重点:
搭建一个简单的AutoGen示例, 了解其中的流程
整个项目的角色:
- Planner(规划师) 和 Reviewer(审核员), Summarizer(总结者）一般复杂项目还会有Executor(执行者)
- 此案例将Planner(规划师) 和 Reviewer(审核员) 构建成一个team,将这个team的输出有Summarizer(总结者）进行总结
各个角色定义的功能
bash
Planner(规划师) : 把复杂任务拆解成可执行的步骤或子任务。 只出方案不执行
Reviewer(审核员): 检查方案/结果,给出反馈, 不修改,不执行
Executor(执行者): 根据规划者的方案，实际执行动作, 输出结果
Summarizer(总结者）: 综合前面的对话和结论，产出最终的结构化结果
注意代码中是将Planner和Reviewer组成一个team, team输出的结果 给到Summarizer重点学习:
1. AssistantAgent是"单个智能体怎么工作"的核心类.
常用重点参数如下:
name --- 智能体名称，用于日志、团队调度、消息源标识。
model_client --- 模型客户端，决定用哪个大模型。
system_message --- 角色提示词，定义智能体的职责、说话风格和行为规则。
tools --- 函数工具列表，让智能体能调用外部能力（如搜索、代码执行）。
output_content_type --- 结构化输出模型（Pydantic），强制智能体输出符合 schema 的结构化结果。
max_tool_iterations --- 工具调用最大循环次数，控制工具链深度，防止死循环。
description --- 智能体简介，供团队编排器理解其用途，便于自动调度。
model_context --- 模型上下文（记忆容器），用于预加载历史消息或限制上下文窗口。
model_client_stream : 流式输出
2. RoundRobinGroupChat 是"多个智能体怎么轮流协作"的核心编排类.
常用重点参数
participants: 团队参与者列表, 可以放 ChatAgent, 也可以放 Team
name: 团队名字,主要用于标识和嵌套团队场景.
description: 团队描述,让上层编排器知道这个团队干什么.
termination_condition: 终止条件,可以设置消息数达到多少,文本中出现某个词,或者外部终止信号.
max_turns: 最多允许多少次发言, 不是多少轮,也不是每个智能体, 是整个团队的所有的agnet一共只允许发言的次数, 设置为None时,会一直 发言下去Reviewer 为什么不需要 output_content_type
bash
因为 Reviewer 的职责不是"产出最终结构化答案",而是"给草案做评审"。
所以 Reviewer 只要输出自然语言评审意见就够了,这类内容给后面的 Summarizer 当材料就行,不需要强制变成 Pydantic 结构。Summarizer 为什么要单独再开一个 AssistantAgent 而不是塞进团队里
bash
因为 Summarizer 的角色和前两个完全不同,它不是"参与讨论",而是"在讨论结束后做最终裁决和格式化"。 这样职责分离更清楚团队(群聊)类型
bash
RoundRobinGroupChat：一个按轮询方式让参与者轮流进行群聊的团队。(常用)
SelectorGroupChat：每次发言都由模型选谁说话,也可以用 selector_func 自己接管。(常用)
MagenticOneGroupChat：一个用于解决各种领域开放式网络和文件任务的通用多代理系统。
Swarm：一个使用HandoffMessage来表示代理之间转换的团队。思考题: 如果Reviewer(审核员)审查出方案不合理, 需要让Planner(规划师)修改, 该如何搭建整个流程?
bash
方案1: 使用SelectorGroupChat(推荐)
让模型判断选择哪个角色发言
方案2: 使用RoundRobinGroupChat 加大max_turns,
增加规则 让 executor 自己判断"当前计划是否通过评审", 通过就执行, 不通过就不执行,
等到下一个轮回 让Planner修改方案
本次学习内容参考以下代码
bash
"""Day 1: AutoGen 多角色协作最小可运行示例。
说明:
- 这是一个严格对齐 AutoGen AgentChat 的最小示例。
- 角色采用 Planner / Reviewer / Summarizer 三段式分工。
- 最终结果使用 Pydantic Schema 收敛,方便后续对接阶段 3 的结构化任务结果。
"""
from __future__ import annotations
import argparse
import asyncio
import json
import os
import re
from pathlib import Path
from dotenv import load_dotenv
from pydantic import BaseModel, Field
from autogen_agentchat.agents import AssistantAgent
from autogen_agentchat.base import TaskResult
from autogen_agentchat.teams import RoundRobinGroupChat
from autogen_ext.models.openai import OpenAIChatCompletionClient
ROOT_DIR = Path(__file__).resolve().parents[2]
DEFAULT_TASK = "为新手设计一个 3 天的 LangGraph 学习计划"
README_PATH = ROOT_DIR / "README.md"
class FinalPlan(BaseModel):
"""Summarizer 的最终结构化输出。"""
title: str = Field(description="最终方案标题。")
summary: str = Field(description="对多角色协作过程的简要总结。")
steps: list["StepItem"] = Field(description="可执行步骤列表。")
risks: list[str] = Field(default_factory=list, description="需要注意的风险点。")
role_explanations: list[str] = Field(
default_factory=list,
description="每个角色的职责说明,每项格式为 '角色名: 职责说明'。"
)
class StepItem(BaseModel):
"""单个步骤的结构化表示。"""
day: str = Field(description="步骤所属天数,如 Day 1。")
title: str = Field(description="步骤标题。")
question: str = Field(description="该步骤要解决的核心问题。")
FinalPlan.model_rebuild()
def build_model_client(
api_key: str,
model: str,
base_url: str,
) -> OpenAIChatCompletionClient:
"""构造 AutoGen 官方推荐的 OpenAIChatCompletionClient。"""
return OpenAIChatCompletionClient(
model=model,
api_key=api_key,
base_url=base_url,
model_info={
"vision": False,
"function_calling": True,
"json_output": True,
"structured_output": True,
"family": "unknown",
},
)
def build_team(model_client: OpenAIChatCompletionClient) -> RoundRobinGroupChat:
"""构造 Planner / Reviewer 的 RoundRobinGroupChat。"""
planner = AssistantAgent(
name="Planner",
model_client=model_client,
system_message=(
"你是 Planner. 你的任务是先把用户需求拆成清晰的草案. "
"steps 必须输出为对象列表,每个对象包含 day, title, question 三个字段. "
"其中 day 使用字符串形式,如 Day 1. "
"只输出规划和拆解,不要给最终结论."
