Agent 框架

Agent 框架旨在简化 LLM-powered 应用开发过程

总结

AI框架

🔹 𝗟𝗮𝗻𝗴𝗖𝗵𝗮𝗶𝗻 - AI 工作流、RAG 和智能代理的首选 𝗟𝗟𝗠 𝗮𝗽𝗽 𝗳𝗿𝗮𝗺𝗲𝘄𝗼𝗿𝗸。
🔹 𝗟𝗹𝗮𝗺𝗮𝗜𝗻𝗱𝗲𝘅 - 优化了 𝗱𝗼𝗰𝘂𝗺𝗲𝗻𝘁 𝘀𝗲𝗮𝗿𝗰𝗵 和聊天机器人内存，有𝗲𝗮𝘀𝘆 𝗱𝗮𝘁𝗮𝗯𝗮𝘀𝗲 𝗶𝗻𝘁𝗲𝗴𝗿𝗮𝘁𝗶𝗼𝗻。
🔹 𝗖𝗿𝗲𝘄𝗔𝗜 - 一个 𝗺𝘂𝗹𝘁𝗶-𝗮𝗴𝗲𝗻𝘁 𝗼𝗿𝗰𝗵𝗲𝘀𝘁𝗿𝗮𝘁𝗶𝗼𝗻 框架，可简化人工智能团队工作和自动化。
🔹 𝗦𝘄𝗮𝗿𝗺 - 用于𝘀𝗲𝗹𝗳-𝗼𝗿𝗴𝗮𝗻𝗶𝘇𝗶𝗻𝗴 𝗔𝗜 𝗮𝗴𝗲𝗻𝘁 系统 𝗻𝗲𝘁𝘄𝗼𝗿𝗸𝘀。
🔹 𝗣𝘆𝗱𝗮𝗻𝘁𝗶𝗰𝗔𝗜 - 𝘀𝘁𝗿𝘂𝗰𝘁𝘂𝗿𝗲𝗱 𝗔𝗜 𝗱𝗮𝘁𝗮 𝘃𝗮𝗹𝗶𝗱𝗮𝘁𝗶𝗼𝗻 和 𝗲𝗻𝗳𝗼𝗿𝗰𝗶𝗻𝗴 𝗰𝗼𝗻𝘀𝗶𝘀𝘁𝗲𝗻𝘁 𝗟𝗟𝗠 𝗼𝘂𝘁𝗽𝘂𝘁𝘀 的常用框架。
🔹 𝗟𝗮𝗻𝗴𝗚𝗿𝗮𝗽𝗵 - A 𝗴𝗿𝗮𝗽𝗵-𝗯𝗮𝘀𝗲𝗱 𝗔𝗜 𝘄𝗼𝗿𝗸𝗳𝗹𝗼𝘄 𝗼𝗿𝗰𝗵𝗲𝘀𝘁𝗿𝗮𝘁𝗶𝗼𝗻 𝗰𝗼𝗺𝗽𝗹𝗲𝘅 𝗟𝗟𝗠 𝗽𝗶𝗽𝗲𝗹𝗶𝗻𝗲𝘀 的框架。
🔹 𝗔𝘂𝘁𝗼𝗴𝗲𝗻𝗔𝗜 - 最强大的 𝗮𝘂𝘁𝗼𝗻𝗼𝗺𝗼𝘂𝘀 𝗔𝗜 𝗮𝗴𝗲𝗻𝘁 𝘀𝗲𝗹𝗳-𝗶𝗺𝗽𝗿𝗼𝘃𝗶𝗻𝗴 𝘀𝘆𝘀𝘁𝗲𝗺𝘀 𝗮𝗻𝗱 𝘁𝗮𝘀𝗸 𝗮𝘂𝘁𝗼𝗺𝗮𝘁𝗶𝗼𝗻。

框架名称	用途	优势	劣势	最适合场景
`LangChain`	自定义LLM工作流	生态系统庞大、灵活性高、社区强大	调试困难	检索增强生成（RAG）、AI工作流、智能体
`LangGraph`	AI工作流编排	GUI编辑、可扩展	学习曲线陡峭	复杂大语言模型管道
`AutoGen` AI	自动化AI智能体,多个Agent交互协作系统	自我改进能力	设置复杂	AI研究、任务自动化
`LlamaIndex`	大语言模型应用	优化搜索、易于数据库集成	工具较LangChain少	文档搜索、聊天记忆
`Swarm`	去中心化AI智能体	分布式执行、自修复	小众应用、采用率低	自组织AI系统
`CrewAI`	多智能体协作	设置简单、可任务分配	集成较少	AI团队自动化
`Pydantic` AI	AI驱动的数据验证	结构化输出	范围有限	模式验证、结构化数据

图见小红书原文

LangChain vs AutoGen

使用指南

用 LangChain 设计原型，业务复杂时，升级到 AutoGen

分析

AutoGen 专注于Agent AI，支持创建多个Agent交互协作系统，解决任务。
- 生态: AutoGen Studio (GUI原型设计), AutoGen Bench(测试套件)
LangChain 强调可组合性，提供模块化构建，链接在一起, 创建自定义LLM工作流。
- 生态: LangServe, LandSmith, LangGraph
  - langchain-openai、langchain-anthropic 包

LangChain

优势

丰富的集成和模块
全面的框架
大型社区和支持
面向生产的附加组件（LangSmith、LangServe）

弱点

单代理焦点（默认）
复杂性和开销（适用于简单任务）
潜在的性能注意事项（如果设计不仔细）
早期版本有重大更改（正在解决）

使用场景

快速构建LLM应用
单智能体流程
集成外部工具、数据源，需要综合大型社区、文档
工程部署: LangSmith, LangServe

案例

多代理旅行计划：具有专业角色（规划师、当地导游）的代理合作创建详细的行程。
自动内容生成：代理起草、审查和优化电子邮件或营销材料。
人机回环系统：代理在人工监督下收集和汇总数据。
自治客户服务机器人：代理协作处理查询。
协作写作助理：多个代理参与一个写入项目。

AutoGen

优势

多代理编排
异步、事件驱动型内核
工具/代理的可扩展性
开发人员工具（AutoGen Studio、AutoGen Bench）
可观测性功能

弱点

较小的集成生态系统（超出核心LLMs）
更陡峭的学习曲线（以开发人员为中心）
更新、更小的社区
快速更改（版本控制）

适用场景

多个智能体协作
工作流以智能体为中心，逻辑复杂
以开发者、代码为中心
前沿智能体实验

案例

检索增强 QA：聊天机器人通过从文档中检索信息来回答问题。（示例：MUFG Bank、Klarna）
内容总结和分析：总结成绩单，分析合同，生成报告。
使用工具的聊天机器人：可以使用计算器、搜索 API 或其他工具的聊天机器人。
SQL 查询生成：从自然语言生成 SQL 查询。
辅导系统：使用多项选择工具对用户进行测验。
医疗保健和房地产 AI 助手。

