工程篇

AutoGen（微软多Agent框架）

微软开源的多智能体协作框架，通过异步消息驱动多个 Agent 角色分工完成复杂任务。

难度 3⏱ 9 分钟tool更新于 2026-03-26

内容摘要

AutoGen 是微软开源的**多智能体协作框架（Multi-Agent Conversation Framework）**，核心思路是：把一个复杂任务交给多个各有专长的 Agent，它们通过对话协商、分工协作来完成任务。

AutoGen（微软多Agent框架）

基础概念

AutoGen 是微软开源的多智能体协作框架（Multi-Agent Conversation Framework），核心思路是：把一个复杂任务交给多个各有专长的 Agent，它们通过对话协商、分工协作来完成任务。

打个比方：你组了一个临时项目组，组里有程序员、测试、产品经理。你扔一个需求进去，他们自己讨论、写代码、审查、测试，最后给你交付结果。AutoGen 干的就是这件事——你定义好每个 Agent 的角色和能力，框架负责让它们有序地对话和协作。

重要版本说明：AutoGen 在 2025 年初发布了 0.4 版本，是对旧版 0.2 的彻底重写。新版采用异步架构、模块化设计，API 完全不同。本卡片基于 0.4 版本编写。旧版 pyautogen 包已不再由微软维护，新版包名为 autogen-agentchat。此外，微软已宣布 AutoGen 将演进为 Microsoft Agent Framework，作为统一的 Agent 开发框架。

核心要素

要素	作用
Agent（智能体）	独立的对话参与者，具备特定角色和能力（如编程、审查、搜索），是最小工作单元
Team（团队）	多个 Agent 的协作容器，定义 Agent 之间如何轮流发言和协调（取代旧版 GroupChat）
Model Client（模型客户端）	独立的 LLM 调用层，支持 OpenAI、Azure、本地模型等，与 Agent 逻辑解耦
Termination Condition（终止条件）	控制对话何时结束的规则，避免 Agent 无限讨论下去

Agent（智能体）

Agent 是 AutoGen 的基本单位。每个 Agent 有名字、系统提示（定义角色）、绑定的模型和工具。0.4 版本中最常用的是 AssistantAgent，它接收消息、调用 LLM 生成回复、必要时调用工具。

与 0.2 版本的关键区别：0.4 中 Agent 的运行是异步的（基于 async/await），不再有 UserProxyAgent 自动执行代码的设计。代码执行由专门的 CodeExecutorAgent 负责。

Team（团队）

Team 是 0.4 版本的核心编排机制，取代了旧版的 GroupChat + GroupChatManager。AutoGen 0.4 提供两种内置 Team：

RoundRobinGroupChat：Agent 按固定顺序轮流发言，简单直接
SelectorGroupChat：由 LLM 根据对话上下文动态选择下一个发言的 Agent，更智能灵活

Model Client（模型客户端）

0.4 版本将模型调用抽象为独立的客户端对象。你先创建一个 OpenAIChatCompletionClient，再把它传给 Agent。这样同一个模型客户端可以被多个 Agent 共用，换模型只需改一处。

Termination Condition（终止条件）

控制 Team 运行何时结束。常用的终止条件：

TextMentionTermination("TERMINATE")：当某条消息包含指定文本时停止
MaxMessageTermination(10)：达到最大消息数时停止
多个条件可以用 | 组合

核心要素关系图

正在渲染 Mermaid 图表…

Agent 绑定 Model Client 获得 LLM 能力，多个 Agent 组成 Team，Team 按照编排策略驱动 Agent 轮流发言，直到触发终止条件，返回最终结果。

基础用法

安装依赖：

# 安装 AutoGen 0.4 AgentChat 和 OpenAI 扩展
pip install -U "autogen-agentchat" "autogen-ext[openai]"

OpenAI API Key：在 https://platform.openai.com/api-keys 获取
设置环境变量：export OPENAI_API_KEY="sk-your-key-here"

