🤖 既然一个 AI 干不完活，那就雇一个“团队”吧：AutoGen 多智能体实战指南

关键词：AutoGen, Multi-Agent, 多智能体, AI 团队, 自动化工作流

大家好，我是飞哥！👋

上周我们讲了 LlamaIndex，它帮我们解决了“数据看不懂”的问题。
但这周，我们面临一个新的挑战：任务太复杂。

试想一下，如果你让 ChatGPT 帮你“写一份特斯拉的行业研报，要有最新新闻，还要有股价趋势图，最后生成 PDF”。
大概率它会回复你一段文字，但既没有实时数据，也没有图表，更别提 PDF 了。

为什么？ 🤯
因为这不仅是一个“问答任务”，而是一个“复合工作流”。它需要：搜索、阅读、写代码、画图、排版。
让一个 AI 模型（比如 GPT-4）同时扮演这么多角色，它很容易“精神分裂”。

💡 解决方案：
如果一个实习生干不好，那就组建一个专家团队！
这就是 Multi-Agent (多智能体) 的核心思想。今天我们要用的神器，就是微软开源的 AutoGen。

1. 为什么你需要 AutoGen？(Why)

生动类比 🍎：

  • Single Agent (单体 AI) = 全能实习生 🎓。什么都懂一点，但让他独立负责一个大项目，容易顾此失彼，做着做着就跑题了。
  • Multi-Agent (AutoGen) = 正规军编制 💂‍♂️。
    • 有 项目经理 (Planner) 📅 负责拆解任务。
    • 有 情报员 (Data Fetcher) 🕵️‍♂️ 专门负责上网搜资料。
    • 有 绘图师 (Plotter) 🎨 专门负责画股价走势图。
    • 有 分析师 (Analyst) 🧠 专门负责深度分析。
    • 有 主笔 (Writer) ✍️ 专门负责写文章。
    • 有 校对员 (Proofreader) 🧐 负责检查质量。
    • 还有 用户代理 (UserProxy) 👮‍♂️ —— 也就是你（或者你的替身），负责最后拍板和执行代码。

核心价值：
AutoGen 允许你定义这些角色，并且让它们在一个“微信群”里自动对话。你只需要发一句指令，它们就会自己开会、吵架（讨论）、干活，直到把任务完成。

2. 核心概念提炼 (Skeleton) 🦴

2.1 两个基本原子

在 AutoGen 的世界里，一切皆 Agent，但主要分为两类：

  1. UserProxyAgent (人类代理) 🧑‍💼：

    • 身份：代表“雇主”或“执行者”。
    • 特技：能执行代码！当 AI 写出 Python 代码时，它负责运行并反馈结果。
    • 比喻：带枪的监工。

  2. AssistantAgent (AI 助理) 🤖：

    • 身份：基于 LLM 的智能体。
    • 特技：能思考、能写代码。
    • 比喻：聪明的打工人。

2.2 聊天模式 (GroupChat) 💬

如果不加控制，5 个 AI 在群里可能会乱说话。
所以我们需要 GroupChatManager（群管理员）。
它就像“主持人”，根据当前的聊天记录，决定下一个该谁发言。

3. 准备工作：搭建舞台 🛠️

在开始指挥你的 AI 军团之前，我们需要先安装必要的“军需物资”。

3.1 安装依赖

打开终端，运行以下命令：

pip install "pyautogen<0.4" duckduckgo-search matplotlib pandas python-dotenv

依赖包大起底：

  • pyautogen：微软 AutoGen 的核心库，我们的“指挥部”，负责管理所有 Agent。
  • duckduckgo-search：免费的搜索引擎工具，不需要 API Key 就能让 AI 上网，是 Data Fetcher 的“千里眼”。
  • matplotlib：Python 最经典的绘图库，Plotter 用它来画股价走势图。
  • pandas：数据处理神器，相当于“Python 版的 Excel”。我们用它来读取和清洗下载下来的股票数据。

3.2 配置“军费” (DeepSeek Config)

AutoGen 支持 OpenAI 格式的 API。飞哥强烈推荐使用 DeepSeek (深度求索)，不仅代码能力强悍，最重要的是国内直连、无需魔法，获取 Key 非常方便！

我们需要定义一个 llm_config 字典，它就像是发给 AI 的“聘书”。

import os

# 💡 飞哥提示：生产环境请使用环境变量，不要把 Key 硬编码在代码里！
# export DEEPSEEK_API_KEY="sk-..."
llm_config = {
    "model": "deepseek-chat",  # DeepSeek V3 (或使用 deepseek-coder)
    "api_key": os.environ.get("DEEPSEEK_API_KEY"),
    "base_url": "https://api.deepseek.com", # 关键：指向 DeepSeek 的服务器
}