选什么框架

总结

软件开发：AutoGen（微软）最适合处理代码生成和复杂 multi-agent 编码工作流任务。
初学者：OpenAI Swarm 和 CrewAI操作简便，非常适合刚接触 multi-agent AI 且没有复杂配置需求的新手使用。
复杂任务首选：LangGraph —— 极高的灵活性，为高级用户设计，支持自定义逻辑和智能体编排（orchestration）。
开源 LLMs 兼容程度：LangGraph —— 与开源 LLMs 的兼容性极佳，支持多种 API 接口，这是其他一些框架所不具备的。CrewAI 在这方面也表现不俗。
技术社区：AutoGen 拥有相当不错的技术社区支持，能够帮助用户解决一些难题。
即开即用：CrewAI —— 配置快捷、操作直观，非常适合用于演示或是需要迅速创建智能体的任务。Swarm 和 Magentic-One 表现也相当不错，但社区支持相对较弱。
性价比之王：Magentic-One —— 它提供了一套预配置的解决方案，采用了通用框架的设计方法，可能在初期能够节省成本。Swarm 和 CrewAI 在成本效益方面也值得关注。

框架分析

【2024-12-20】五大多智能体 ( Multi-AI Agent) 框架对比

AutoGen (Microsoft)
LangGraph (LangChain)
CrewAI
OpenAI Swarm (OpenAI)
Magentic-One (Microsoft)

框架	时间	公司	特点	优点	缺点
`AutoGen`	2023-10-10	微软	用户智能体（提出编程需求/编写提示词）+助手智能体（生成/执行代码）	代码任务这类多智能体编排允许人工指导微软社区支持	需要代码背景本地LLMs配置繁琐，需要代理服务器非软件开发领域，表现不够出色
`CrewAI`			初学者首选方案，主要编码提示词	界面操作直观,配置方便智能体创建便利,适合非技术背景用户与LangChain结合，适合本地LLM	灵活性不足复杂编程任务不理想智能体交互偶尔故障社区支持不足
`LangGraph`		LangChain	基于 LangChain 开发, 核心是有向循环图(DAG)	灵活可定制能与开源LLM无缝衔接 LangChain延伸，技术社区较好	文档资料不足需要编程背景,尤其是图/逻辑流程
`Swarm`		OpenAI	简化智能体创建过程,上下文切换	适合新手	只支持OpenAI API 不适合生产环境不够灵活社区支持较弱
`Magentic`		微软	AutoGen的简化版,预设5个智能体	操作便捷，适合小白附带AutoGenBench,评估功能	开源LLMs支持不佳不够灵活,更像是应用，非框架文档社区支持几乎为零

MetaGPT

【2023-7-5】MetaGPT

MetaGPT: Multi-Agent Meta Programming Framework 多智能体编程框架
MetaGPT takes a one line requirement as input and outputs user stories / competitive analysis / requirements / data structures / APIs / documents, etc.
Internally, MetaGPT includes product managers / architects / project managers / engineers. It provides the entire process of a software company along with carefully orchestrated SOPs.
Code = SOP(Team) is the core philosophy. We materialize SOP and apply it to teams composed of LLMs.

Magentic-One

【2024-11-4】微软推出 Magnetic-One（第二个框架），对现有的 AutoGen 框架进行简化。

Magentic-One: A Generalist Multi-Agent System for Solving Complex Tasks

Magentic-One 的工作流程基于一个双循环机制：

● 外循环 (Outer Loop)：协调者更新任务日志，制定和调整计划。
● 内循环 (Inner Loop)：协调者更新进度日志，分配子任务给专业智能体，并监控执行情况。如果进度停滞，则返回外循环重新规划。

功能特点：

与 Swarm 相似，Magnetic-One 同样适用于编程经验较少的用户，操作起来简便快捷。
系统预设了五个智能体，包括1个管理智能体和另外4个专用智能体：
- WebSurfer 负责在浏览器中浏览网页,以及与网页进行互动，
- FileSurfer 负责本地文件管理与导航，
- Coder 专注于代码编写与分析，
- ComputerTerminal 控制台访问权限，运行程序和安装库文件。
该框架基于 AutoGen 打造，是一个通用框架。
附带了 AutoGenBench 工具，专门用于评估智能体的性能。

不足之处：

对开源 LLMs 的支持较为复杂，不易实现。
灵活性有待提高；从某种程度上看，它更像是一款应用，而非一个框架。
目前文档资料和技术社区支持力度几乎为零，尚需加强。

架构

AgentUniverse

【2024-6-16】蚂蚁金服推出 AgentUniverse:大模型多智能体框架。

核心提供多智能体协作编排组件，其相当于一个模式工厂（pattern factory），允许开发者对多智能体协作模式进行开发定制，同时附带了搭建单一智能体的全部关键组件。开发者可以基于本框架轻松构建多智能体应用，并通过社区对不同领域的pattern实践进行交流共享】

‘agentUniverse - Your LLM Powered Multi-Agent Framework’ GitHub: agentUniverse

核心特性

单智能体的全部关键组件
丰富的多智能体协同模式: 提供 PEER（Plan/Execute/Express/Review）、DOE（Data-fining/Opinion-inject/Express）等产业中验证有效的协同模式，同时支持用户自定义编排新模式，让多个智能体有机合作；
所有组件均可定制: LLM、知识、工具、记忆等所有框架组件均提供自定义能力，供用户来增强专属智能体；
轻松融入领域经验: 提供领域prompt、知识构建与管理的能力，同时支持领域级SOP编排与注入，将智能体对齐至领域专家级别；

模式组件包括:

PEER 模式组件: 该pattern通过计划（Plan）、执行（Execute）、表达（Express）、评价（Review）四个不同职责的智能体，实现对复杂问题的多步拆解、分步执行，并基于评价反馈进行自主迭代，最终提升推理分析类任务表现。典型适用场景:事件解读、行业分析
DOE 模式组件: 该pattern通过数据精制（Data-fining）、观点注入（Opinion-inject）、表达（Express）三个智能体，实现对数据密集、高计算精度、融合专家观点的生成任务的效果提升。典型适用场景:财报生成

