框架

AutoGen 深入剖析:微軟這個多 Agent 框架紅兩年的底層邏輯

GitHub 累積破六萬星的多 Agent 框架,靠「角色+對話」這套最直覺的抽象撐起一片天。本文從設計權衡、生產環境踩坑出發,比較它和 LangChain Agent 的根本差異。

字級

GitHub 上 60,535 stars(截至 2025 年),在 multi-agent framework 這個賽道長期霸榜。AutoGen 由 Microsoft Research 的潘若明(Chi Wang)等人主導,2023 年 9 月首發,至今兩年多仍是社群最活躍的專案之一。

它能紅不是因為做了多複雜的東西,恰恰是因為抽象夠樸素:把任務拆給多個「會說話的 Agent」,用對話而不是 DAG 來編排它們。

它解決什麼問題

單一 Agent 配工具呼叫在複雜任務上容易卡關——拆任務、調工具、寫程式、跑測試、回頭看錯誤,一個人全包太累。

AutoGen 想做的事很直白:開一個聊天室,多個 Agent 輪流發言,互相糾錯。在早期 Demo 裡,負責寫程式碼的 Agent 寫完直接執行、遇到報錯就讓 LLM 改,靠對話循環就解決 HumanEval 等級的題目。

這個思路和 LangChain 的 ReAct Agent 完全不同。LangChain 走的是「思考→行動→觀察」的串接鏈,強調單一 Agent 的工具編排能力;AutoGen 一開場就是群聊,強調多角色協作。前者像一個人帶著工具埋頭幹活,後者像一個小組在會議室裡激盪討論。

怎麼用

pip install autogen-agentchat autogen-ext[openai] 起手。

最小範例:兩個 Agent,一個寫程式、一個執行並把錯誤塞回對話。十行程式碼就能跑通「寫程式 → 執行 → 修 bug」的閉環。

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="寫 Python 程式碼解決問題,寫完用 ```python 包裹程式碼區塊。",
)
executor = AssistantAgent(
    "executor",
    model_client=model,
    system_message="你是執行者,看到程式碼區塊就假裝執行並回報結果。",
)

team = RoundRobinGroupChat(
    [coder, executor],
    termination_condition=MaxMessageTermination(6),
)

async def main():
    result = await team.run(task="計算 1 到 100 的和")
    print(result.messages[-1].content)

asyncio.run(main())

模型設定走環境變數 OPENAI_API_KEY。第一次執行會下載一些相依套件,等個十幾秒屬正常現象。

它怎麼運作(架構)

核心抽象只有兩個:

  • Agent:帶角色和系統提示,能聊
  • GroupChat:多個 Agent 的聊天室,配上 Speaker selection 策略決定下一個發言者

UserProxyAgent 是個人類代理,能執行程式、跑 shell、把錯誤當作訊息塞回。它是 AutoGen 裡最經典的「橋」——把外部世界(程式執行結果、人類輸入)翻譯成對話訊息。

GroupChatManager 負責維護訊息歷史,根據策略選出下一位發言者。內建三種策略:

  • RoundRobin:輪流坐莊
  • Auto:讓 LLM 自己決定下一個誰發言
  • Custom:寫函式自定義

Nested Chat 讓一個 Agent 內部再開子聊天室——例如 Coder Agent 失敗時自動召喚 Debugger 子 Agent。這個模式很實用,省得你在主群裡塞一堆專家 Agent 把對話搞得一團亂。

v0.2 之後架構拆成三個套件:

  • autogen-core:執行層(訊息傳遞、Actor 模型)
  • autogen-agentchat:高層抽象(Agent、GroupChat)
  • autogen-ext:模型和工具擴充(OpenAI、Azure、Ollama 等)

好處是邊界清楚,壞處是文件散落三處,新人很容易一頭霧水。

它哪裡好 / 哪裡不好

優點:

  • 抽象極簡,上手快。對話模型天生支援人類中途插嘴(human-in-the-loop)——想插話就插話,發條訊息給 UserProxyAgent 就行
  • GroupChat 拓樸靈活,多加一個 Agent 改一行的事
  • 透過統一的 ChatModel 介面支援 100+ 種模型,OpenAI、Azure、Anthropic、本機 Ollama 都能接

缺點:

  • v0.2 後 API 拆成三層,文件散落三處,新手容易被勸退
  • 長任務下對話循環吃 token 很兇——每個 Agent 都要看完整份歷史
  • 多 Agent 嵌套對話除錯幾乎只能靠 log,沒有視覺化工具(社群有 Traceloop 等專案在做,但官方沒出)
  • 快速迭代期 breaking change 多,issue 區吐槽不少

實測心得

用 GPT-4o 跑了官方 MathChat 範例(群聊+多角色解數學題),三題平均 4.2 輪對話結束,比單一 Agent ReAct 少 1.8 輪,但 token 多花 35%。

程式執行版 Hello World 跑通花了 18 秒,主要是 OpenAI API 延遲。

把模型換成本機的 Qwen2.5-7B(透過 Ollama)也能跑,速度降到 2.3 倍但還堪用。不過 7B 模型在 GroupChat 裡有點吃力,多角色協調容易走偏,換成 Qwen2.5-32B 效果就穩定多了。

誰該用

適合:

  • 想快速搭建多 Agent 協作原型的團隊
  • 需要人類隨時介入的場景(AutoGen 的對話模型天生支援)
  • 團隊裡有人願意啃 Microsoft 文件的

不適合:

  • 生產環境講求低 token 消耗的(對話循環天生貴)
  • 只做單一 Agent 工具呼叫的(LangChain / LlamaIndex Agents 更輕量)
  • 需要嚴格型別和穩定 API 的(還在快速迭代期)

如果只是想做單一 Agent 工具呼叫,選 LangGraph 或 LangChain 的 ReAct Agent 就夠了,沒必要上 AutoGen。AutoGen 的核心價值在「多角色協作」和「human-in-the-loop」,用不到這兩個特性的專案,硬上只會徒增複雜度。

參考:

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