AutoGen 完整教程：从入门到进阶

AutoGen 是微软开源的多智能体对话框架，核心理念是用对话驱动协作——让多个 AI Agent 通过自然语言对话来协同完成复杂任务。

本教程基于 AutoGen 0.7.x（AgentChat API），从零基础到高级用法，循序渐进。

目录

第一篇：入门基础

1.1 AutoGen 是什么

一句话定义

AutoGen = 一个让多个 AI Agent 通过对话协同工作的 Python 框架

核心思想

想象一个软件开发团队：

  • 产品经理 分析需求，制定方案
  • 工程师 根据方案写代码
  • 代码审查员 检查代码质量
  • 测试员 验证功能是否正常

他们通过开会讨论来协作。AutoGen 就是把这种协作模式搬到了 AI 世界——每个 Agent 扮演一个角色，通过"对话"来协同完成任务。

架构总览

┌─────────────────────────────────────────────────┐
│                你的应用程序                       │
├─────────────────────────────────────────────────┤
│           autogen-agentchat (高层 API)           │
│  AssistantAgent / UserProxyAgent / GroupChat     │
├─────────────────────────────────────────────────┤
│            autogen-core (底层引擎)                │
│  消息传递 / Agent 运行时 / 事件驱动               │
├─────────────────────────────────────────────────┤
│            autogen-ext (扩展)                    │
│  OpenAI 客户端 / Azure / 代码执行 / MCP          │
└─────────────────────────────────────────────────┘
层级 包名 作用
高层 API autogen-agentchat 快速构建多 Agent 应用（本教程重点）
底层引擎 autogen-core 消息传递、Agent 运行时、分布式支持
扩展 autogen-ext LLM 客户端、代码执行器等

AutoGen vs 其他框架

特性 AutoGen LangChain CrewAI
核心理念 对话驱动协作 链式调用 角色扮演
多 Agent ✅ 原生支持 需要 LangGraph ✅ 原生支持
群聊模式 3 种模式 有限 单一模式
代码执行 ✅ 内置沙箱 需额外配置 需额外配置
异步支持 ✅ 原生 async 部分支持 有限
学习曲线 中等 较高 较低

1.2 安装与环境配置

基础安装

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

# 安装 dotenv（管理环境变量）
pip install python-dotenv

环境变量配置

在项目根目录创建 .env 文件：

# .env
LLM_API_KEY=your-api-key-here
LLM_BASE_URL=https://api.openai.com/v1
LLM_MODEL_ID=gpt-4o-mini

使用国产模型？ 把 BASE_URL 改为对应平台的地址即可：

  • 通义千问：https://dashscope.aliyuncs.com/compatible-mode/v1
  • DeepSeek：https://api.deepseek.com/v1
  • 智谱 GLM：https://open.bigmodel.cn/api/paas/v4

验证安装

import autogen_agentchat
import autogen_ext
print(f"AgentChat 版本: {autogen_agentchat.__version__}")
print("✅ 安装成功！")

1.3 核心概念速览

在写代码之前，先理解 4 个核心概念：

概念图

┌──────────────────────────────────────────────┐
│                GroupChat (群聊)               │
│                                              │
│  ┌──────────┐  ┌──────────┐  ┌──────────┐  │
│  │ Assistant │  │ Assistant │  │UserProxy │  │
│  │  Agent    │  │  Agent    │  │  Agent   │  │
│  │ (AI大脑)  │  │ (AI大脑)  │  │ (人类代理)│  │
│  └────┬─────┘  └────┬─────┘  └────┬─────┘  │
│       │              │              │        │
│       └──────────────┼──────────────┘        │
│                      │                       │
│              模型客户端 (LLM)                 │
└──────────────────────────────────────────────┘
概念 类比 说明
AssistantAgent 团队中的专家 由 LLM 驱动，能思考、说话、使用工具
UserProxyAgent 代表用户的项目经理 不用 LLM，代表人类做决策、执行代码
GroupChat 会议室 管理多个 Agent 的对话流程
模型客户端 专家的大脑 连接 LLM 服务（OpenAI、DeepSeek 等）