最小可运行示例（基于 autogen-agentchat==0.4.7 验证，截至 2026-03）：

import asyncio
import os
from autogen_agentchat.agents import AssistantAgent
from autogen_ext.models.openai import OpenAIChatCompletionClient

async def main() -> None:
    # 1. 创建模型客户端（未显式传入时，OpenAI SDK 会读取 OPENAI_API_KEY）
    model_client = OpenAIChatCompletionClient(
        model="gpt-4o",
        api_key=os.getenv("OPENAI_API_KEY"),
    )

    # 2. 创建 Agent
    agent = AssistantAgent(
        name="assistant",
        model_client=model_client,
        system_message="你是一个有经验的 Python 程序员，用中文回复。",
    )

    # 3. 运行单个任务
    result = await agent.run(task="用 Python 写一个计算斐波那契数列前10项的函数")
    print(result.messages[-1].content)

    await model_client.close()

asyncio.run(main())

预期输出：

（Agent 返回一段包含斐波那契函数的 Python 代码）

多 Agent 团队协作示例：

import asyncio
import os
from autogen_agentchat.agents import AssistantAgent
from autogen_agentchat.teams import RoundRobinGroupChat
from autogen_agentchat.conditions import TextMentionTermination
from autogen_ext.models.openai import OpenAIChatCompletionClient

async def main() -> None:
    model_client = OpenAIChatCompletionClient(
        model="gpt-4o",
        api_key=os.getenv("OPENAI_API_KEY"),
    )

    # 定义两个角色不同的 Agent
    coder = AssistantAgent(
        name="coder",
        model_client=model_client,
        system_message="你是 Python 程序员，负责编写代码。完成后说 TERMINATE。",
    )
    reviewer = AssistantAgent(
        name="reviewer",
        model_client=model_client,
        system_message="你是代码审查员，检查代码质量并提出改进建议。审查通过后说 TERMINATE。",
    )

    # 组建团队：轮流发言，检测到 TERMINATE 时停止
    termination = TextMentionTermination("TERMINATE")
    team = RoundRobinGroupChat(
        participants=[coder, reviewer],
        termination_condition=termination,
    )

    # 运行团队任务
    result = await team.run(task="编写一个线程安全的计数器类，包含 increment 和 get_count 方法")

    # 打印所有对话消息
    for msg in result.messages:
        print(f"[{msg.source}]: {msg.content[:100]}...")

    await model_client.close()

asyncio.run(main())

预期输出：

[user]: 编写一个线程安全的计数器类，包含 increment 和 get_count 方法...
[coder]: 以下是线程安全的计数器类实现...（代码）...TERMINATE
[reviewer]: 代码审查意见：1. 使用了 threading.Lock，线程安全...TERMINATE

维度	AutoGen	LangGraph	CrewAI
核心定位	多 Agent 对话协作框架	图编排状态机	角色扮演式多 Agent 框架
编排方式	轮询 / LLM 动态选择发言者	有向图 + 条件边	顺序流程 / 管理者委派
编程范式	异步消息驱动	状态机 + 共享状态	声明式角色定义
多 Agent 支持	原生核心能力	需自行在节点中实现	原生核心能力
学习曲线	中等（需理解异步和对话模式）	较陡（需懂状态机和图论）	较低（声明式配置）
适合场景	多角色讨论、需要自发交互	精确控制流程、复杂分支循环	快速搭建角色分工团队

常见误区

误区	准确理解
还在用 `pyautogen` 和 `from autogen import`	0.4 版本包名改为 `autogen-agentchat`，导入路径是 `from autogen_agentchat.agents import AssistantAgent`。旧的 `pyautogen` 已不由微软维护
GroupChat 越多 Agent 越好	Agent 过多会导致对话发散、token 成本爆炸。建议控制在 3-5 个专业化 Agent，每个角色职责明确
AutoGen 能全自动完成任何任务	AutoGen 只是编排框架，任务质量取决于 Agent 的系统提示设计、LLM 能力和工具配置
0.2 和 0.4 的代码可以混用	两个版本 API 完全不兼容。0.4 是异步架构，0.2 的 `UserProxyAgent`、`GroupChatManager` 等在 0.4 中不存在

