LLM Compass

简体中文

English

简体中文

English

主题

AutoGen ​

一句话：AutoGen 是微软推出的事件驱动多 agent 对话框架，以「可对话的 agent + 异步消息运行时」为核心抽象；2025-10 后已与 Semantic Kernel 合并入 Microsoft Agent Framework，自身转入维护模式。

  • 机构：Microsoft（Microsoft Research 发起，后由产品团队接管）
  • 首发年份：2023 年（v0.4 大重写于 2025 年 1 月发布）
  • 约 star 数：约 5.9 万（GitHub microsoft/autogen，近似值，2025 年内仍在增长）
  • 主语言：Python 为主，Core 层同时支持 .NET（跨语言运行时）
  • 许可证：代码 MIT，文档 CC-BY-4.0（双许可）

现状（务必注意）

2025 年 10 月 1 日，微软发布 Microsoft Agent Framework，将 AutoGen 的多 agent 编排能力与 Semantic Kernel 的企业级特性合并为统一 SDK。官方在仓库 README 与公告中明确：AutoGen 进入维护模式（maintenance mode）——不再新增功能，仅接收关键 bug 修复与安全补丁，并转为社区维护；新项目应迁移到 Agent Framework。本文描述的设计仍然有效，但新开发不建议从 AutoGen 起步。

定位与设计理念 ​

AutoGen 解决的核心问题是：如何让多个 LLM agent 通过自然语言对话协作完成复杂任务。它最早提出并普及了「conversable agent（可对话 agent）」与「group chat（群聊式编排）」范式——把一个任务拆给多个角色化 agent（如 Planner、Coder、Critic、Executor），让它们以对话轮次互相提问、审查、修正，由一个编排器决定下一个发言者。这一范式后来被大量框架借鉴，可与本知识库 多智能体 一章中的协作模式对照阅读。

2025 年 1 月的 v0.4 是一次从零重写，奠定了今天的架构哲学：

  • 事件驱动 + actor 模型：底层是一个异步消息运行时，agent 是「对消息做出反应的 actor」。消息的投递方式与 agent 的处理逻辑解耦，从而获得更好的模块化、可观测性与可扩展性，天然适合分布式部署。
  • 分层 API：从底层运行时到高层易用接口分三层，开发者可按需选择抽象层级。
  • 跨语言：Core 运行时同时支持 Python 与 .NET，消息可在两种语言的 agent 间传递。
  • 可观测与可控：内置消息流追踪、人类介入（human-in-the-loop）与中断控制，针对早期版本「黑盒、难调试」的痛点。

核心抽象与用法 ​

AutoGen v0.4 的三层 API：

官方仓库给出的整体示意图直观呈现了这套分层、可扩展的设计与各层职责：

AutoGen 分层可扩展架构示意图

图源：Microsoft, AutoGen, https://github.com/microsoft/autogen（用于学习注解，版权归原作者）

  • Core API：实现消息传递、事件驱动 agent 与本地/分布式运行时，是 actor 模型的基础层，面向需要自定义协议与大规模编排的场景。
  • AgentChat API：构建在 Core 之上的高层、有主见（opinionated）的接口，提供开箱即用的 AssistantAgent、UserProxyAgent 以及双 agent 对话、群聊等常见多 agent 模式，适合快速原型。
  • Extensions API：第一方与第三方扩展，封装 OpenAI/AzureOpenAI 等 LLM 客户端、工具调用与代码执行能力（含容器化执行）。

一个最小群聊示例（AgentChat 层伪代码）：

python
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

model = OpenAIChatCompletionClient(model="gpt-4o")

planner = AssistantAgent("planner", model_client=model,
                         system_message="拆解任务并分派给 coder。")
coder = AssistantAgent("coder", model_client=model,
                       system_message="实现方案；完成后回复 DONE。")

# 轮转发言，直到有人提到 DONE 即终止
team = RoundRobinGroupChat(
    [planner, coder],
    termination_condition=TextMentionTermination("DONE"),
)

await team.run(task="写一个计算斐波那契数列的函数并测试")

关键概念可归纳为：Agent（角色 + 系统提示 + 工具）、Team / GroupChat（编排策略，如轮转、选择下一发言者）、Termination Condition（终止条件，组合式）、Tool（函数即工具，自动转 schema）、Code Executor（本地或沙箱执行 agent 产出的代码）。其中「agent 写代码 → executor 执行 → 把结果喂回对话」的闭环是 AutoGen 区别于纯对话框架的标志性能力，可与 agent loop 与 sandbox 章节互参。

适用场景与局限 ​

适合：

  • 需要多个角色化 agent 自然语言协作的研究与原型，尤其是「生成-执行-批判」迭代闭环（代码生成、数据分析、自动化研究）。
  • 想要事件驱动、可分布式扩展的多 agent 运行时，且团队能接受较陡的抽象。

局限：

  • 维护模式：最大的现实约束。不再获得新功能，长期演进已转移到 Agent Framework，新项目从它起步意味着技术栈未来需迁移。
  • 学习曲线与稳定性历史：v0.2 → v0.4 是破坏性重写，社区代码与教程版本分裂明显；早期生态围绕 autogen 包名也产生过混乱。
  • 编排表达力：群聊/轮转范式对「显式、可控的有向流程」表达不如基于图的框架直接，这正是 Agent Framework 引入 graph-based workflow 的动机。
  • 生态分叉：原社区另起 AG2（ag2ai/ag2，前身即 AutoGen），与微软官方线并行演进，选型时需区分「microsoft/autogen」「ag2」「microsoft/agent-framework」三者。

与同类对比 ​

维度AutoGen（v0.4）LangGraphCrewAIMetaGPT
核心范式可对话 agent + 事件驱动群聊显式状态图（节点/边）角色 + 任务的团队编排SOP 驱动的软件公司隐喻
编排控制群聊/轮转，隐式较多图，最显式可控中等，流程相对固定强结构化（按角色流水线）
代码执行闭环一等公民（内置 executor）需自行集成需工具集成内置于开发流程
跨语言Python + .NETPython（JS 版另立）PythonPython
现状维护模式活跃活跃活跃

定性看：若追求显式可控的流程编排，LangGraph 更合适；若追求轻量的角色化团队协作，CrewAI 上手更快；若做结构化软件工程自动化，MetaGPT 的 SOP 范式更贴合。AutoGen 的历史价值在于率先把「多 agent 对话协作」做成可复用框架，其设计经验大多已被 Agent Framework 继承。更多框架横向对比见 框架总览 与 多智能体。

参考链接 ​