【零基础部署】Docker 部署 AutoGen 多 Agent 对话框架保姆级教程

AutoGen 是微软开源的多 Agent 对话框架，让多个 AI Agent 互相协作完成复杂任务。比如让一个 Agent 当「程序员」写代码，另一个当「代码审查员」检查质量，第三个当「产品经理」提需求------它们自动对话，最终产出高质量的结果。

本教程将手把手教你用 Docker 部署 AutoGen Studio，零基础也能跟着做。

1. 什么是 AutoGen？

1.1 核心概念

AutoGen 的核心思想是多 Agent 对话：

• Agent：一个有特定角色和能力的 AI 实体（如程序员、审查员、产品经理）
• 对话：Agent 之间通过消息交互来协作完成任务
• 工作流：定义 Agent 之间的协作方式和对话流程

1.2 AutoGen Studio

AutoGen Studio 是 AutoGen 的可视化界面，提供：

• 拖拽式工作流设计：不用写代码就能搭建多 Agent 系统
• 实时对话监控：观察 Agent 之间的对话过程
• 组件市场：内置常用的 Agent 和工具模板
• 一键部署：把设计好的工作流直接部署为 API

1.3 为什么用 Docker 部署？

AutoGen 依赖较多（Python、前端、数据库），Docker 把所有依赖打包在一起，避免环境冲突。

2. 环境准备

2.1 硬件要求

配置项	最低要求	推荐配置
CPU	2 核	4 核+
内存	4GB	8GB+
磁盘	10GB 可用空间	20GB+
GPU	不需要	不需要（AutoGen 调用外部 API）

说明：AutoGen 本身不需要 GPU，它调用 OpenAI、Anthropic 等云端 API。如果你要用本地模型，才需要 GPU。

2.2 软件要求

• Docker 20.10+
• Docker Compose v2
• OpenAI API Key（或其他 LLM 提供商的 Key）

2.3 获取 API Key

AutoGen 需要一个 LLM 提供商的 API Key：

• OpenAI：访问 https://platform.openai.com/api-keys 创建
• Anthropic：访问 https://console.anthropic.com/ 创建
• 本地模型：可以用 Ollama（后续章节会讲）

3. 使用 Docker 部署

3.1 快速启动（推荐新手）

# 创建数据目录
mkdir -p ~/autogen-data

# 设置 API Key
export OPENAI_API_KEY=your_openai_api_key_here

# 运行 AutoGen Studio
docker run -d \
  --name autogen-studio \
  -p 8080:8080 \
  -v ~/autogen-data:/app/data \
  -e OPENAI_API_KEY=${OPENAI_API_KEY} \
  autogen/autogenstudio:latest

参数说明：

• -p 8080:8080：映射 Web 界面端口
• -v ~/autogen-data:/app/data：持久化数据，避免容器重启后丢失
• -e OPENAI_API_KEY：传入 API Key

3.2 使用 Docker Compose（推荐）

创建项目目录：

mkdir -p ~/autogen-studio && cd ~/autogen-studio

创建 docker-compose.yml：

version: '3.8'

services:
  autogen-studio:
    image: autogen/autogenstudio:latest
    container_name: autogen-studio
    ports:
      - "8080:8080"
    volumes:
      - ./data:/app/data
    environment:
      - OPENAI_API_KEY=${OPENAI_API_KEY}
      # 可选：使用 Anthropic
      # - ANTHROPIC_API_KEY=${ANTHROPIC_API_KEY}
      # 可选：使用本地 Ollama
      # - OLLAMA_BASE_URL=http://host.docker.internal:11434
    restart: unless-stopped
    healthcheck:
      test: ["CMD", "curl", "-f", "http://localhost:8080/api/health"]
      interval: 30s
      timeout: 10s
      retries: 3

创建 .env 文件：

echo "OPENAI_API_KEY=your_openai_api_key_here" > .env

启动服务：

# 启动
docker compose up -d

# 查看日志
docker compose logs -f

# 检查状态
docker compose ps

3.3 使用本地模型（Ollama）

如果你想用本地模型而不是云端 API，可以同时部署 Ollama：

version: '3.8'

services:
  ollama:
    image: ollama/ollama:latest
    container_name: ollama
    ports:
      - "11434:11434"
    volumes:
      - ollama-data:/root/.ollama
    deploy:
      resources:
        reservations:
          devices:
            - driver: nvidia
              count: all
              capabilities: [gpu]
    restart: unless-stopped

  autogen-studio:
    image: autogen/autogenstudio:latest
    container_name: autogen-studio
    ports:
      - "8080:8080"
    volumes:
      - ./data:/app/data
    environment:
      - OLLAMA_BASE_URL=http://ollama:11434
    depends_on:
      - ollama
    restart: unless-stopped

volumes:
  ollama-data:

