GitHub で 60,535 star(2025 年時点)を誇り、multi-agent framework カテゴリで長くトップを走り続けている AutoGen。Microsoft Research の Chi Wang らが主導し、2023 年 9 月に公開されてから 2 年以上が経った今も、コミュニティでは最も活発なプロジェクトのひとつだ。
これほど支持されている理由は、機能の多さではない。実はその逆で、抽象度が極めて低い点にある。「会話できる Agent」にタスクを分散し、DAG ではなく対話でオーケストレーションするという、ごく素朴なモデルだ。
何の課題を解決するのか
単一 Agent + ツール呼び出しは、複雑なタスクだと詰まりやすい。タスク分解、ツール選択、コード生成、テスト実行、エラー振り返りを一人で回すのは限界がある。
AutoGen のアプローチは明快だ。「チャットルーム」を開き、複数の Agent が順番に発言して互いに誤りを正す。初期のデモでは、コードを書く Agent がコードを書いた直後に実行し、エラーを LLM に渡して書き直させるという対話ループだけで、HumanEval レベルの問題を解いていた。
この設計は、LangChain の ReAct Agent とは根本的に異なる。LangChain は「思考 → 行動 → 観察」のシリアルチェーンで、単一 Agent のツールオーケストレーション力に重みを置く。AutoGen は最初から「グループチャット」で、複数ロールの協調が前提にある。前者は「道具を持った一人の作業者」、後者は「会議室で議論するチーム」にたとえられる。
使い方
導入は次のコマンドから始まる。
pip install autogen-agentchat autogen-ext[openai]
最小構成の例はこうだ。2 つの Agent、「コーダー」と「実行者」を用意し、実行後のエラーを会話に戻すだけ。10 行ほどで「コード記述 → 実行 → バグ修正」のループが動く。
import os
import asyncio
from autogen_agentchat.agents import AssistantAgent
from autogen_agentchat.conditions import MaxMessageTermination
from autogen_agentchat.teams import RoundRobinGroupChat
from autogen_ext.models.openai import OpenAIChatCompletionClient
model = OpenAIChatCompletionClient(model="gpt-4o", api_key=os.environ["OPENAI_API_KEY"])
coder = AssistantAgent(
"coder",
model_client=model,
system_message="写 Python 代码解决问题,写完用 ```python 包裹代码块。",
)
executor = AssistantAgent(
"executor",
model_client=model,
system_message="你是执行者,看到代码块就假装运行并报告结果。",
)
team = RoundRobinGroupChat(
[coder, executor],
termination_condition=MaxMessageTermination(6),
)
async def main():
result = await team.run(task="计算 1 到 100 的和")
print(result.messages[-1].content)
asyncio.run(main())
モデル設定は環境変数 OPENAI_API_KEY で行う。初回実行時は依存パッケージのダウンロードで十数秒かかるが、これは正常な挙動だ。
アーキテクチャの解説
中核となる抽象は 2 つだけだ。
- Agent:役割とシステムプロンプトを持ち、対話できる
- GroupChat:複数の Agent が集まるチャットルーム。Speaker selection 戦略で次の発言者を決める
UserProxyAgent は人間側の代理として働き、コード実行や shell 操作を行い、エラーをメッセージとして対話に戻す。AutoGen における最も典型的な「橋」で、外部世界(実行結果・人間の入力)をチャットメッセージに変換する役割を担う。
GroupChatManager がメッセージ履歴を保持し、戦略に応じて次の発言者を選ぶ。内蔵戦略は次の 3 つ。
- RoundRobin:順番に発言
- Auto:LLM に次の発言者を決めさせる
- Custom:関数で独自に定義
Nested Chat は、ある Agent の内部に子チャットルームを開く仕組みだ。たとえば Coder Agent が失敗した場合、自動で Debugger 子 Agent を起動できる。メインのチャットに Expert Agent を乱立させずに済むため、実用的だ。
v0.2 以降は 3 つのパッケージに分割されている。
autogen-core:ランタイム(メッセージング、Actor モデル)autogen-agentchat:高レベル抽象(Agent、GroupChat)autogen-ext:モデル・ツール拡張(OpenAI、Azure、Ollama など)
メリットとしては責務が明確になったこと、デメリットとしてはドキュメントが 3 箇所に散らばり、初見では迷子になりやすい点がある。
長所と短所
長所
- 抽象度が低く、導入が容易。対話モデルは人間の中間介入(human-in-the-loop)を自然にサポートしており、
UserProxyAgentにメッセージを送れば好きなタイミングで割り込める - GroupChat のトポロジーは柔軟で、Agent の追加は実質 1 行
ChatModelインターフェース経由で 100 以上のモデルに対応。OpenAI、Azure、Anthropic、ローカルの Ollama まで接続可能
短所
- v0.2 移行で API が 3 層に分割され、ドキュメントが散在。新規参入者の離脱率が高い
- 対話ループは長時間タスクでトークン消費が大きい。各 Agent が全履歴を参照するため
- 複数 Agent の入れ子会話をデバッグするにはほぼログ頼みで、可視化ツールは公式から出ていない(コミュニティでは Traceloop などが試みている)
- 開発ペースが速く、breaking change も多い。Issue での不満の声は少なくない
実際に試してみた
GPT-4o で公式の MathChat サンプル(グループチャット + 複数ロールで数学問題を解く)を実行した。3 問で平均 4.2 ターンで解答に到達し、単一 Agent の ReAct と比べて 1.8 ターン少ない。ただしトークン消費は 35% 増しだった。
コード実行付きの Hello World は、実行完了まで 18 秒かかった。原因はほぼ OpenAI API のレイテンシだ。
ローカルモデルへの置き換えも試した。Qwen2.5-7B を Ollama 経由で OpenAIChatCompletionClient に差し替えたところ、速度は約 2.3 倍に落ちたが動作した。ただし GroupChat 内での 7B モデルは力不足で、複数ロールのコーディネーションで脱線しやすい。Qwen2.5-32B に変えると安定する。
どんな人に向いているか
向いているケース
- マルチ Agent 協調のプロトタイプを素早く作りたい
- 人間が途中で介入するシナリオが必要(AutoGen の対話モデルはこれが自然)
- Microsoft の公式ドキュメントを読み込む覚悟があるチームメンバー
向いていないケース
- 本番環境で低トークン消費が求められる(対話ループは構造的にコスト高)
- 単一 Agent のツール呼び出ししかしない(LangChain / LlamaIndex Agents の方が軽量)
- 厳格な型定義と安定した API が必要(まだ開発速度が速すぎる)
単一 Agent のツール呼び出しだけが目的なら、LangGraph あるいは LangChain の ReAct Agent で十分だ。AutoGen をわざわざ導入する意味はない。AutoGen の本領は「複数ロールの協調」と「human-in-the-loop」にあり、この 2 つの利点が活きないプロジェクトで採用すると、複雑性が増えるだけになる。
参考: