https://github.com/microsoft/autogen

这个仓库是微软的 AutoGen 框架的官方代码库，主要用于构建多智能体 AI 应用程序。以下是对该仓库的详细介绍：

1. 核心定位

AutoGen 是一个支持多智能体协作的框架，允许智能体自主行动或与人类协同工作，适用于构建复杂的 AI 应用。其核心特点包括：

• 支持多智能体间的通信与协调
• 兼容多种 AI 模型（如 OpenAI 的 GPT 系列）
• 提供工具调用、代码执行等扩展能力
• 支持无代码 GUI 工具（AutoGen Studio）

2. 主要组件与功能

• 多智能体协作：提供 AgentChat 模块，支持智能体通过共享上下文或定向工作流（如 GraphFlow）协同完成任务。
• 模型集成：通过 autogen-ext 扩展支持 OpenAI、Azure 等多种模型服务。
• 工具与工作台：例如 MCP Workbench 支持网页内容获取等功能，方便智能体调用外部工具。
• AutoGen Studio：可视化工具，支持通过拖拽或 JSON 配置创建智能体团队，提供交互式测试环境（Playground）和社区组件库（Gallery）。

3. 支持的语言与生态

• Python：提供 autogen-core、autogen-agentchat 等 PyPI 包，支持 Python 3.10+。
• .NET：提供 NuGet 包（如 Microsoft.AutoGen.Contracts），支持 .NET 生态的开发。
• 社区扩展：包含第三方项目（如 autogen-oaiapi、autogen-contextplus），扩展了框架的功能。

4. 仓库结构

• 根目录包含文档（README.md、FAQ.md）、配置文件（.gitignore、codecov.yml）等。
• python/：Python 相关代码，包括核心库、扩展（autogen-ext）、示例（samples/）和 AutoGen Studio。
• dotnet/：.NET 相关代码，包含 SDK、示例（如 dev-team 演示 GitHub 协作智能体）。
• docs/：文档和用户指南，涵盖安装、快速启动、多智能体设计模式等。
• protos/：定义了智能体通信的协议文件（如 agent_worker.proto）。

5. 安装与使用

• Python 核心库安装：

  pip install -U "autogen-agentchat" "autogen-ext[openai]"
  

• AutoGen Studio（无代码界面）安装：

  pip install -U "autogenstudio"
  

• 示例代码涵盖基础交互（如 “Hello World”）、网页浏览、多智能体编排等场景。

---

AutoGen Python 代码核心实战示例

涵盖多智能体协作、代码执行、工具调用等关键场景，均来自官方示例并附加解析：

一、代码执行工具（PythonCodeExecutionTool）

场景：智能体调用工具执行 Python 代码并返回结果

核心代码（来自 autogen_ext/tools/code_execution/_code_execution.py 示例）：

import asyncio
from autogen_agentchat.agents import AssistantAgent
from autogen_ext.models.openai import OpenAIChatCompletionClient
from autogen_ext.code_executors.local import LocalCommandLineCodeExecutor
from autogen_ext.tools.code_execution import PythonCodeExecutionTool


async def main() -> None:
    # 1. 初始化代码执行器（本地命令行环境）
    executor = LocalCommandLineCodeExecutor(work_dir="coding")  # 代码在 "coding" 目录执行
    # 2. 创建代码执行工具
    tool = PythonCodeExecutionTool(executor=executor)
    
    # 3. 初始化智能体（使用 GPT-4o 模型）
    model_client = OpenAIChatCompletionClient(model="gpt-4o")
    agent = AssistantAgent(
        name="code_assistant",
        model_client=model_client,
        tools=[tool],  # 绑定工具
        reflect_on_tool_use=True  # 自动反思工具调用结果
    )
    
    # 4. 执行任务：计算斐波那契数列第 10 项
    task = "计算斐波那契数列的第 10 项，用 Python 代码实现"
    result = await agent.run(task=task)
    print("执行结果:", result)


asyncio.run(main())

关键解析：

• 代码执行器：LocalCommandLineCodeExecutor 负责在本地环境运行代码，支持隔离目录（work_dir）避免冲突。
• 工具绑定：智能体通过 tools 参数关联 PythonCodeExecutionTool，可自动判断何时需要执行代码。
• 反思机制：reflect_on_tool_use=True 让智能体在工具调用后检查结果，若出错会自动修正代码重试。

二、多智能体协作（国际象棋游戏）

场景：AI 智能体与人类（或随机策略）对战国际象棋

核心代码（来自 samples/agentchat_chess_game/main.py）：

import asyncio
import chess
from autogen_agentchat.agents import AssistantAgent
from autogen_agentchat.ui import Console
from autogen_core.models import ChatCompletionClient


def create_ai_player(model_client: ChatCompletionClient) -> AssistantAgent:
    """创建 AI 棋手智能体"""
    return AssistantAgent(
        name="ai_player",
        model_client=model_client,
        system_message="你是国际象棋大师，用 UCI 格式返回走法（如 e2e4）",
        model_context=BufferedChatCompletionContext(buffer_size=10),  # 限制上下文为最近 10 条消息
    )


async def get_ai_move(board: chess.Board, player: AssistantAgent) -> str:
    """获取 AI 的下一步走法"""
    # 生成提示：包含当前棋盘状态、合法走法
    legal_moves = ", ".join([move.uci() for move in board.legal_moves])
    prompt = f"棋盘状态: {board.fen()}\n合法走法: {legal_moves}\n请用 UCI 格式返回你的走法"
    