使用案例

使用指南

6.1 RAG类Agent案例
6.1.1 法律咨询Agent
6.2 ReAct类Agent案例
6.2.1 Python代码生成与执行Agent
6.3 基于多轮多Agent的讨论小组
6.4 PEER多Agent协作案例
6.4.1 金融事件分析案例

AgentStudio

【2024-6-29】AgentStudio :联合国际顶尖高校昆仑万维开源智能体研发工具包，从0到1，轻松构建Agent

AgentStudio 模拟真实的多模式环境，从环境设置到数据收集、代理评估和可视化的整个过程。包括智能体观察与动作空间、跨平台的在线环境支持、交互式数据收集与评估、可扩展的任务套件、以及相应的图形界面。

观察和操作空间非常通用，支持函数调用和人机界面操作。
任何设备上运行任何软件的智能体助手
AgentStudio: A Toolkit for Building General Virtual Agents
agent-studio

AgentStudio 环境和工具包涵盖了构建可与数字世界中的一切交互的计算机代理的整个生命周期。

环境 (Env)
- • 跨设备 (Cross-Device):AgentStudio 可以在不同设备上运行，包括 Docker 容器、物理机器和虚拟机。这意味着无论你是在云端还是本地运行代理，AgentStudio 都能适应。
- • 跨操作系统 (Cross-OS):支持多种操作系统，如 Linux、MacOS 和 Windows。无论你使用哪个系统，AgentStudio 都能工作。
代理 (Agent)
- • 通用行动空间 (Universal Action Space):代理可以使用键盘、鼠标和 API 工具进行操作。这就像人类使用电脑的方式，代理可以模拟这些操作。
- • 多模态观察空间 (Multimodal Observation Space):代理可以通过截图、录屏和代码输出观察环境。这类似于人类通过眼睛和日志查看屏幕上的内容。
- • 开放性 (Open-Endedness):支持工具的创建和检索，这意味着代理可以学习并使用新的工具来完成任务。
数据 (Data)
- • GUI 定位 (GUI Grounding):收集用户界面上的数据，帮助代理理解界面布局。
- • 人类轨迹 (Human Trajectories) 和代理轨迹 (Agent Trajectories):记录人类和代理在界面上的操作路径，为代理的学习提供数据。
- • 人类/AI 反馈 (Human/AI Feedback) 和 视频演示 (Video Demonstration):提供反馈和示范，帮助代理改进操作。
评估 (Eval)
- • 基本代理能力 (Fundamental Agent Abilities):评估代理的自我评估、自我纠正和准确定位能力。
- • 开放域任务套件 (Open-Domain Task Suite):评估代理在低级指令执行和复杂任务组合上的能力。
界面 (Interface)
- • 互动注释管道 (Interactive Annotation Pipeline):允许用户实时标注数据，帮助代理学习。
- • VNC 远程桌面 (VNC Remote Desktop):支持远程操作和测试。
- • 野外测试 (In-the-Wild Testing) 和自动评估 (Auto-Evaluation):在真实环境中测试代理，并自动评估其表现。
- • 安全检查 (Safety Check):确保代理操作的安全性。

Swarm

【2024-10-12】OpenAI今天Open了一下：开源多智能体框架Swarm

多智能体是 OpenAI 未来重要的研究方向之一，前些天 OpenAI 著名研究科学家 Noam Brown 还在 X 上为 OpenAI 正在组建的一个新的多智能体研究团队

这个团队开源了一项重量级研究成果：Swarm。一个实验性质的多智能体编排框架，主打特征是工效（ergonomic）与轻量（lightweight）。

项目地址：swarm

重点：让智能体协作和执行变得轻量、高度可控且易于测试。

为此，使用了两种原语抽象：智能体（agent）和交接（handoff）。

其中，智能体包含指令和工具，并且在任何时间都可以选择将对话交接给另一个智能体。
Swarm 智能体与 Assistants API 中的 Assistants 无关。
Swarm 完全由 Chat Completions API 提供支持，因此在调用之间是无状态的。

Swarm 的核心组件包括 client（客户端）、Agent（智能体）、Function（函数）。

client（客户端）: 运行 Swarm 就是从实例化一个 client 开始
- Swarm 的 run() 函数: 类似于 Chat Completions API 中的 chat.completions.create() 函数——接收消息并返回消息，并且在调用之间不保存任何状态。但重点在于，它还处理 Agent 函数执行、交接、上下文变量引用，并且可以在返回给用户之前进行多轮执行。
- client.run() 完成后（可能进行过多次智能体和工具调用），会返回一个响应，其中包含所有相关的已更新状态。具体来说，即包含新消息、最后调用的智能体、最新的上下文变量。你可以将这些值（加上新的用户消息）传递给 client.run() 的下一次执行，以继续上次的交互——就像是 chat.completions.create()
Agent（智能体）: 将一组指令与一组函数封装在一起（再加上一些额外的设置），并且其有能力将执行过程交接给另一个 Agent。
Function（函数）: Swarm Agent 可以直接调用 Python 函数。
- 函数通常应返回一个字符串（数值会被转换为字符串）。
- 如果一个函数返回了一个 Agent，则执行过程将转交给该 Agent。
- 如果函数定义了 context_variables 参数，则它将由传递到 client.run() 的 context_variables 填充。

Swarm 的 client.run() 是实现以下循环：

先让当前智能体完成一个结果
执行工具调用并附加结果
如有必要，切换智能体
如有必要，更新上下文变量
如果没有新的函数调用，则返回

选择

如果开发者想要寻求完全托管的线程以及内置的内存管理和检索，那么 Assistants API
但如果开发者想要完全透明度，并且能够细粒度地控制上下文、步骤和工具调用，那么 Swarm 才是最佳选择。
Swarm （几乎）完全运行在客户端，与 Chat Completions API 非常相似，不会在调用之间存储状态。

应用案例

天气查询智能体
用于在航空公司环境中处理不同客户服务请求的多智能体设置
客服机器人
可以帮助销售和退款的个人智能体等。

安装

pip install git+ssh://git@github.com/openai/swarm.git

使用

from swarm import Swarm, Agent

client = Swarm()

def transfer_to_agent_b():
  return agent_b

agent_a = Agent(
  name="Agent A",
  instructions="You are a helpful agent.",
  functions=[transfer_to_agent_b],
)

agent_b = Agent(
  name="Agent B",
  instructions="Only speak in Haikus.",
)

response = client.run(
  agent=agent_a,
  messages=[{"role": "user", "content": "I want to talk to agent B."}],
)

print(response.messages[-1]["content"])