1.4 第一个 AutoGen 程序

最简示例：两个 Agent 对话

"""
第一个 AutoGen 程序：一个助手 Agent 回答问题
"""
import asyncio
from autogen_agentchat.agents import AssistantAgent
from autogen_agentchat.teams import RoundRobinGroupChat
from autogen_agentchat.conditions import TextMentionTermination
from autogen_agentchat.ui import Console
from autogen_ext.models.openai import OpenAIChatCompletionClient
from dotenv import load_dotenv
import os

load_dotenv()

async def main():
    # 1. 创建模型客户端
    model = OpenAIChatCompletionClient(
        model=os.getenv("LLM_MODEL_ID"),
        api_key=os.getenv("LLM_API_KEY"),
        base_url=os.getenv("LLM_BASE_URL"),
    )

    # 2. 创建助手 Agent
    assistant = AssistantAgent(
        name="helper",
        model_client=model,
        system_message="你是一个有帮助的AI助手。回答完问题后说 'TERMINATE'。",
    )

    # 3. 组建团队（只有1个Agent）
    team = RoundRobinGroupChat(
        participants=[assistant],
        termination_condition=TextMentionTermination("TERMINATE"),
    )

    # 4. 运行
    await Console(team.run_stream(task="用一句话解释什么是人工智能"))

asyncio.run(main())

运行结果

---------- user ----------
用一句话解释什么是人工智能
---------- helper ----------
人工智能是让计算机模拟人类智能行为（如学习、推理、决策）的技术。 TERMINATE

你已经成功运行了第一个 AutoGen 程序！ 🎉

第二篇：核心组件深入

2.1 AssistantAgent 详解

AssistantAgent 是 AutoGen 中最核心的组件——一个由 LLM 驱动的智能 Agent。

完整参数

agent = AssistantAgent(
    name="my_agent",                    # Agent 名称（必需）
    model_client=model,                 # 模型客户端（必需）
    system_message="你是...",           # 系统提示词
    tools=[my_tool],                    # 可用工具列表
    description="这个Agent负责...",      # Agent 描述（用于群聊选择）
    handoffs=["other_agent"],           # 可移交给的 Agent 列表
)

system_message 的重要性

system_message 是 Agent 的"灵魂"，决定了 Agent 的：

  • 角色定位：你是谁，负责什么
  • 行为规范：应该怎么说话，遵循什么格式
  • 协作规则：什么时候把任务交给别人
# 好的 system_message 示例
system_message = """
你是一个代码审查专家。

## 职责
- 检查代码的安全性、可读性、性能
- 提出具体的改进建议

## 输出格式
1. 问题列表（严重程度：高/中/低）
2. 改进建议
3. 总体评价

## 协作规则
- 审查完成后，将任务移交给 engineer 让他修改
"""

2.2 UserProxyAgent 详解

UserProxyAgent 代表人类用户，不使用 LLM，用于：

  • 人工审核和决策
  • 执行代码
  • 终止对话
from autogen_agentchat.agents import UserProxyAgent

user_proxy = UserProxyAgent(
    name="user",
    description="代表人类用户，负责审核和批准",
)

2.3 模型客户端配置

OpenAI 模型

from autogen_ext.models.openai import OpenAIChatCompletionClient

model = OpenAIChatCompletionClient(
    model="gpt-4o-mini",
    api_key="sk-...",
    base_url="https://api.openai.com/v1",
)

国产模型（DeepSeek / 通义千问 / 智谱）

国产模型需要额外提供 model_info：

from autogen_ext.models.openai import OpenAIChatCompletionClient
from autogen_core.models import ModelInfo

model = OpenAIChatCompletionClient(
    model="deepseek-chat",
    api_key="your-key",
    base_url="https://api.deepseek.com/v1",
    model_info=ModelInfo(
        vision=False,           # 是否支持图片输入
        function_calling=True,  # 是否支持工具调用
        json_output=True,       # 是否支持 JSON 输出
        family="unknown",       # 模型家族
        structured_output=True, # 是否支持结构化输出
    ),
)

