AutoGen：31K Star 的 Multi-Agent 编程框架，让多个 AI Agent 像工程师团队一样协作

坑 2：多 Agent 的状态共享难题

AutoGen 的 Agent 之间主要通过消息传递共享状态，但在复杂的任务中，状态（如设计文档、代码库、测试用例）的同步很容易出现问题。一个 Agent 修改了文件，另一个 Agent 可能不知道，继续基于旧状态工作。

解决：使用 工作目录共享——确保所有 Agent 可以访问同一个代码仓库或工作目录。对于复杂状态，考虑使用外部存储（如 Redis 或数据库）来共享状态信息，而不仅仅依赖消息传递。

坑 3：LLM Token 成本的指数级增长

这是多 Agent 框架最现实的问题。Agent 之间的每一轮对话、每一次代码审查、每一轮协商都会产生额外的 Token 消耗。一个本来只需要 1000 Token 的单 Agent 任务，在 AutoGen 中可能需要 5000-10000 Token 甚至更多。

解决：

1. 对简单任务使用单 Agent，只在需要协作时使用多 Agent
2. 使用成本较低的模型进行 Agent 间的协商（如 gpt-3.5 或 claude-sonnet），只在关键步骤使用强模型
3. 设置严格的对话轮次限制，避免无意义的反复讨论
4. 启用对话摘要功能，减少长对话的 Token 消耗

快速上手：Python SDK 的三种启动方式

方式一：本地快速体验（推荐新手）

# 安装
pip install "autogen[all]"

# 创建简单的双 Agent 对话
from autogen import AssistantAgent, UserProxyAgent

# 配置 LLM
llm_config = {
    "config_list": [
        {"model": "gpt-4o", "api_key": "YOUR_API_KEY"}
    ]
}

# 创建 Assistant Agent（程序员）
coder = AssistantAgent(
    name="coder",
    llm_config=llm_config,
    system_message="你是一个专业的 Python 程序员，负责编写代码和解决问题。"
)

# 创建 User Proxy Agent（用户代表）
user_proxy = UserProxyAgent(
    name="user_proxy",
   是人类代表，负责将用户指令发送给 Agent 团队，并将结果返回给用户。
)

# 开始对话
user_proxy.initiate_chat(coder, message="写一个 Python Web 框架的例子，带用户认证功能。")

print(f"对话完成，共 {coder.gas_usage_count} 次 LLM 调用。")

方式二：多 Agent 团队（推荐中高级）

from autogen import AssistantAgent, UserProxyAgent, GroupChat, GroupChatManager

# 创建多个角色的 Agent
architect = AssistantAgent(
    name="architect",
    llm_config=llm_config,
    system_message="你是一个系统架构师，负责设计整体架构和方案。"
)

coder = AssistantAgent(
    name="coder",
    llm_config=llm_config,
    system_message="你是一个专业的 Python 程序员，负责编写代码。"
)

qa = AssistantAgent(
    name="qa",
    llm_config=llm_config,
    system_message="你是一个测试工程师，负责审查代码质量。"
)

user_proxy = UserProxyAgent(name="user_proxy",是人类代表)

# 创建聊天室，Agent 在这里对话
groupchat = GroupChat(
    agents=[architect, coder, qa, user_proxy],
    messages_per_round=12,  # 每轮最大消息数
    max_iter=30,  # 最大迭代次数
    speaker_selection_method="轮流发言"
)

manager = GroupChatManager(groupchat=groupchat, llm_config=llm_config)

# 启动多 Agent 团队对话
user_proxy.initiate_chat(
    manager,
    message="设计并实现一个带数据库的 RESTful API 项目。"
)

方式三：代码执行沙箱（推荐需要运行代码的场景）

from autogen import AssistantAgent, UserProxyAgent, CodeExecutorAgent

# 创建带代码执行能力的 Agent
coder_with_executor = AssistantAgent(
    name="coder_with_executor",
    llm_config=llm_config,
    tools=[CodeExecutorAgent()]  # 添加代码执行工具
)

user_proxy = UserProxyAgent(name="user_proxy")

# 用户 Proxy Agent 可以直接执行代码
user_proxy.initiate_chat(
    coder_with_executor,
    message="写一个 Python 脚本，计算斐波那契数列的前 100 项并输出结果。"
)

SDK 实战：构建一个完整的 AI 开发团队

下面是一个更完整的示例，展示如何构建一个包含架构师、程序员、测试工程师的完整 AI 开发团队：

from autogen import AssistantAgent, UserProxyAgent, GroupChat, GroupChatManager
from autogen.coding import CodeExecutor
from autogen import ConfigurationList

# LLM 配置（支持多模型）llm_config = ConfigurationList.from_model_file(
    model_file="config_list.json",  # 包含 OpenAI、Azure、Claude 等多模型配置
    filter_dict={"model": ["gpt-4o", "claude-3-5-sonnet"]}
)

# 创建多角色 Agent 团队
team = [
    AssistantAgent(
        name="architect",
        llm_config=llm_config,
        system_message="你是系统架构师，负责设计方案和架构决策。你的职责是提出技术方案，回答程序员的问题。"
    ),
    AssistantAgent(
        name="developer",
        llm_config=llm_config,
        system_message="你是高级程序员，负责实现架构师的设计。你可以提问，但必须遵守架构决策。"
    ),
    AssistantAgent(
        name="qa",
        llm_config=llm_config,
        system_message="你是 QA 工程师，负责审查代码质量、编写测试用例。你的职责是确保代码符合规范。"
    ),
    UserProxyAgent(
        name="user",
       是人类代表，负责接收用户指令并将问题分发给团队。
    )
]

# 创建 GroupChat
groupchat = GroupChat(
    agents=team,
    messages_per_round=10,
    max_iter=50,
    speaker_selection_method="轮流发言",
    turn_select_timeout_sec=30  # 发言超时时间
)

# 创建 GroupChat Manager（主持人）
manager = GroupChatManager(groupchat=groupchat, llm_config=llm_config)

# 用户发起任务
user = team[3]
user.initiate_chat(
    manager,
    message="开发一个带用户认证的 RESTful API 项目，使用 FastAPI 和 PostgreSQL，包含登录、注册、JWT 认证功能。"
)

print(f"\n对话完成！总轮数：{len(groupchat.messages)}")
print(f"LLM 调用次数：{manager.llm_config_config_list[0].max_tokens}")

总结：AutoGen 代表了 AI 工程化的正确方向

从 Claude Code 这样的"单智能体"，到 AutoGen 这样的"多智能体团队"，我们看到的是 AI 编码工具的另一个重要范式转移：

• 从"单体"到"分布式"——能力分布在不同 Agent 中，通过协作完成复杂任务
• 从"命令执行"到"自主协商"——Agent 不是被动执行指令，而是主动讨论、争论、达成共识
• 从"工具链"到"团队流程"——AutoGen 不仅仅是工具，更是一套完整的 AI 工程化流程：设计→实现→审查→执行

31,200 Star 不是终点，而是一个起点。它证明了 AI Agent 可以像人类团队一样协作开发软件，而 AutoGen 开源的框架，让每个开发者都可以组建自己的"AI 工程团队"。无论你是想快速构建一个完整应用，还是想探索 AI 协作开发的边界，AutoGen 都值得深入研究。

项目信息：GitHub | 文档 | 技术论文 | MIT 协议 | 31,200 Star