LangGraph

2023 年 1 月推出 LangGraph，低级编排框架，用于构建代理应用。

开源的，并提供 Python 和 JavaScript 两种版本

LangGraph Studio 提供专门环境来简化 LLM（大语言模型）应用开发过程，用于可视化、交互和调试代理应用。

与传统软件开发不同，构建 LLM 应用需要标准代码编辑器之外的独特工具。

LangGraph Studio 通过允许开发人员可视化代理图、修改代理结果以及随时与代理状态交互来增强开发体验。

2024 年 6 月发布了稳定的 0.1 版本

LangGraph 适用于各种 Multi-AI Agent 任务，并且具有极高的灵活性。

功能特点：

LangGraph 基于 LangChain 开发，其核心思想是“有向循环图（Directed Cyclic Graph）”。
它不仅仅是一个 Multi-AI agent 框架，功能远超于此。
高度灵活，可定制性强，几乎能够满足所有多智能体协作应用的需求。
作为 LangChain 的延伸，它得到了技术社区的大力支持。
能够与开源的 LLMs（大语言模型）以及各种 API 无缝协作。

不足之处：

文档资料不够详尽。对于编程经验较少的用户来说，上手难度较大。
需要具备一定的编程能力，特别是在图（graphs）和逻辑流程的理解上。

安装

pip install langgraph

CrewAI

CrewAI 是快速搭建 Multi-AI Agent 任务演示的首选工具，因为操作直观，配置起来也十分简便。

GitHub crewAI

CrewAI 核心特征

角色定制代理：可以根据不同的角色、目标和工具来量身定制代理。
自动任务委派：代理之间能够自主地分配任务和进行交流，有效提升解题效率。
任务管理灵活性：可以根据需要自定义任务和工具，并灵活地指派给不同代理。
流程导向：目前系统仅支持按顺序执行任务，但更加复杂的如基于共识和层级的流程正在研发中。

功能特点：

操作界面直观，主要依靠编写提示词。
创建新智能体并将其融入系统非常简单，几分钟内就能生成上百个智能体。
即便是非技术背景的用户也能轻松上手。
得益于与 LangChain 的集成，它能够与多数 LLM 服务提供商和本地 LLM 配合使用。

不足之处：

在灵活性和定制化方面有所限制。
更适合处理基础场景，对于复杂的编程任务则不太理想。
智能体间的交互偶尔会出现一些故障。
技术社区的支持力度相对较弱。

安装

pip install crewai

AutoGen

【2023-10-10】微软发布AutoGen, github，多代理（Agent）任务框架，完成各种场景的复杂工作流任务，从GPT大语言模型近几个月高速迭代以来，最近这个概念很火。

微软和OpenAI一定商量好了

11月6日 OpenAI 在发布 Assistant，和 AutoGen 原有架构完美兼容。
11月11日 AutoGen 就 Commits GPTAssistantAgent

如果要做 multi-Agent，那么 AutoGen 架构一定是最正确的

AutoGen 介绍

微软公司发布了开源Python库AutoGen。

AutoGen是“一个简化大语言模型工作流编排、优化和自动化的框架。AutoGen背后的基本概念是“代理”（agents）的创建，即由大语言模型（如GPT-4）提供支持的编程模块。这些智能体（agents）通过自然语言信息相互作用，完成各种任务。
【2024-2-8】AutoGen框架学习飞书文档

AutoGen 设计

借助AutoGen，开发人员可以创建一个由代理（agents）组成的生态系统，这些代理专注于不同的任务并相互合作。

AutoGen使用多代理（multi-agent）对话支持复杂的基于大语言模型的工作流。
- 左图：AutoGen代理是可定制的，可以基于大语言模型、工具、人，甚至是它们的组合。
- 右图：智能体（agents）可以通过对话来解决任务。右边下图：这个框架支持许多额外的复杂对话模式。
将每个代理（agents）视为具有其独特系统指令的单个ChatGPT会话。
- 例如，可以指示一个代理充当编程助手，根据用户请求生成Python代码。另一个代理可以是代码审查器，它获取Python代码片段并对其进行故障排除。然后，可以将第一个代理的响应作为输入传递给第二个代理。其中一些代理甚至可以访问外部工具，比如ChatGPT插件，如Code Interpreter或Wolfram Alpha。

AutoGen提供工具来创建代理（agents）并自动交互。多代理（multi-agent）应用程序完全自主或通过“人工代理”进行调节，允许用户介入代理之间对话，监督和控制。在某种程度上，人类用户变成了监督多个人工智能代理的团队负责人。

对于代理框架必须做出敏感决策并需要用户确认的应用程序，人工代理非常有用。

AutoGen 让用户在开始走向错误的方向时帮助调整方向。例如，用户可以从应用程序的初始想法开始，然后在代理的帮助下逐渐进行完善，并在开始编写代码时添加或修改功能。
AutoGen 模块化架构也允许开发人员创建通用的可重用组件，这些组件可以组装在一起，以快速构建自定义应用程序。

多个AutoGen代理可以协作完成复杂的任务。

例如，人工代理可能会请求帮助编写特定任务的代码。编码助理代理（agents）可以生成并返回代码，然后代理可以使用代码执行模块并对代码进行验证。然后，这两个人工智能代理可以一起对代码进行故障排除并生成最终的可执行版本，而人类用户可以在任何时候中断或提供反馈。

这种协作方法可以显著提高效率。根据微软公司的说法，AutoGen可以将编码速度提高四倍。

AutoGen 内置代理

泛型 ConversableAgent 类
- 这些代理能够通过交换消息来相互交谈以共同完成任务。代理可以与其他代理通信并执行操作。不同的代理在接收消息后执行的操作可能不同。
AssistantAgent 助手代理: 通用的AI助手，负责执行具体任务
- 默认使用 LLM，但不需要人工输入或代码执行。
- 编写 Python 代码（在 Python 编码块中），供用户在收到消息（通常是需要解决的任务的描述）时执行。在后台，Python 代码是由 LLM（例如 GPT-4）编写的。它还可以接收执行结果并建议更正或错误修复。可以通过传递新的系统消息来更改其行为。LLM 推理配置可以通过 llm_config 进行配置。
UserProxyAgent 人类代理
- 每个交互回合中，将人工输入作为代理的回复，并且还具有执行代码和调用函数的能力。
- 收到消息中检测到可执行代码块且未提供人类用户输入时，会自动 UserProxyAgent 触发代码执行。可将 code_execution_config 参数设置为 False 来禁用代码执行。默认基于 LLM 的响应处于禁用状态。可以通过设置为 llm_config 与推理配置对应的字典来启用它。When llm_config 设置为字典， UserProxyAgent 可以在不执行代码执行时使用 LLM 生成回复。

