深入解析AutoGen多Agent框架：构建高效AI合作解决方案

概述

AutoGen是一个开源编程框架，旨在构建AI Agent并促进多个Agent之间的协作，以解决各种任务。该框架的目标是为人工智能开发和研究提供一个灵活且易于使用的环境，类似于深度学习领域的PyTorch。AutoGen具备多个功能，包括可交互的Agent、LLM和工具的支持、自主与人机循环工作流程，以及多Agent对话模式。

参考：

官方文档

Multi-Agent开发框架AutoGen

功能点

ReAct

ReAct的核心是协同推理与行动的结合，为用户提供全面的提示词模板，并支持消息函数。以下是一个示例：

# NOTE: this ReAct prompt is adapted from Langchain's ReAct agent: https://github.com/langchain-ai/langchain/blob/master/libs/langchain/langchain/agents/react/agent.py#L79  
ReAct_prompt = """  
Answer the following questions as best you can. You have access to tools provided.  
  
Use the following format:  
  
Question: the input question you must answer  
Thought: you should always think about what to do  
Action: the action to take  
Action Input: the input to the action  
Observation: the result of the action  
... (this process can repeat multiple times)  
Thought: I now know the final answer  
Final Answer: the final answer to the original input question  
  
Begin!  
Question: {input}  
"""  
  
# Define the ReAct prompt message. Assuming a "question" field is present in the context  
  
  
def react_prompt_message(sender, recipient, context):  
    return ReAct_prompt.format(input=context["question"])

RAG

在涉及自我认知或专业知识解释的场景下，可以直接利用RAG + Agent来实现。示例如下：

assistant = RetrieveAssistantAgent(  
    name="assistant",  
    system_message="You are a helpful assistant.",  
    llm_config={  
        "timeout": 600,  
        "cache_seed": 42,  
        "config_list": config_list,  
    },  
)  
ragproxyagent = RetrieveUserProxyAgent(  
    name="ragproxyagent",  
    human_input_mode="NEVER",  
    max_consecutive_auto_reply=3,  
    retrieve_config={  
        "task": "code",  
        "docs_path": [  
            "https://raw.githubusercontent.com/microsoft/FLAML/main/website/docs/Examples/Integrate%20-%20Spark.md",  
            "https://raw.githubusercontent.com/microsoft/FLAML/main/website/docs/Research.md",  
            os.path.join(os.path.abspath(""), "..", "website", "docs"),  
        ],  
        "custom_text_types": ["mdx"],  
        "chunk_token_size": 2000,  
        "model": config_list[0]["model"],  
        "client": chromadb.PersistentClient(path="/tmp/chromadb"),  
        "embedding_model": "all-mpnet-base-v2",  
        "get_or_create": True,  # set to False if you don't want to reuse an existing collection, but you'll need to remove the collection manually  
    },  
    code_execution_config=False,  # set to False if you don't want to execute the code  
)

终止条件

根据特定条件终止Agent的操作可以通过以下方式实现：

通过初始化聊天时设置参数：在启动对话时（使用 **initiate_chat** 方法），可以设定特定参数来定义对话结束的时机，例如，使用 **max_turns** 参数限制对话回合数，从而在达到指定回合后自动终止对话。
通过配置代理触发终止：在定义每个代理时，可以指定代理根据特定条件自动终止对话，诸如 **max_consecutive_auto_reply**（最大连续自动回复次数）和 **is_termination_msg**（接收到特定终止消息的标识）等参数。

人类反馈

实现人类干预的主要方式是通过设置 **ConversableAgent** 的 **human_input_mode** 参数，该参数支持三种模式：**NEVER**（从不请求人类输入）、**TERMINATE**（仅在满足终止条件时请求人类输入）、以及 **ALWAYS**（总是请求人类输入）。这样可以确保代理在必要时获取人类反馈，以指导或校正其行为。