    # 流式获取智能体响应
    result = await Console(player.run_stream(task=prompt))
    # 从响应中提取走法（格式：<move>e2e4</move>）
    response = result.messages[-1].content
    return response.split("<move>")[1].split("</move>")[0]


async def main():
    # 初始化棋盘和模型客户端
    board = chess.Board()
    model_client = ChatCompletionClient.load_component("model_config.yaml")  # 从配置文件加载模型
    ai_player = create_ai_player(model_client)
    
    # 游戏主循环
    while not board.is_game_over():
        # AI 走棋
        ai_move = await get_ai_move(board, ai_player)
        board.push(chess.Move.from_uci(ai_move))
        print(f"AI 走法: {ai_move}")
        
        # 人类走棋（或随机走法）
        user_move = input("你的走法 (UCI 格式): ")
        board.push(chess.Move.from_uci(user_move))
    
    print(f"游戏结束！结果: {board.result()}")


asyncio.run(main())

关键解析：

• 智能体角色定义：通过 system_message 约束 AI 棋手的行为（仅返回 UCI 格式走法）。
• 上下文管理：BufferedChatCompletionContext 限制上下文长度，避免模型输入超限。
• 流式交互：run_stream 配合 Console 实现实时输出，提升交互体验。

三、任务中心记忆（Task-Centric Memory）

场景：智能体通过记忆模块学习并优化任务执行

核心代码（来自 samples/task_centric_memory/eval_retrieval.py）：

import asyncio
from autogen_core.utils import load_yaml_file
from autogen_ext.models.openai import OpenAIChatCompletionClient
from your_module import MemoryController, PageLogger, eval_retrieval  # 假设的模块导入


async def run_example(config_filepath: str) -> None:
    # 1. 加载配置（模型参数、记忆设置等）
    config = load_yaml_file(config_filepath)
    
    # 2. 初始化组件
    logger = PageLogger(config["PageLogger"])  # 日志记录器
    client = OpenAIChatCompletionClient(model="gpt-4o", api_key=config["client"]["api_key"])
    memory_controller = MemoryController(
        reset=True,  # 重置记忆（首次运行）
        client=client,
        config=config["MemoryController"],
        logger=logger,
    )
    
    # 3. 执行记忆检索任务（例如：从历史对话中提取关键信息）
    results = await eval_retrieval(
        memory_controller=memory_controller,
        client=client,
        logger=logger,
        test_config=config["test"]  # 测试用例配置
    )
    
    print("记忆检索结果:", results)


if __name__ == "__main__":
    asyncio.run(run_example("config.yaml"))

关键解析：

• 记忆控制器：MemoryController 负责存储和检索任务相关记忆（如用户偏好、历史决策）。
• 配置化设计：通过 YAML 文件分离模型参数、测试用例，便于调试和复用。
• 多场景支持：类似逻辑可用于 eval_self_teaching.py（自我学习）、eval_teachability.py（从用户指导学习）等场景。

四、工具调用（GraphRAG 搜索）

场景：智能体调用搜索工具回答文档相关问题

核心代码（来自 samples/agentchat_graphrag/app.py）：

import asyncio
import os
from autogen_agentchat.agents import AssistantAgent
from autogen_agentchat.ui import Console
from autogen_ext.models.openai import OpenAIChatCompletionClient
from autogen_ext.tools.graphrag import GlobalSearchTool, LocalSearchTool


async def main() -> None:
    # 检查 API 密钥
    api_key = os.environ.get("OPENAI_API_KEY")
    if not api_key:
        print("请设置 OPENAI_API_KEY 环境变量")
        return
    
    # 1. 初始化模型客户端
    model_client = OpenAIChatCompletionClient(model="gpt-4o-mini", api_key=api_key)
    
    # 2. 初始化 GraphRAG 搜索工具
    global_tool = GlobalSearchTool.from_settings(root_dir="./", config_filepath="./settings.yaml")  # 全局搜索
    local_tool = LocalSearchTool.from_settings(root_dir="./", config_filepath="./settings.yaml")    # 局部搜索
    
    # 3. 创建智能体（工具选择器）
    assistant_agent = AssistantAgent(
        name="search_assistant",
        tools=[global_tool, local_tool],  # 绑定两个搜索工具
        model_client=model_client,
        system_message=(
            "根据用户问题选择工具：\n"
            "- 细节问题（如特定实体）用 local_search\n"
            "- 全局问题（如整体主题）用 global_search"
        )
    )
    
    # 4. 执行查询（例如：询问《福尔摩斯》中车站站长对 Becher 博士的评价）
    query = "What does the station-master say about Dr. Becher?"
    print(f"查询: {query}")
    await Console(assistant_agent.run_stream(task=query))


asyncio.run(main())

关键解析：

• 工具分类：GlobalSearchTool 用于全局理解文档，LocalSearchTool 用于提取特定细节。
• 工具选择逻辑：通过 system_message 明确智能体的工具调用规则，避免无效调用。
• 文档处理：工具会自动处理 input/ 目录下的文档（如 sherlock_book.txt），无需手动加载。

运行示例的通用步骤

1. 安装依赖：

   pip install -U "autogen-agentchat" "autogen-ext[openai]" "python-dotenv"
   

2. 配置 API 密钥：

   export OPENAI_API_KEY="your-api-key"
   

3. 运行代码：

   python your_script.py
   

这些示例覆盖了 AutoGen 最核心的功能，可根据实际需求扩展（如添加更多智能体、集成自定义工具等）。