两个具有代表性的子类是 AssistantAgent 和 UserProxyAgent 。这两个代理可协同工作，构建强大的应用，如Chat GPT Plus代码解释器加插件的增强版本。

实用类
- UserProxyAgent 用户直接交互的 Agent，不处理 Task。
- AssistantAgent 实际处理某些 Task 的 Agent，不直接与用户交互。
- GroupChatManager 管理群组对话，也不直接和用户交互。
抽象类
- ConversableAgent 3 个实用 Agent 继承的类，绝大部分 Agent 的功能都写在这个里面，很长。
- Agent 是 ConversableAgent 父类，很短，只定义了接口。
GroupChat 是有关群组对话的类，不是 Agent，它保存群成员和群消息，以及一些列拼凑 prompt 和message 的方法。

一步循环流程

用户把 Task 告诉 UserProxyAgent
UserProxyAgent 把消息发送给 AssistantAgent；
AssistantAgent 返回结果给 UserProxyAgent ，UserProxyAgent 决定下一步如何进行。

UserProxyAgent 和 AssistantAgent 都是一系列代码 + LLM，都有自己的 prompt（SystemMessage）。

但是 UserProxyAgent 有特殊权限：执行代码，而 AssistantAgent 不能运行。
- 这种权限控制写在代码里，而不是 prompt。
即使实际处理 Task 的 Agent 只有 1 个，但必须有 1 个 UserProxyAgent，也就是至少有 2 个 Agent。

assistant = AssistantAgent("assistant" ....)
user_proxy = UserProxyAgent("user_proxy" ....)
user_proxy.initiate_chat(assistant, ....)

代码理解

AutoGen 中的代理具有以下功能：

可对话：AutoGen 没有隔离代理，任何代理都可发送和接收来自其他代理的消息以启动或继续对话
可定制：AutoGen 代理可自定义, 集成 LLM、人员、工具或组合。

框架解析

autogen/agentchat/init.py 中定义多种智能体

“Agent” 抽象类，定义了 name属性方法, reset,send/a_send,receive/a_reveive,generate_reply/a_generate_reply
“ConversableAgent”, 泛型, 通过交换消息共同完成任务。不同代理接收消息后执行的操作可能不同
- Autogen框架中有两个默认代理：用户代理（user) 和助手代理 (assistant)。
- 两个具有代表性的子类是 AssistantAgent 和 UserProxyAgent 。
“AssistantAgent”, AI助手，通用AI助手，负责执行具体任务
- 默认使用 LLM，但不需要人工输入或代码执行。
- 通过LLM编写 Python 代码，供用户在收到消息（要解决任务的描述）时执行。
- 接收执行结果并建议更正或错误修复。通过传递新系统消息来更改其行为。LLM 推理配置可以通过 llm_config 进行配置。
“UserProxyAgent”, 人类代理，或用户代理，代表用户工作 (人类），可独立做决定或向用户请求输入。
- 每个交互回合中，将人工输入作为代理回复，还具有执行代码和调用函数能力。收到的消息中检测到可执行代码块且未提供人类用户输入时，会自动 UserProxyAgent 触发代码执行。可以通过将 code_execution_config 参数设置为 False 来禁用代码执行。
- 默认情况下，基于 LLM 的响应处于禁用状态。设置为 llm_config 与推理配置对应的字典来启用它。 llm_config 设置为字典， UserProxyAgent 可以在不执行代码执行时使用 LLM 生成回复。
“GroupChat”,
“GroupChatManager”

用户代理和助手代理之间的聊天被自动化，同时允许人工反馈或干预，实现了高效和灵活的任务完成方式。

图解

GroupChatManager 不是 LLM Agent，没有「ManagerAgent」直接调用 OpenAI API 的代码证据，Manager 把群组消息重新组织后转发给其他 Agent ，自己调用 OpenAI API 。
GroupChat 不是 Agent，包含了一些拼凑和更新 prompt 以及 message 文本的方法。Manager 会使用这些方法，并且把拼凑好的文本消息 send 给其他 Agent，并且消息的发送者是 speaker（其中一个AssistantAgent），而不是 Manager 自己

记忆单元 Memory

Memory记录Agent与其他Agent交互历史

信息隔离：没有对话过的agent看不到彼此信息
但ChatManager拥有所属agent聊天记录，消息广播给所有agent，所以能看到彼此信息

Tool 工具

Tool calling: 通过 ConversableAgent.register_for_llm 方法向LLM注册tools。
通过 ConversableAgent.register_for_execution 向UserProxyAgent注册tool的执行。

ConversableAgent 关键环节

.initiate_chat(recipient: ? ...
# 对话开始时用 recipient 定义一个谈话对象 Agent

.send(message,recipient...
    recipient.receive(message, ...)
# 把消息通过 .send 发送给谈话对象，谈话对象用 .receive 接收消息。

.receive
    reply = self.generate_reply(messages, ...)
# 接收到消息后通过 generate_reply 里面有较长的处理步骤，会一直调到 OpenAIWrapper.create ，总之就是调到 OpenAI API 了，并得到 LLM 的推理和回复。

.send(reply, ...
# 把得到的 reply 通过 .send 发回给之前那个 Agent，这样完成一个循环。

ConversableAgent 注册函数、调用函数

# 注册
def register_reply( ...
    self._reply_func_list.insert( ...
        "reply_func": ?
# 这样就把函数插到了 _reply_func_list 里了，并且存在 "reply_func" 上

# 调用
def generate_reply( ...
    for reply_func_tuple in self._reply_func_list:
        reply_func = reply_func_tuple["reply_func"]
        # 拿到所有的可调用的函数
        if self._match_trigger(reply_func_tuple["trigger"], sender):
            reply = reply_func(...
            # 用 _match_trigger 去匹配一下名称，名称正确的话就直接调用那个函数

GroupChatManager 的关键环节

def run_chat:

    speaker = ...
    
    for agent in groupchat.agents:
        if agent != speaker:
            self.send(message, agent
# GroupChatManager 只有1个新增的函数方法就是 run_chat，它找到 1 个 speaker（是一个AssistantAgent），并且把 speaker 的消息发给群组里除了 speaker 之外的所有人。其余还有针对各种情况的判断处理就不深入了。

def __init__:
    self.register_reply( GroupChatManager.run_chat, ...
# register_reply 是父类 ConversableAgent 的一个方法，允许注册新的函数功能，用来扩展 Agent 类型，GroupChatManager 的 run_chat 就是这样扩展进去的。之后新增的其他类型的 Agent 都在用这个方法扩展。