2.4 终止条件

控制对话何时结束，避免无限循环：

from autogen_agentchat.conditions import (
    TextMentionTermination,
    MaxMessageTermination,
    TimeoutTermination,
    HandoffTermination,
    TokenUsageTermination,
    ExternalTermination,
)

# 当某个 Agent 说出 "TERMINATE" 时结束
term1 = TextMentionTermination("TERMINATE")

# 消息总数达到 20 条时结束
term2 = MaxMessageTermination(20)

# 超过 300 秒时结束
term3 = TimeoutTermination(300)

# 组合条件（满足任一即结束）
from autogen_agentchat.conditions import OrTerminationCondition
combined = OrTerminationCondition(term1, term2)

第三篇：工具使用

3.1 什么是工具

工具 = Agent 能调用的外部能力：

  • 查天气、搜索网页、执行代码
  • 调用 API、读写文件、操作数据库

没有工具的 Agent 只能"说"，有了工具才能"做"。

3.2 用 @tool 装饰器定义工具

from autogen_core.tools import FunctionTool

# 定义工具函数
def get_weather(city: str) -> str:
    """查询指定城市的天气信息。"""
    # 这里用模拟数据，实际可调用真实 API
    weather_data = {
        "北京": "晴天，25°C",
        "上海": "多云，22°C",
        "广州": "阵雨，28°C",
    }
    return weather_data.get(city, f"未找到 {city} 的天气信息")

# 包装为 AutoGen 工具
weather_tool = FunctionTool(
    func=get_weather,
    description="查询指定城市的天气",
)

关键点：

  • 函数必须有类型注解（city: str）
  • 函数必须有 docstring（工具的描述）
  • 用 FunctionTool 包装后才能被 Agent 使用

3.3 让 Agent 使用工具

assistant = AssistantAgent(
    name="weather_expert",
    model_client=model,
    system_message="你是一个天气查询专家。使用工具查询天气后回答用户。",
    tools=[weather_tool],  # 传入工具列表
)

Agent 会自动：

  1. 分析用户问题
  2. 决定是否需要调用工具
  3. 生成工具调用参数
  4. 执行工具并获取结果
  5. 基于结果生成回答

3.4 实战：带工具的旅行助手

"""
实战：带工具的旅行助手
"""
import asyncio
import requests
from autogen_agentchat.agents import AssistantAgent
from autogen_agentchat.teams import RoundRobinGroupChat
from autogen_agentchat.conditions import TextMentionTermination, MaxMessageTermination
from autogen_agentchat.ui import Console
from autogen_ext.models.openai import OpenAIChatCompletionClient
from autogen_core.tools import FunctionTool
from dotenv import load_dotenv
import os

load_dotenv()

# --- 定义工具 ---

def get_weather(city: str) -> str:
    """查询指定城市的实时天气"""
    try:
        url = f"https://wttr.in/{city}?format=j1"
        response = requests.get(url, timeout=10)
        response.raise_for_status()
        data = response.json()
        current = data['current_condition'][0]
        desc = current['weatherDesc'][0]['value']
        temp = current['temp_C']
        return f"{city}当前天气：{desc}，气温{temp}°C"
    except Exception as e:
        return f"查询失败：{e}"

def get_attraction(city: str) -> str:
    """根据城市推荐旅游景点"""
    attractions = {
        "北京": ["故宫", "长城", "颐和园", "天坛"],
        "上海": ["外滩", "东方明珠", "豫园", "迪士尼"],
        "西安": ["兵马俑", "大雁塔", "城墙", "回民街"],
    }
    spots = attractions.get(city, ["暂无推荐"])
    return f"{city}推荐景点：{'、'.join(spots)}"