4. 实战项目：全自动“行业研报生成团队” 🚀

我们要搭建一个包含 4 个 AI 的精英团队，完成一份关于“特斯拉股价”的研报。

4.1 团队架构图

AI 专家团

UserProxy\n管理员/执行者

GroupChatManager\n群聊主持人

Planner\n规划师

Data Fetcher\n情报员

Plotter\n绘图师

Analyst\n分析师

Writer\n主笔

Proofreader\n校对员

4.2 核心代码拆解

第一步：给 Data Fetcher 装备“武器” (联网搜索) 🔎

AI 自己是没法上网的，我们需要给它注册一个工具 (Tool)。

# 定义搜索函数
def search_web(query: str) -> str:
    from duckduckgo_search import DDGS
    with DDGS() as ddgs:
        results = list(ddgs.text(query, max_results=5))
        return str(results)
第二步：定义 Plotter (绘图专家) 🖌️

为了保证图表能稳定生成，我们定义一个专门的 generate_chart 函数，并交给 Plotter 使用。

def generate_chart(ticker: str) -> str:
    # ... (省略具体绘图代码，使用 matplotlib) ...
    return "Chart saved to coding/chart.png"

plotter = AssistantAgent(
    name="Plotter",
    system_message="你是绘图师。调用 generate_chart 画图。",
    llm_config=llm_config,
)
第三步：定义 Analyst (大脑) 🧠

Analyst 不再需要自己写代码画图，而是专注于分析。

analyst = AssistantAgent(
    name="Analyst",
    system_message="""你是资深金融分析师。
    根据 Data_Fetcher 提供的新闻和 Plotter 提供的图表数据摘要，进行深度分析。
    """,
    llm_config=llm_config,
)
第四步：组建群聊并开工 🗣️
# 拉群
groupchat = GroupChat(
    agents=[user_proxy, planner, fetcher, plotter, analyst, writer, proofreader],
    messages=[],
    max_round=20
)

4.3 完整代码 (Copy & Run) 📋

为了方便大家直接上手，我把上面的碎片代码整合成了一个完整的、可运行的脚本。
注意：这里配置了 DeepSeek API，并使用了 AutoGen 最新版 (v0.2+) 推荐的工具注册写法。

复制保存为 autogen_team.py，确保配置好环境变量 DEEPSEEK_API_KEY 后运行：

import os
import pandas as pd
import matplotlib.pyplot as plt
from autogen import AssistantAgent, UserProxyAgent, GroupChat, GroupChatManager, register_function
from duckduckgo_search import DDGS

# 1. 配置 LLM (DeepSeek)
llm_config = {
    "model": "deepseek-chat", 
    "api_key": os.environ.get("DEEPSEEK_API_KEY"),
    "base_url": "https://api.deepseek.com",
}

# 2. 定义工具函数
def search_web(query: str) -> str:
    """搜索互联网获取最新信息"""
    print(f"\n🔍 [搜索中] {query}...")
    with DDGS() as ddgs:
        results = list(ddgs.text(query, max_results=5))
        return str(results)

def generate_chart(ticker: str) -> str:
    """从 Stooq 获取数据并绘图"""
    print(f"\n🎨 [绘图] {ticker}...")
    try:
        # 使用 Stooq 数据源 (无需 Key)
        url = f"https://stooq.com/q/d/l/?s={ticker}.US&i=d"
        df = pd.read_csv(url, parse_dates=["Date"], index_col="Date")
        df = df.sort_index().tail(10) # 取最近10天
        
        # 确保工作目录存在
        work_dir = "coding"
        os.makedirs(work_dir, exist_ok=True)
        save_path = os.path.join(work_dir, "chart.png")

        plt.figure(figsize=(10, 6))
        plt.plot(df.index, df["Close"], marker="o")
        plt.title(f"{ticker} Stock Price")
        plt.grid(True)
        plt.savefig(save_path)
        plt.close()
        return f"Chart saved to {save_path}"
    except Exception as e:
        return f"Error: {e}"