用户把 Task 告诉 UserProxyAgent，然后 UserProxyAgent 会把消息发送给 GroupChatManager；
GroupChatManager 会作为群消息管理者，把适当的消息转发给适当的 AssistantAgent；
AssistantAgent 接收到群消息，并且给出自己的推理；
GroupChatManager 会拿到所有 AssistantAgent 的推理并发回给 UserProxyAgent。UserProxyAgent 来决定下一步如何进行，这样就完成一步的循环。

user_proxy = UserProxyAgent("user_proxy" ....

assistant1 = AssistantAgent("assistant1" ....
assistant2 = AssistantAgent("assistant2" ....
assistant3 = AssistantAgent("assistant3" ....

groupchat = autogen.GroupChat(agents=[user_proxy, assistant1, assistant2, assistant3], ...

manager = autogen.GroupChatManager(groupchat=groupchat, ...

user_proxy.initiate_chat(manager, ....

Autogen系列

应用场景

应用领域

【2024-1-14】Autogen 新手指南：基础概念和应用

官方公布的5大领域

代码生成、执行和调试
- 通过代码生成、执行和调试实现自动化任务解决
- 自动代码生成、执行、调试和人工反馈
- 使用检索增强代理自动生成代码和回答问题
- 使用基于 Qdrant 的检索增强代理自动生成代码和回答问题
多智能体协作（>3 智能体）
- 使用 GPT-4 + 多个人类用户自动解决任务
- 通过群聊自动解决任务（有 3 个群组成员代理和 1 个经理代理）
- 通过群聊自动实现数据可视化（有 3 个群组成员代理和 1 个经理代理）
- 通过群聊自动解决复杂任务（有 6 个群组成员代理和 1 个经理代理）
- 使用编码和规划代理自动解决任务
应用
- GPT-4 代理的自动国际象棋游戏和搭便车
- 从新数据中自动持续学习
- OptiGuide 用于供应链优化的大型语言模型.
工具使用
- Web 搜索：解决需要 Web 信息的任务
- 将提供的工具用作函数
- 使用 Langchain 提供的工具作为函数进行任务解决
- RAG：具有检索增强生成的群聊（具有 5 个组成员代理和 1 个经理代理）
- OpenAI 实用程序功能深入指南
代理教学
- 通过自动聊天向其他代理传授新技能和重用
- 向其他代理传授编码以外的新事实、用户偏好和技能

AutoGen的新应用程序示例：会话象棋（conversational chess）。它可以支持各种场景，因为每个玩家可以是大语言模型授权的AI、人类或两者的混合体。它允许玩家创造性地表达他们的动作，例如使用笑话，模因参考（meme references）和角色扮演，使棋类游戏对玩家和观察者来说更具娱乐性。

AutoGen还支持更复杂的场景和架构，例如大预言模型代理的分层安排。例如，聊天管理器代理可以调节多个人类用户和大语言模型代理之间的对话，并根据一组规则在它们之间传递消息。

具体

Multi-Agent Conversation Framework
- AutoGen provides multi-agent conversation framework as a high-level abstraction. With this framework, one can conveniently build LLM workflows.
Easily Build Diverse Applications
- AutoGen offers a collection of working systems spanning a wide range of applications from various domains and complexities.
Enhanced LLM Inference & Optimization
- AutoGen supports enhanced LLM inference APIs, which can be used to improve inference performance and reduce cost.

举个示例：

比如构建一个法律资讯或电商客服系统时，AutoGen可以让一个AI代理负责收集客户提出的问题，另一个给出初步建议和回答。
AutoGen同时还会将任务分解并分配给多个代理，一个代理负责查询数据库里的答案，一个代理会联网搜索实时最新数据进行比对，另一个代理负责对收集来的数据进行审核和纠正，还有的代理负责将汇总的数据进行格式化后并发给客户。
在整个过程中，AutoGen会把问题分解成多个任务，并自动分配给多个代理，同时支持人工抽样干预和反馈。与直接使用GPT AI聊天机器人不同的是，AutoGen支持多代理（AI、人、工具等）相互协作，使整个工作流更加高效。

其实代理Agent的设计一直是人工智能领域的焦点过去的工作主要集中在增强代理的某些特定能力，比如符号推理，或者对于特定技能的掌握。比如像国际象棋、围棋机器人等等。这些研究更加注重算法的设计和训练策略，而忽视了大语言模型固有的通用能力的发展，比如知识记忆、长期规划、有效泛化和高效互动等。

AutoGen 构建的六个应用程序示例，包括数学问题解决、多智能体编码、在线决策制定、检索增强聊天、动态群聊以及对话式国际象棋。

基本配置

新建 OAI_CONFIG_LIST 文件，内容如下，并且将开发密钥填入<>后，保存文件。

配置列表的样子，可有多个API端点，所以可用多个模型。
- ① OpenAI: gpt-4和gpt-3.5-turbo，输入API密钥
- ② Azure API: 微软接口
- ③ 自定义模型
如果还没有OpenAI账户，请先注册。

config_list = [
    {
        "model": "gpt-4",
        "api_key": os.environ.get("AZURE_OPENAI_API_KEY"),
        "api_type": "azure",
        "base_url": os.environ.get("AZURE_OPENAI_API_BASE"),
        "api_version": "2023-03-15-preview",
    },
    {
        "model": "gpt-3.5-turbo",
        "api_key": os.environ.get("OPENAI_API_KEY"),
        "api_type": "open_ai",
        "base_url": "https://api.openai.com/v1",
    },
    {
        "model": "llama-7B",
        "base_url": "http://127.0.0.1:8080",
        "api_type": "open_ai",
    }
]

注意

api_base 要更换为 base_url

twoagent.py 文件

OAI_CONFIG_LIST_sample.json set-your-api-endpoints

#pip install pyautogen
from autogen import AssistantAgent, UserProxyAgent, config_list_from_json
# Load LLM inference endpoints from an env variable or a file
config_list = config_list_from_json(env_or_file="OAI_CONFIG_LIST")
# 初始化agent
assistant = AssistantAgent("assistant", llm_config={"config_list": config_list})
user_proxy = UserProxyAgent("user_proxy", code_execution_config={"work_dir": "coding"})
# 启动任务
task = "Plot a chart of NVDA and TESLA stock price change YTD."
user_proxy.initiate_chat(assistant, message=task)
# This initiates an automated chat between the two agents to solve the task