启动后，先拉取模型：

docker exec ollama ollama pull qwen2.5:7b

4. 访问与使用

4.1 打开界面

浏览器访问 http://localhost:8080，你会看到 AutoGen Studio 的主界面。

4.2 配置模型

首次使用需要配置 LLM 提供商：

1. 点击左侧「Settings」
2. 在「Model Providers」中添加你的 API Key
3. 选择模型（如 gpt-4o、gpt-4o-mini）
4. 点击「Test Connection」验证连接

4.3 创建第一个多 Agent 工作流

1. 点击「Create New Workflow」
2. 从组件市场拖入 Agent：
   • Product Manager：负责理解需求、拆解任务
   • Coder：负责编写代码
   • Reviewer：负责代码审查
3. 连接 Agent 的对话关系
4. 保存并运行

4.4 测试对话

在工作流界面输入一个任务，比如：

"帮我写一个 Python 脚本，实现冒泡排序，并加上单元测试"

你会看到三个 Agent 自动开始对话：

Product Manager: 好的，我来拆解这个任务。需要实现冒泡排序算法，
                并编写单元测试。Coder 请先实现算法。

Coder: 我来实现冒泡排序：
        def bubble_sort(arr):
            n = len(arr)
            for i in range(n):
                for j in range(0, n-i-1):
                    if arr[j] > arr[j+1]:
                        arr[j], arr[j+1] = arr[j+1], arr[j]
            return arr

Reviewer: 代码逻辑正确，但建议加上类型注解和文档字符串。
         另外建议处理空列表的情况。

Coder: 收到，我来改进...

5. 进阶配置

5.1 自定义 Agent

你可以在 UI 中自定义 Agent 的行为：

• System Message：定义 Agent 的角色和行为规范
• Skills：给 Agent 添加工具能力（如执行代码、搜索网页）
• Termination Conditions：定义对话何时结束

5.2 API 访问

AutoGen Studio 提供 REST API，可以把工作流集成到你的应用中：

# 获取所有工作流
curl http://localhost:8080/api/workflows

# 运行指定工作流
curl -X POST http://localhost:8080/api/workflows/{id}/run \
  -H "Content-Type: application/json" \
  -d '{"message": "帮我写一个快速排序算法"}'

5.3 使用 Python SDK

from autogen_agentchat.agents import AssistantAgent
from autogen_agentchat.teams import RoundRobinGroupChat
from autogen_ext.models.openai import OpenAIChatCompletionClient

# 创建模型客户端
model = OpenAIChatCompletionClient(model="gpt-4o-mini")

# 创建 Agent
coder = AssistantAgent(
    name="Coder",
    model_client=model,
    system_message="你是一个专业的 Python 程序员，负责编写高质量的代码。"
)

reviewer = AssistantAgent(
    name="Reviewer",
    model_client=model,
    system_message="你是一个代码审查专家，负责检查代码质量并提出改进建议。"
)

# 创建团队
team = RoundRobinGroupChat(
    participants=[coder, reviewer],
    max_turns=4
)

# 运行
import asyncio

async def main():
    result = await team.run(task="写一个快速排序算法")
    print(result)

asyncio.run(main())

6. 常见问题

6.1 容器启动失败

# 查看日志
docker logs autogen-studio

# 常见原因：端口被占用
sudo lsof -i :8080
# 如果被占用，修改 docker-compose.yml 中的端口映射

6.2 API Key 无效

# 检查环境变量是否正确传入
docker exec autogen-studio env | grep OPENAI_API_KEY

# 测试 API 连通性
curl https://api.openai.com/v1/models \
  -H "Authorization: Bearer ${OPENAI_API_KEY}"

6.3 Agent 对话卡住

• 检查 API 余额是否充足
• 尝试使用更便宜的模型（如 gpt-4o-mini）
• 设置 max_turns 限制对话轮数

6.4 使用国内镜像

如果网络不通，可以使用代理：

environment:
  - OPENAI_API_BASE=https://your-proxy.com/v1
  - OPENAI_API_KEY=your_key

7. 与其他框架对比

特性	AutoGen	CrewAI	LangChain
多 Agent 对话	✅ 核心特性	✅ 角色扮演	⚠️ 需要手动编排
可视化界面	✅ AutoGen Studio	❌	❌
代码执行	✅ 沙盒环境	✅	✅
学习曲线	中等	较低	较高
适用场景	复杂协作任务	任务流水线	通用 AI 应用

8. 总结

通过本教程，你已经成功部署了 AutoGen Studio。现在你可以：

• ✅ 通过可视化界面设计多 Agent 工作流
• ✅ 让多个 AI Agent 协作完成复杂任务
• ✅ 使用云端或本地 LLM 作为 Agent 的大脑
• ✅ 通过 API 把多 Agent 系统集成到你的应用中

下一步建议：

• 尝试设计一个「代码生成 + 审查 + 测试」的三 Agent 工作流
• 给 Agent 添加工具能力（如执行代码、搜索网页）
• 探索 AutoGen 的 GroupChat 模式，让 Agent 自由讨论
• 结合 RAG，让 Agent 能访问你的私有知识库

多 Agent 协作是 AI 应用的下一个趋势，AutoGen 让你能轻松构建这样的系统。