式：Markdown
    """
)

# 创建群聊
agents = [data_loader, data_cleaner, data_analyst, visualizer, report_writer]

groupchat = autogen.GroupChat(
    agents=agents,
    messages=[],
    max_round=20,
    speaker_selection_method="round_robin"  # 轮流发言
)

manager = autogen.GroupChatManager(
    groupchat=groupchat,
    llm_config=llm_config
)

# 用户代理
user_proxy = autogen.UserProxyAgent(
    name="User_Proxy",
    human_input_mode="TERMINATE",
    code_execution_config={
        "work_dir": "data_analysis",
        "use_docker": False
    }
)

# 准备示例数据
os.makedirs("data_analysis", exist_ok=True)

# 生成模拟销售数据
import random
from datetime import datetime, timedelta

def generate_sample_data():
    """生成模拟销售数据"""
    dates = [datetime(2024, 1, 1) + timedelta(days=i) for i in range(100)]
    categories = ['电子产品', '服装', '食品', '图书']
    
    data = []
    for date in dates:
        for _ in range(10):  # 每天10条记录
            data.append({
                'date': date.strftime('%Y-%m-%d'),
                'category': random.choice(categories),
                'sales_amount': round(random.uniform(50, 500), 2),
                'quantity': random.randint(1, 20)
            })
    
    df = pd.DataFrame(data)
    df.to_csv('data_analysis/sales_data.csv', index=False)
    print(f"已生成 {len(df)} 条销售数据")

generate_sample_data()

# 启动分析流程
task_description = """
请对 data_analysis/sales_data.csv 进行完整的数据分析：

步骤：
1. Data_Loader：加载数据并显示基本信息
2. Data_Cleaner：清洗数据，处理异常值
3. Data_Analyst：执行统计分析，提取洞察
4. Visualizer：生成可视化图表（折线图、柱状图、饼图）
5. Report_Writer：撰写分析报告

最后将报告保存为 Markdown 文件。
"""

# 执行
response = user_proxy.initiate_chat(
    manager,
    message=task_description
)

# 查看最终报告
print("\n=== 分析报告 ===")
for msg in reversed(user_proxy.chat_messages[manager]):
    if msg['role'] == 'assistant' and '报告' in msg['content']:
        print(msg['content'])
        break

运行结果

生成的文件：

复制代码 
data_analysis/
├── sales_data.csv          # 原始数据
├── cleaned_data.csv        # 清洗后数据
├── sales_trend.png         # 销售趋势图
├── category_distribution.png  # 类别分布图
├── daily_sales.png         # 每日销售图
└── analysis_report.md      # 分析报告

报告示例：

复制代码 
# 销售数据分析报告

## 数据概览
- 总记录数：1000条
- 时间范围：2024-01-01 至 2024-04-10
- 产品类别：4个（电子产品、服装、食品、图书）

## 关键发现

### 1. 销售趋势
- 整体呈上升趋势
- 3月份销售额最高（¥15,234）
- 周末销售额比工作日高23%

### 2. 类别分析
- 电子产品贡献最大（42%）
- 食品复购率最高
- 图书销售额稳定增长

### 3. 建议
1. 增加电子产品库存
2. 周末开展促销活动
3. 拓展食品品类

## 可视化图表
![销售趋势](sales_trend.png)
![类别分布](category_distribution.png)

优缺点分析

优势

✅ Multi-Agent原生支持

  • 无需额外配置即可实现多Agent协作
  • 群聊机制简单易用

✅ 代码执行能力强

  • 内置安全的代码执行环境
  • 支持Docker隔离（生产环境推荐）

✅ 灵活性高

  • 可自定义Agent行为
  • 支持嵌套聊天、工具调用等高级特性

✅ 微软背书

  • 持续更新和维护
  • 活跃的社区支持

劣势

❌ 学习曲线较陡

  • 概念较多（ConversableAgent、GroupChat等）
  • 需要理解异步对话机制

❌ 资源消耗大

  • 多Agent对话产生大量LLM调用
  • 成本较高

❌ 调试复杂

  • 多轮对话难以追踪
  • 错误定位困难

❌ 文档不完善

  • 部分高级功能文档缺失
  • 示例代码较少

适用场景

推荐使用

✅ 代码生成与执行

  • 自动化编程任务
  • 数据处理Pipeline
  • 测试用例生成

✅ 复杂决策流程

  • 多专家协作决策
  • 分步骤问题解决
  • 需要反复迭代的任务

✅ 研究与实验

  • 探索Multi-Agent交互模式
  • 测试新的Agent架构
  • 学术论文原型系统

不推荐使用

❌ 简单问答场景

  • 单轮对话即可解决
  • 使用LangChain更简单

❌ 成本敏感项目

  • LLM调用次数多
  • 预算有限

❌ 生产环境关键系统

  • 稳定性要求极高
  • 需要成熟的监控和告警

最佳实践

1. 合理设置max_round

复制代码 
# ❌ 避免无限循环
groupchat = GroupChat(agents=agents, messages=[], max_round=100)