运行

python test/twoagent.py

执行过程

AssistantAgent 从 UserProxyAgent 接收到包含任务描述的消息。
AssistantAgent 尝试编写Python代码来解决任务，并将响应发送给 UserProxyAgent。
UserProxyAgent收到助手的回复，尝试通过征求人类输入或准备自动生成的回复来进行回复。
- 如果没有提供人类输入，UserProxyAgent将执行代码并将结果用作自动回复。
AssistantAgent 随后为UserProxyAgent生成进一步的回应。
- 用户代理随后可以决定是否终止对话。如果不终止，则重复步骤3和4。

简易案例

简单Agent示例

比 LangChain 简单的多

import autogen

# 1、建立必要配置
config_list = [
    {
        "model": "Mistral-7B",
        "api_base": "http://localhost:8000/v1",
        "api_type": "open_ai",
        "api_key": "NULL",
    }]


# 2、大模型请求配置
llm_config = {
    "request_timeout": 600,
    "seed": 45,  # change the seed for different trials
    "config_list": config_list,
    "temperature": 0,
    "max_tokens":16000,
}

# 3、新建一个助理智能体
assistant = autogen.AssistantAgent(
    name="assistant",
    llm_config=llm_config,
    is_termination_msg=lambda x: True if "TERMINATE" in x.get("content") else False,
)

#创建名为 user_proxy 的用户代理实例，这里定义为进行干预
user_proxy = autogen.UserProxyAgent(
    name="user_proxy",
    human_input_mode="TERMINATE",
    max_consecutive_auto_reply=1,
    is_termination_msg=lambda x: x.get("content", "").rstrip().endswith("TERMINATE"),
    code_execution_config={"work_dir": "web"},
    llm_config=llm_config,
    system_message="""Reply TERMINATE if the task has been solved at full satisfaction.
Otherwise, reply CONTINUE, or the reason why the task is not solved yet.""")


task1 = """今天是星期几？,还有几天周末？请告诉我答案。"""
user_proxy.initiate_chat(assistant,message=task1)

复杂案例

需求

今天是什么日期，比较Meta和Tesla的年初至今收益

用户代理和助手代理两种类型，完成如下任务

助手代理是增强版的代码解释器，生成、修改代码
用户代理负责执行，根据设置自动或手动运行代码

流程

两个代理不断互动，用户代理接收任务描述，助手写代码，用户代理执行代码并且将代码的结果返回助手，助手根据代码执行的反馈修改代码或者返回成功的结果，完成任务后，返回结束标志给到用户代理，用户代理关闭程序。

具体

助手对用户代理说：

“首先，让我们使用Python获取当前日期。”

因此写了一些Python代码来获取日期。接下来，获取Meta和Tesla的年初至今收益。用Python中的 yfinance 库来获取股票价格。

如果还没有安装，请通过在终端运行 pip install yfinance 来安装这个库。这是助手告诉我安装那个库，然而用户代理将执行这个操作。

实际上它给了代码，用Python代码获取Meta和Tesla年初至今收益的方法。所以写了代码，使用了那个库。这段代码将以百分比的形式打印Meta和Tesla的年初至今收益。

用户代理执行了代码，但遇到了一个bug。这个 bug 从用户代理传递给到助手代理，把问题传回了助手，试图让助手修复它。

助手回到用户：

“为了之前的疏忽我道歉，变量today在第一段代码中定义了，但在第二段中没有定义。让我们更正它。”

所以这里它实际上在纠正，这里是新代码，这里是代码输出。

实际上工作。Meta的年初至今收益，Tesla的年初至今收益，以百分比表示。

然后助手回到用户：

“很好，代码已经成功执行。”

然后助手基本上以非常易读的方式打包了信息。所以在2023年10月2日，也就是今天，Meta的年初至今收益约为140%，Tesla的年初至今收益为131%。

现在助手输出了 TERMINATE 标志，代表该任务已经成功完成了，然后它输出了终止响应。

用户代理执行 is_termination_msg 匿名函数，获取到TERMINATE 标志后，停止了对话。

# 创建一个助手代理
assistant = autogen.AssistantAgent(
    name="assistant",
    llm_config={
        "seed": 42,  # seed for caching and reproducibility
        "config_list": config_list,  # a list of OpenAI API configurations
        "temperature": 0,  # temperature for sampling
    },  # configuration for autogen's enhanced inference API which is compatible with OpenAI API
)

# 创建一个用户代理
user_proxy = autogen.UserProxyAgent(
    name="user_proxy",
    human_input_mode="NEVER", # 永远不征求用户意见，直接自动执行
    max_consecutive_auto_reply=10,
    is_termination_msg=lambda x: x.get("content", "").rstrip().endswith("TERMINATE"), # 终止消息特征
    code_execution_config={
        "work_dir": "coding",
        "use_docker": False,  # set to True or image name like "python:3" to use docker
    },
)

# 使用用户代理发起一个会话，设置助理代理assistant，发起第一条消息message
user_proxy.initiate_chat(
    assistant,
    message="""What date is today? Compare the year-to-date gain for META and TESLA.""",
)

autogen既可以使用OpenAI，也可以用本地LLM

示例

from autogen import oai

# create a chat completion request
response = oai.ChatCompletion.create(
    config_list=[
        {
            "model": "chatglm2-6b",
            "api_base": "http://localhost:8000/v1",
            "api_type": "open_ai",
            "api_key": "NULL",
        },
        {
            "model": "vicuna-7b-v1.3",
            "api_base": "http://localhost:8000/v1",
            "api_type": "open_ai",
            "api_key": "NULL",
        }
    ],
    messages=[{"role": "user", "content": "Hi"}]
)
print(response)
# ----------- 自定义消息、参数 --------
response = oai.ChatCompletion.create(
    config_list=[
        {
            "model": "baichuan2-7b",
            "api_base": "http://localhost:8000/v1",
            "api_type": "open_ai",
            "api_key": "NULL",
        }
    ],
    messages=[
        {"role": "system", "content": "你是一名资深的大语言模型领域的专家，精通模型架构原理和落地应用实践"},
        {"role": "user", "content": "你好呀！"}
    ],
    temperature=0.2,
    top_k=1,
    top_p=0.96,
    repeat_penalty=1.1,
    stop=["</s>"],
    max_tokens=1024,
    stream=False
)
print(response)

content = response.get("choices")[0].get("message").get("content")
print(content)