优劣势分析

优势	劣势
多 Agent 对话协作是原生核心能力，不需要额外拼装	0.2 到 0.4 断代升级，旧项目迁移成本高
异步事件驱动架构，性能和可扩展性好	多 Agent 对话消耗大量 token，成本较高
SelectorGroupChat 由 LLM 智能选择发言者，灵活度高	对话式编排不如图编排（如 LangGraph）流程可控
微软官方维护，正在演进为 Microsoft Agent Framework	框架演进方向尚未完全稳定，API 可能继续变化
支持 Python 和 .NET 双语言	异步编程对新手有一定门槛

思考题

初级：AutoGen 0.4 中的 RoundRobinGroupChat 和 SelectorGroupChat 有什么区别？分别适合什么场景？

参考答案：

RoundRobinGroupChat：Agent 按固定顺序轮流发言（A→B→C→A→...）。适合流程确定的场景，比如"先写代码→再审查→再测试"这种固定步骤。
SelectorGroupChat：每轮由 LLM 分析对话上下文，动态选择最适合发言的 Agent。适合开放式讨论场景，比如多角色头脑风暴、问题排查等需要灵活应变的任务。

选择依据：流程固定选 RoundRobin，需要智能决策选 Selector。

中级：为什么 AutoGen 0.4 要把 Model Client 独立出来，而不是像 0.2 那样直接在 Agent 里配置 LLM？

参考答案：

独立 Model Client 实现了关注点分离：

复用：多个 Agent 可以共享同一个 Model Client，避免重复配置
灵活切换：换模型（如从 GPT-4o 换到本地 Ollama）只需改 Model Client 创建处，不用逐个修改 Agent
可测试性：可以用 Mock 的 Model Client 替换真实 LLM，便于单元测试
解耦：Agent 的角色定义（系统提示、工具）和模型选择（哪个 LLM、什么参数）是两件独立的事

中级：AutoGen 正在演进为 Microsoft Agent Framework，这对现有 AutoGen 0.4 用户意味着什么？

参考答案：

Microsoft Agent Framework 是 AutoGen 和 Semantic Kernel 的统一继承者，2026 年 2 月已发布 Release Candidate。对现有用户的影响：

AutoGen 0.4 的核心概念（Agent、Team、异步架构）会被保留到新框架中
微软提供了迁移指南，但 API 会有变化，需要适配
新框架提供跨 .NET 和 Python 的统一编程模型
建议：新项目关注 Microsoft Agent Framework 的进展；已有 0.4 项目短期内可继续使用，但应准备中期迁移

参考资料

官方文档：https://microsoft.github.io/autogen/stable/
GitHub 仓库：https://github.com/microsoft/autogen（39k+ stars）
0.2 到 0.4 迁移指南：https://microsoft.github.io/autogen/stable/user-guide/agentchat-user-guide/migration-guide.html
Microsoft Agent Framework 公告：https://devblogs.microsoft.com/semantic-kernel/migrate-your-semantic-kernel-and-autogen-projects-to-microsoft-agent-framework-release-candidate/
原始论文：AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation (Wu et al., 2023)

AutoGen（微软多Agent框架）

AutoGen（微软多Agent框架）

基础概念

核心要素

Agent（智能体）

Team（团队）

Model Client（模型客户端）

Termination Condition（终止条件）

核心要素关系图

基础用法

同类工具对比

常见误区

优劣势分析

思考题

参考资料

延伸阅读

AgentScope（多Agent平台）

CAMEL-AI（多Agent通信框架）

Hermes Agent

AutoGen（微软多Agent框架）

AutoGen（微软多Agent框架）

基础概念

核心要素

Agent（智能体）

Team（团队）

Model Client（模型客户端）

Termination Condition（终止条件）

核心要素关系图

基础用法

同类工具对比

常见误区

优劣势分析

思考题

参考资料

延伸阅读

AgentScope（多Agent平台）

CAMEL-AI（多Agent通信框架）

Hermes Agent