フレームワーク

AutoGen を解剖する:Microsoft のマルチ Agent フレームワークが 2 年人気な理由

GitHub で 60k を超える star を集めるマルチ Agent フレームワークを、「役割+対話」という素朴な抽象から解説。その設計判断、運用時の落とし穴、そして LangChain Agent との設計思想の違いまでまとめる。

文字サイズ

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:

出典: https://github.com/microsoft/autogen