AutoGen 提供了 openai.Completion 或 openai.ChatCompletion 的直接替代，还添加了更多功能，如调优、缓存、错误处理和模板。例如，用户可以使用自己的调优数据，在预算范围内来优化 LLM 的生成内容。

# perform tuning
config, analysis = autogen.Completion.tune (    
    data=tune_data,    
    metric="success",    
    mode="max",    
    eval_func=eval_func,    
    inference_budget=0.05,    
    optimization_budget=3,    
    num_samples=-1,
)
# perform inference for a test instance
response = autogen.Completion.create (context=test_instance, **config)

【2024-2-4】实践通过, 本地工具调用

from autogen import AssistantAgent, UserProxyAgent, get_config_list, GroupChat, GroupChatManager

# =========== LLM 配置区 ===========
# config_list = get_config_list(["****"],
#                               ["****"], "azure",
#                               "2023-03-15-preview")

config_list = [
    {
        "model": "gpt-3.5-turbo-0613",
        #"model": "gpt-4-0613", 
        "base_url": "https://****",
        "api_type": "azure",
        "api_key": "******",
    }
]

llm_config = {
    "config_list": config_list,
    "temperature": 0.1,
    "model": "gpt-35-turbo-16k",
}
# =========== Agent设置 ===========
weather = AssistantAgent(name="weather", llm_config=llm_config, )
travel = AssistantAgent(name="travel", llm_config=llm_config,)

# create a UserProxyAgent instance named "user_proxy"
user_proxy = UserProxyAgent(
    name="user_proxy",
    human_input_mode="TERMINATE",
    is_termination_msg=lambda x: "tool_calls" not in x.keys(),
    max_consecutive_auto_reply=10,
)

# =========== 本地工具调用 ===========
@user_proxy.register_for_execution()
@weather.register_for_llm(description="查询天气")
def query_weather(city: str) -> str:
    return f"weather in {city} is sunny."

@user_proxy.register_for_execution()
@travel.register_for_llm(description="旅游推荐")
def travel_recommend(weather: str) -> str:
    return f'结合天气{weather},我认为最好去爬山'

# =========== 群聊设置 ===========
group_chat = GroupChat(
    agents=[user_proxy, weather, travel],
    messages=[],
    speaker_selection_method="auto",
    allow_repeat_speaker=False,
    max_round=12,
)

manager = GroupChatManager(
    groupchat=group_chat,
    is_termination_msg=lambda x: x.get("content", "").find("TERMINATE") >= 0,
    llm_config=llm_config,
)

# =========== 启动会话 ===========
user_proxy.initiate_chat(
    manager,
    message="结合杭州的天气，给我推荐一些旅游的地方"
)

AutoGen 生态

AutoGen Studio

【2023-12-1】微软 AutoGen Studio: Interactively Explore Multi-Agent Workflows

AutoGen Studio 提供了一个更直观的用户界面，使得用户可以更容易地使用AutoGen框架来创建和管理AI智能体。

与CrewAI和MetaGPT相比，AutoGen Studio提供了可视化界面，对新手更友好

特性

智能体和工作流定义修改：用户可以在界面上定义和修改智能体的参数，以及通信方式。
与智能体的互动：通过UI创建聊天会话，与指定的智能体交互。
增加智能体技能：用户可以显式地为他们的智能体添加技能，以完成更多任务。
发布会话：用户可以将他们的会话发布到本地画廊。

AutoGen Studio的组成

构建部分（Build）：定义智能体属性和工作流。
- 默认的三个Skill是生成图片、获取个人网页正文、找Arxiv的论文。
游乐场（Playground）：与在构建部分定义的智能体工作流进行互动。
画廊（Gallery）：分享和重用工作流配置和会话。

CrewAI、MetaGPT v0.6、Autogen Studio 区别

实践

背后通过 fastapi、uvicorn 启动Web并行服务, 详见代码
sqlite3 本地数据库存储会话数据，详见代码
- 重置数据库 —— 删除 database.sqlite
- 删除用户信息 —— 删除文件夹 autogenstudio/web/files/user/<user_id_md5hash>
切换LLM、agent配置、skill信息 —— 修改默认配置文件 dbdefaults.json
查看中间信息 —— Web UI调试窗口，或 database.sqlite 文件

pip install autogenstudio # 安装
# Mac电脑需要 export OPENAI_API_KEY=<your_api_key>
#参数 host, port, workers, reload
autogenstudio ui --port 8081 # 启动Web UI
autogenstudio ui --port 8081 --host 10.92.186.159 # 其它域内机器可访问

AutoGen 问题

功能局限

案例都是单层调用，一层树结构，user_proxy调weather或traval；

如果有多层调用怎么办？

① 再加一个assistant专门用来判断以上工具执行结果，正确才返回给user_proxy
② 两个weather agent同时执行，根据二者结果一致性情况再决定是否调travel；

多agent间复杂调用，更有实用价值，但autogen好像没说清楚怎么设计

autogen 没有现成可以支持这种场景的实现。但是可以扩展speak_selector_mehod和ChatManager。

通过定义SOP来实现上述场景

会话信息传递

上一个agent的输出会自动append到历史中

System prompt中如何引用？

workflow 这样的确定的编排的场景。而不是agent的动态编排

单次调用，如果是批量请求，每次都需要initiate_chat? 如何获取中途所有agent的消息？

如果是用户批量消息, 每次都 initiate_chat。 agent 消息可以看上面的memory相关，每个agent都拥有和其他agent的消息历史

Agent 开发框架

Agent 框架

总结

LangChain vs AutoGen

选什么框架

框架分析

MetaGPT

Magentic-One

AgentUniverse

AgentStudio

Swarm

LangGraph

CrewAI

AutoGen

AutoGen 介绍

AutoGen 设计

代码理解

框架解析

图解

应用场景

应用领域

基本配置

简易案例

复杂案例

AutoGen 生态

AutoGen Studio

AutoGen 问题

功能局限

结束

Similar Posts

Related Posts

站内可视化导航

Comments

Agent 开发框架

Agent 框架

总结

LangChain vs AutoGen

选什么框架

框架分析

MetaGPT

Magentic-One

AgentUniverse

AgentStudio

Swarm

LangGraph

CrewAI

AutoGen

AutoGen 介绍

AutoGen 设计

代码理解

框架解析

图解

应用场景

应用领域

基本配置

简易案例

复杂案例

AutoGen 生态

AutoGen Studio

AutoGen 问题

功能局限

结束

Share

Similar Posts

Related Posts

站内可视化导航

Comments