),
)
reviewer = AssistantAgent(
name="Reviewer",
model_client=model_client,
system_message=(
"你是 Reviewer. 你的任务是检查 Planner 的草案,指出缺口、风险和改进建议. "
"只做评审,不要代替 Summarizer 输出最终方案."
),
)
return RoundRobinGroupChat(
[planner, reviewer],
max_turns=2,
)
def build_summarizer(
model_client: OpenAIChatCompletionClient,
) -> AssistantAgent:
"""构造最终的结构化 Summarizer。"""
return AssistantAgent(
name="Summarizer",
model_client=model_client,
system_message=(
"你是 Summarizer. 你要综合前面两位角色的内容,最终只输出符合 schema 的结果. "
"请确保输出包含 title, summary, steps, risks, role_explanations 这五个字段. "
"其中 steps 必须是对象列表,每个对象包含 day, title, question 三个字段, "
"day 使用字符串形式,如 Day 1."
"role_explanations 必须是字符串数组,每个元素格式为 '角色名: 职责说明'."
),
output_content_type=FinalPlan,
)
def print_task_result(title: str, result: TaskResult) -> None:
"""打印团队或 Agent 的运行结果。"""
print("=" * 72)
print(title)
print("=" * 72)
print(f"停止原因: {result.stop_reason}")
print(f"消息数量: {len(result.messages)}")
print()
for index, message in enumerate(result.messages, start=1):
source = getattr(message, "source", "unknown")
content = getattr(message, "content", None)
print(f"[{index}] source={source}")
if isinstance(content, BaseModel):
print(json.dumps(content.model_dump(), ensure_ascii=False, indent=2))
else:
print(content)
print()
def print_structured_result(result: TaskResult) -> None:
"""打印团队运行结果和最终结构化对象。"""
print("=" * 72)
print("团队运行完成")
print("=" * 72)
print(f"停止原因: {result.stop_reason}")
print(f"消息数量: {len(result.messages)}")
print()
for index, message in enumerate(result.messages, start=1):
source = getattr(message, "source", "unknown")
content = getattr(message, "content", None)
print(f"[{index}] source={source}")
if isinstance(content, BaseModel):
print(json.dumps(content.model_dump(), ensure_ascii=False, indent=2))
else:
print(content)
print()
final_message = result.messages[-1]
final_content = getattr(final_message, "content", None)
if not isinstance(final_content, FinalPlan):
raise SystemExit("最终输出不是 FinalPlan 结构化对象,请检查模型是否支持 structured output.")
final_content = finalize_plan(final_content)
print("=" * 72)
print("最终结构化结果")
print("=" * 72)
print(json.dumps(final_content.model_dump(), ensure_ascii=False, indent=2))
# summarizer.run(task=...) 接受的是 str、BaseChatMessage、Sequence[BaseChatMessage] 或 None,并不接受整个 TaskResult 对象,所以要转一下
def render_summary_task(result: TaskResult) -> str:
"""把 Planner / Reviewer 的对话整理成 Summarizer 输入。"""
lines: list[str] = [
"请根据以下 Planner / Reviewer 对话,输出最终结构化结果.",
"",
]
for message in result.messages:
source = getattr(message, "source", "unknown")
content = getattr(message, "content", None)
lines.append(f"### {source}")
if isinstance(content, BaseModel):
lines.append(json.dumps(content.model_dump(), ensure_ascii=False, indent=2))
else:
lines.append(str(content))
lines.append("")
return "\n".join(lines).strip()
def finalize_plan(plan: FinalPlan) -> FinalPlan:
"""补齐模型偶尔省略的辅助字段。"""
if not plan.risks:
plan.risks = [
"如果没有先跑通最小图,后续概念会更容易发散。",
"新手在状态设计和条件路由上可能会卡住。",
]
if not plan.role_explanations:
plan.role_explanations = [
"Planner: 负责把用户需求拆成草案。",
"Reviewer: 负责检查草案并指出缺口。",
"Summarizer: 负责把协作结果收口成最终方案。",
]
return plan
async def async_main() -> None:
"""脚本主逻辑。"""
task = "为新手设计一个 3 天的 LangGraph 学习计划"
api_key = "sk-xxxx"
model = "mimo-v2.5"
base_url = "https://api.xiaomimimo.com/v1"
print("=" * 72)
print("Day 1: AutoGen 多角色协作入门")
print("=" * 72)
print(f"任务: {task}")
print("角色分工: Planner(规划师) -> Reviewer(审核员) -> Summarizer(总结员)")
print(f"模型: {model}")
print(f"Base URL: {base_url}")
print()
model_client = build_model_client(api_key, model, base_url)
team = build_team(model_client)
summarizer = build_summarizer(model_client)
try:
team_result = await team.run(task=task)
print_task_result("Planner / Reviewer 协作结果", team_result)
summary_task = render_summary_task(team_result)
summarizer_result = await summarizer.run(task=summary_task)
print_structured_result(summarizer_result)
finally:
await model_client.close()
def main() -> None:
"""同步入口。"""
asyncio.run(async_main())
if __name__ == "__main__":
main()