# --- 包装工具 ---

weather_tool = FunctionTool(
    func=get_weather,
    description="查询指定城市的实时天气",
)

attraction_tool = FunctionTool(
    func=get_attraction,
    description="根据城市推荐旅游景点",
)

# --- 主程序 ---

async def main():
    model = OpenAIChatCompletionClient(
        model=os.getenv("LLM_MODEL_ID"),
        api_key=os.getenv("LLM_API_KEY"),
        base_url=os.getenv("LLM_BASE_URL"),
    )

    # 创建旅行助手 Agent
    travel_agent = AssistantAgent(
        name="travel_assistant",
        model_client=model,
        system_message="""你是一个专业的旅行助手。

工作流程：
1. 先用 get_weather 查询目的地天气
2. 再用 get_attraction 推荐景点
3. 综合天气和景点给出旅行建议

回答完毕后说 TERMINATE。""",
        tools=[weather_tool, attraction_tool],
    )

    # 组建团队并运行
    team = RoundRobinGroupChat(
        participants=[travel_agent],
        termination_condition=TextMentionTermination("TERMINATE") | MaxMessageTermination(10),
    )

    await Console(team.run_stream(task="我想去北京旅游，帮我看看天气和推荐景点"))

asyncio.run(main())

第四篇：群聊协作模式

群聊是 AutoGen 最强大的特性——让多个 Agent 通过对话协作。

4.1 RoundRobinGroupChat（轮询群聊）

最简单的群聊模式：Agent 按固定顺序轮流发言。

Agent A → Agent B → Agent C → Agent A → Agent B → ...

from autogen_agentchat.teams import RoundRobinGroupChat

team = RoundRobinGroupChat(
    participants=[agent_a, agent_b, agent_c],
    termination_condition=TextMentionTermination("TERMINATE"),
    max_turns=20,  # 最大轮次
)

适用场景：

  • 流水线式任务（A 做完 → B 接着做 → C 接着做）
  • 角色固定、顺序明确的场景

4.2 SelectorGroupChat（选择器群聊）

智能选择：由 LLM 根据当前对话内容，动态选择下一个发言的 Agent。

对话内容 → LLM 分析 → 选择最合适的 Agent → 该 Agent 发言

from autogen_agentchat.teams import SelectorGroupChat

team = SelectorGroupChat(
    participants=[planner, coder, reviewer, tester],
    model_client=model,  # 选择器使用的 LLM
    termination_condition=TextMentionTermination("TERMINATE"),
)

适用场景：

  • 不确定谁应该下一步发言
  • 需要根据上下文动态决策
  • 复杂的多角色协作

4.3 Swarm（蜂群模式）

动态移交：Agent 可以主动把任务移交给其他 Agent。

from autogen_agentchat.teams import Swarm

# Agent 定义时指定可移交的目标
triage_agent = AssistantAgent(
    name="triage",
    model_client=model,
    system_message="你是接待员。分析问题类型，移交给合适的专家。",
    handoffs=["tech_support", "billing", "general"],
)

tech_agent = AssistantAgent(
    name="tech_support",
    model_client=model,
    system_message="你是技术支持专家。解决技术问题后移交给 triage。",
    handoffs=["triage"],
)

team = Swarm(
    participants=[triage_agent, tech_agent, billing_agent],
    termination_condition=TextMentionTermination("TERMINATE"),
)

适用场景：

  • 客服系统（接待→分流→处理→回访）
  • 需要动态路由的任务

第五篇：实战项目

5.1 项目一：软件开发团队

这是本项目 code/chapter6/AutoGenDemo/ 中的完整案例。

团队组成

┌─────────────┐     ┌─────────────┐     ┌─────────────┐     ┌─────────────┐
│ ProductManager│ →  │  Engineer   │ →  │ CodeReviewer │ →  │  UserProxy  │
│   产品经理    │     │   工程师    │     │  代码审查员  │     │   用户代理   │
└─────────────┘     └─────────────┘     └─────────────┘     └─────────────┘