# ✅ 设置合理的上限
groupchat = GroupChat(agents=agents, messages=[], max_round=10)

2. 启用Docker沙箱

复制代码 
# ❌ 不安全
user_proxy = UserProxyAgent(
    code_execution_config={"use_docker": False}
)

# ✅ 安全
user_proxy = UserProxyAgent(
    code_execution_config={
        "use_docker": True,
        "image": "python:3.10-slim"
    }
)

3. 限制Token使用

复制代码 
llm_config = {
    "config_list": [...],
    "max_tokens": 1000,  # 限制单次响应长度
    "temperature": 0.7
}

4. 保存对话历史

复制代码 
# 定期保存，便于调试和恢复
import json

def save_progress(agent1, agent2, step_name):
    history = agent1.chat_messages[agent2]
    with open(f"history_{step_name}.json", 'w') as f:
        json.dump(history, f)

总结

AutoGen核心价值

🎯 简化Multi-Agent开发

  • 开箱即用的多Agent协作
  • 内置代码执行和安全机制

🚀 快速原型验证

  • 几行代码即可启动复杂对话
  • 适合研究和实验

💡 高度可扩展

  • 自定义Agent行为
  • 灵活的工具集成

下一步学习

  1. 实践：用AutoGen重构现有的单Agent应用
  2. 深入：阅读源码，理解核心机制
  3. 对比：尝试CrewAI和LangGraph，找到最适合的框架

相关资源：

💡 觉得有用？点赞+收藏+关注，不错过下一篇文章！

下一篇预告：《CrewAI实战：构建高效的Agent团队》

相关推荐
回眸&啤酒鸭13 小时前
【回眸】OpenSwarm 多智能体协作系统实战指南
大数据·前端·人工智能
博图光电13 小时前
Libra 27105相关技术参数
人工智能·数码相机
IT_陈寒13 小时前
SpringBoot自动配置差点让我加班到凌晨
前端·人工智能·后端
yumgpkpm13 小时前
Acceldata ODP（Open Data Platform）3.3.6.4（RHEL9）保姆级完整安装手册
大数据·人工智能·hive·hadoop·kafka·hbase·cloudera
程序员cxuan13 小时前
腾讯又来一王炸，开源版 WorkBuddy 太夯了！
人工智能·后端·程序员
邓工说电14 小时前
智慧断路器安全吗？数据加密、离线保护与合规认证全解读
大数据·数据库·人工智能·智能断路器·炜晔科技
阿里云大数据AI技术14 小时前
Lance 数据检索怎么选，当然阿里云 Milvus 向量湖
人工智能
出海客14 小时前
跨境电商多语言客服知识库怎么建：资料结构、检索边界与人工升级
大数据·人工智能
java资料站14 小时前
五、Spring AI Alibaba · Memory · Saver（短期会话）
java·spring·microsoft
xsd2024111814 小时前
从自主导航到视觉读表：一台工业巡检机器人的全栈技术链路拆解
人工智能
热门推荐
01如何新建文件夹？ 电脑新建文件夹的4种方法02国内可直接用、免费额度/永久免费的大模型API清单（含 SiliconFlow、火山、阿里、智谱、百度、Kimi、DeepSeek、DMXAPI 等）03历年考研数学一、数学二、数学三真题试卷及答案PDF04GitHub 镜像站点05蜘蛛磁力 搜索引擎大全，如何使用蜘蛛磁力查找磁力链接06轻量化AI渗透武器库｜ARTEX自主攻防系统、资产梳理、漏洞挖掘、链路分析全流程智能化落地07Windows 10/11 如何退出微软账户并改用本地账户登录（含找不到选项的解决方法）08Telegram APK 下载安装完整指南 — 2026年最新09微信历史版本含下载地址（ Windows PC | 安卓 | MAC ）及设置微信不更新10几个好用的ip纯净度检测网站