# 3. 定义 Agents
user_proxy = UserProxyAgent(
    name="User_Proxy",
    human_input_mode="NEVER",
    max_consecutive_auto_reply=10,
    is_termination_msg=lambda x: x.get("content", "").rstrip().endswith("TERMINATE"),
    code_execution_config={"work_dir": "coding", "use_docker": False},
)

planner = AssistantAgent(
    name="Planner",
    system_message="你是任务规划师。指挥 Fetcher 搜新闻 -> Plotter 画图 -> Analyst 分析 -> Writer 写报告 -> Proofreader 校对。校对通过后回复 TERMINATE。",
    llm_config=llm_config,
)

fetcher = AssistantAgent(
    name="Data_Fetcher",
    system_message="你是情报员。调用 search_web 搜新闻。",
    llm_config=llm_config,
)

plotter = AssistantAgent(
    name="Plotter",
    system_message="你是绘图师。调用 generate_chart 画图。",
    llm_config=llm_config,
)

analyst = AssistantAgent(
    name="Analyst",
    system_message="你是分析师。根据新闻和图表数据进行深度分析。",
    llm_config=llm_config,
)

writer = AssistantAgent(
    name="Writer",
    system_message="你是主笔。撰写 Markdown 报告，必须插入图片 ![Chart](chart.png)。",
    llm_config=llm_config,
)

proofreader = AssistantAgent(
    name="Proofreader",
    system_message="你是校对员。检查 Markdown 格式和图片引用。合格回复“校对通过”。",
    llm_config=llm_config,
)

# 4. 注册工具
register_function(search_web, caller=fetcher, executor=user_proxy, name="search_web", description="Search news")
register_function(generate_chart, caller=plotter, executor=user_proxy, name="generate_chart", description="Draw chart")

# 5. 组建团队
groupchat = GroupChat(
    agents=[user_proxy, planner, fetcher, plotter, analyst, writer, proofreader],
    messages=[],
    max_round=20
)
manager = GroupChatManager(groupchat=groupchat, llm_config=llm_config)

# 6. 开始任务
print("🚀 AI 团队已就位...")
user_proxy.initiate_chat(
    manager,
    message="分析 Tesla (TSLA) 最近一周的股价趋势和新闻，生成图表和中文简报。"
)

4.4 运行效果预览 🎬

当你运行这段代码时，你会看到控制台里发生神奇的一幕：

  1. Planner 跳出来说：“我们要分三步走：先搜新闻，再画图，最后写报告。”
  2. Data Fetcher 说：“收到，我调用 search_web 搜到了以下 5 条新闻…”
  3. Plotter 说：“正在调用 generate_chart 生成图表。”
    • (UserProxy 默默在后台运行了代码，生成了 chart.png)
  4. Analyst 说：“新闻和图表我都有了，我认为…”
  5. Writer 说：“根据分析，我写好了这篇报告…”
  6. Proofreader 说：“校对通过，报告完美。”
  7. UserProxy：任务结束。

5. 避坑指南 (Best Practices) ⚠️

  1. 模型智商很重要：

    • AutoGen 极度依赖模型的指令遵循能力。
    • DeepSeek V3 在代码生成和逻辑推理上表现优异，而且网络访问稳定，不用担心连不上 OpenAI 的问题。
    • 尽量避免使用小参数模型（如 7B 以下），否则 Agent 经常会忘记调用工具。

  2. 无限循环死局：

    • 有时候两个 Agent 会互相客气：“你先请”，“不不你先请”。
    • 解决：在 System Message 里明确规定“终止条件”，比如“任务完成后回复 TERMINATE”。

  3. Docker 保护：

    • 因为 UserProxy 会真正在你的电脑上执行代码（包括删除文件！）。
    • 生产环境务必开启 use_docker: True，把它们关在沙箱里。

6. 飞哥总结 📝

LlamaIndex 让我们拥有了“最强大脑”（知识库），而 AutoGen 让我们拥有了“三头六臂”（执行团队）。

现在的你，已经不是一个人在写代码了。你是一个AI 军团的指挥官。

下期预告：
团队有了，但怎么保证他们按公司规定的 SOP（标准作业程序）干活，而不是乱发挥？
下周我们将进入 LangGraph 的世界，学习如何构建有状态、可控的工作流！

关注飞哥，带你从“写代码”进化到“设计智能体”！🚀

创作不易，记得👇关注飞哥👇 ，点赞、收藏哦~~，下篇见👋

# 人工智能
Logo
2048 AI社区

有“AI”的1024 = 2048，欢迎大家加入2048 AI社区

更多推荐

【trino-paimon】flink部署paimon元数据集成trino查询

摘要：为解决Iceberg元数据管理问题，尝试采用Flink的Paimon组件管理元数据。Paimon利用Flink的checkpoint机制延迟元数据入湖，降低维护成本。部署过程中需配置Flink环境，包括S3访问支持和Paimon插件安装。测试发现Paimon生成Iceberg元数据时，使用table-location模式Trino可读取数据，但REST Catalog因数据库指针无法自动更新

avatar 2048 AI社区
cover

从知识库到智能系统！为什么企业都在构建AI文档中台？

avatar 2048 AI社区
cover

从入门到越狱：揭秘LLM提示词注入的底层逻辑

avatar 2048 AI社区