完整代码

"""
AutoGen 软件开发团队
"""
import asyncio
from autogen_agentchat.agents import AssistantAgent, UserProxyAgent
from autogen_agentchat.teams import RoundRobinGroupChat
from autogen_agentchat.conditions import TextMentionTermination
from autogen_agentchat.ui import Console
from autogen_ext.models.openai import OpenAIChatCompletionClient
from dotenv import load_dotenv
import os

load_dotenv()

async def main():
    # 模型客户端
    model = OpenAIChatCompletionClient(
        model=os.getenv("LLM_MODEL_ID"),
        api_key=os.getenv("LLM_API_KEY"),
        base_url=os.getenv("LLM_BASE_URL"),
    )

    # === 定义团队成员 ===

    product_manager = AssistantAgent(
        name="ProductManager",
        model_client=model,
        system_message="""你是产品经理。
- 分析用户需求，制定产品方案
- 输出清晰的功能需求列表和开发计划
- 完成后将任务交给 Engineer""",
    )

    engineer = AssistantAgent(
        name="Engineer",
        model_client=model,
        system_message="""你是高级工程师。
- 根据产品经理的需求编写代码
- 代码要求：可运行、有注释、结构清晰
- 完成后将任务交给 CodeReviewer""",
    )

    code_reviewer = AssistantAgent(
        name="CodeReviewer",
        model_client=model,
        system_message="""你是代码审查专家。
- 审查代码的安全性、可读性、性能
- 列出问题和改进建议
- 如果代码质量OK，说 APPROVED
- 完成后将任务交给 UserProxy""",
    )

    user_proxy = UserProxyAgent(
        name="UserProxy",
        description="代表用户进行最终验收",
    )

    # === 组建团队 ===

    team = RoundRobinGroupChat(
        participants=[product_manager, engineer, code_reviewer, user_proxy],
        termination_condition=TextMentionTermination("TERMINATE"),
        max_turns=20,
    )

    # === 运行 ===

    task = "创建一个 Python Streamlit 应用，实时显示比特币价格"

    await Console(team.run_stream(task=task))

asyncio.run(main())

对话流程分析

用户: 创建一个 Streamlit 应用，实时显示比特币价格

ProductManager: 需求分析 → 功能列表 → 开发计划
    ↓
Engineer: 编写代码 → 输出完整 Python 文件
    ↓
CodeReviewer: 审查代码 → 发现问题 → 建议修改
    ↓ (如果需要修改，下一轮 Engineer 会修改)
UserProxy: 验收测试 → 说 TERMINATE

5.2 项目二：深度研究助手

"""
深度研究助手：搜索 + 分析 + 总结
"""
import asyncio
from autogen_agentchat.agents import AssistantAgent
from autogen_agentchat.teams import SelectorGroupChat
from autogen_agentchat.conditions import TextMentionTermination, MaxMessageTermination
from autogen_agentchat.ui import Console
from autogen_ext.models.openai import OpenAIChatCompletionClient
from autogen_core.tools import FunctionTool
from dotenv import load_dotenv
import os

load_dotenv()

# --- 工具定义 ---

def search_web(query: str) -> str:
    """模拟网络搜索"""
    # 实际项目中可接入 Tavily、Bing 等搜索 API
    return f"搜索结果：关于 '{query}' 的最新信息..."

def save_report(content: str, filename: str) -> str:
    """保存研究报告到文件"""
    with open(filename, "w", encoding="utf-8") as f:
        f.write(content)
    return f"报告已保存到 {filename}"

# --- 主程序 ---

async def main():
    model = OpenAIChatCompletionClient(
        model=os.getenv("LLM_MODEL_ID"),
        api_key=os.getenv("LLM_API_KEY"),
        base_url=os.getenv("LLM_BASE_URL"),
    )

    searcher = AssistantAgent(
        name="searcher",
        model_client=model,
        system_message="你是搜索专家。根据主题搜索相关信息，整理成要点。",
        tools=[FunctionTool(search_web, description="搜索网络信息")],
    )

    analyst = AssistantAgent(
        name="analyst",
        model_client=model,
        system_message="你是分析师。基于搜索结果进行深入分析，提出见解。",
    )

    writer = AssistantAgent(
        name="writer",
        model_client=model,
        system_message="你是报告撰写者。将分析结果整理成结构化的研究报告。完成后说 TERMINATE。",
        tools=[FunctionTool(save_report, description="保存报告")],
    )

    team = SelectorGroupChat(
        participants=[searcher, analyst, writer],
        model_client=model,
        termination_condition=TextMentionTermination("TERMINATE") | MaxMessageTermination(15),
    )

    await Console(team.run_stream(task="研究 2025 年 AI Agent 技术发展趋势"))

asyncio.run(main())

第六篇：进阶高级用法

6.1 自定义 Agent

当内置 Agent 不能满足需求时，可以创建自定义 Agent：

from autogen_agentchat.agents import BaseChatAgent
from autogen_agentchat.messages import ChatMessage, TextMessage
from autogen_core import CancellationToken

class MathAgent(BaseChatAgent):
    """一个专门做数学计算的 Agent"""

    def __init__(self, name: str):
        super().__init__(name=name, description="数学计算专家")

    @property
    def produced_message_types(self):
        return [TextMessage]

    async def on_messages(
        self, messages: list[ChatMessage], cancellation_token: CancellationToken
    ):
        # 获取最后一条消息
        last_msg = messages[-1]

        # 简单的数学处理逻辑
        response = f"数学计算结果: {last_msg.content}"

        return TextMessage(content=response, source=self.name)

6.2 流式输出

实时显示 Agent 的思考过程：

# 使用 Console 工具实现流式输出
from autogen_agentchat.ui import Console

# 这会实时打印每个 Agent 的消息
await Console(team.run_stream(task="你的任务"))

6.3 代码执行

让 Agent 生成并执行代码：

from autogen_ext.code_executor.docker_executor import DockerCodeExecutor

# 创建 Docker 沙箱执行器
executor = DockerCodeExecutor()

# 在 Agent 中使用
agent = AssistantAgent(
    name="coder",
    model_client=model,
    code_execution_config={"executor": executor},
)

6.4 MCP 集成

连接 MCP 服务器获取工具：

from autogen_ext.tools.mcp import McpToolAdapter, StdioServerParams

# 配置 MCP 服务器
server_params = StdioServerParams(
    command="npx",
    args=["-y", "@modelcontextprotocol/server-filesystem", "/path/to/dir"],
)

# 获取工具列表
tools = await McpToolAdapter.from_server(server_params)

# 给 Agent 使用
agent = AssistantAgent(
    name="file_manager",
    model_client=model,
    tools=tools,
)

6.5 AutoGen Studio 可视化

AutoGen Studio 提供了一个 Web 界面来构建和测试 Agent：

# 安装
pip install -U autogenstudio

# 启动
autogenstudio ui --port 8080

打开浏览器访问 http://localhost:8080，可以：

  • 可视化创建 Agent 团队
  • 拖拽配置 Agent 关系
  • 实时测试对话效果
  • 导出为 Python 代码

第七篇：最佳实践与常见问题

最佳实践

1. System Message 设计原则

好的 system_message = 角色 + 职责 + 输出格式 + 协作规则

system_message = """
## 角色
你是一个 {角色名}。

## 职责
- 职责1
- 职责2

## 输出格式
1. xxx
2. xxx

## 协作规则
- 完成后移交给 {下一个Agent}
- 遇到 {情况} 时，移交给 {对应Agent}
"""

2. 选择合适的群聊模式

场景 推荐模式
固定流程（A→B→C） RoundRobinGroupChat
需要动态选择 SelectorGroupChat
客服/分流系统 Swarm
简单问答 单 Agent，不用群聊

3. 设置合理的终止条件

# 总是组合使用：内容条件 + 安全上限
termination = (
    TextMentionTermination("TERMINATE")  # 内容条件
    | MaxMessageTermination(20)           # 安全上限
)

4. 错误处理

try:
    result = await team.run_stream(task=task)
except Exception as e:
    print(f"Agent 执行出错: {e}")
    # 重试或降级处理

常见问题

Q1: Agent 一直循环不结束？

原因：没有设置终止条件，或 Agent 没有说 TERMINATE。

解决：

# 组合终止条件
termination = TextMentionTermination("TERMINATE") | MaxMessageTermination(20)

Q2: 国产模型报错？

原因：需要提供 model_info。

解决：

from autogen_core.models import ModelInfo

model = OpenAIChatCompletionClient(
    model="deepseek-chat",
    api_key="...",
    base_url="...",
    model_info=ModelInfo(
        vision=False,
        function_calling=True,
        json_output=True,
        family="unknown",
        structured_output=True,
    ),
)

Q3: 工具不被调用？

原因：函数缺少类型注解或 docstring。

解决：

def my_tool(param: str) -> str:  # 必须有类型注解
    """工具描述（必须有 docstring）"""  # 必须有 docstring
    return "result"

Q4: 如何调试？

import logging
logging.basicConfig(level=logging.DEBUG)

# 或者打印消息历史
async for message in team.run_stream(task=task):
    print(f"[{message.source}] {message.content}")

学习路径建议

入门 → 单 Agent + 简单工具
  ↓
进阶 → 多 Agent 群聊 + 复杂工具
  ↓
高级 → 自定义 Agent + MCP + 代码执行
  ↓
实战 → 构建完整的多 Agent 应用

参考资源

# python # 系统架构
Logo
龙虾开发者社区

小龙虾开发者社区是 CSDN 旗下专注 OpenClaw 生态的官方阵地，聚焦技能开发、插件实践与部署教程，为开发者提供可直接落地的方案、工具与交流平台，助力高效构建与落地 AI 应用

更多推荐

快速上手OpenClaw：数据抓取全攻略

《OpenClaw入门指南》摘要：OpenClaw是一款轻量级开源自动化工具，专注于数据抓取和任务调度。安装简单，通过pip即可完成。核心功能包括网页抓取（支持XPath/CSS选择器）、动态页面处理（集成Selenium）、数据存储（如SQLite）和任务调度（如结合APScheduler）。工具提供异常处理机制保障稳定性，适合快速实现从基础抓取到定时任务等场景。通过简洁的Python API，

avatar 龙虾开发者社区

AI Agent 到底是做什么的？优势在哪里？

AI Agent 能将大模型的语言能力转化为自主执行复杂任务的行动力（如：自动分析数据、跨系统调度资源），显著提升效率（企业级应用平均节省30%人力成本）；同时，随着 AI 从“辅助工具”升级为“决策主体”，掌握其设计逻辑（如：工作流编排、多智能体协作）已成为职场分水岭——技术岗位需避免沦为低价值调参，非技术岗位则需通过定义目标释放决策时间（如：自动生成周报可减少 70% 事务性工作）。当前学习窗

avatar 龙虾开发者社区

.Net基于NetCoreKevin框架 AI 与 Hangfire 集成：实现AI智能自动任务调度

NetCoreKevin 是一个 AI Agent 框架，内置了丰富的工具（如 HTTP 请求、Python 执行、Shell 命令等）。通过集成 Hangfire 分布式任务调度库，AI 能够自主创建、管理和触发周期性自动任务，让智能体不仅能实时响应，还能按预定计划自动完成日常工作（如定时生成报告、数据同步、内容总结等）。本文将详细介绍如何在 NetCoreKevin 中实现 AI 与 Hang

avatar 龙虾开发者社区