介绍基于微软开源框架 AutoGen 构建软件开发团队智能体的方案。通过 AssistantAgent 和 UserProxyAgent 实现产品经理、工程师、审查员和用户代理的多角色协作。采用 RoundRobinGroupChat 模式按固定顺序轮询执行需求分析、编码、审查及测试流程。文章涵盖框架分层设计、核心组件职责、模型配置及运行方式，并分析了对话式建模的优势与 LLM 不确定性带来的局限性。
AutoGen（全称 AutoGen - Multi-Agent Conversation Framework）是微软开源的多智能体对话框架，用于构建基于大语言模型（LLM）的协作式应用。支持多个智能体通过对话协作，可配置人机参与方式与发言顺序，与 OpenAI 及兼容 API 集成良好。本案例基于 AutoGen GroupChat 的「群聊 + 管理器」模式，实现需求分析 → 编码 → 代码审查 → 用户测试的固定顺序轮询协作。
新架构最显著的变化是清晰的分层和异步优先的设计理念。
智能体是执行任务的基本单元，在 0.7.4 及新版本中设计更加专注和模块化。
| 组件 | 说明 |
|---|---|
| AssistantAgent（助理智能体） | 任务的主要解决者，封装 LLM，根据对话历史生成回复（如提出计划、撰写文章或编写代码）。通过不同的**系统提示词（System Message）**可赋予不同「专家」角色。 |
| UserProxyAgent（用户代理智能体） | 兼具双重角色：作为人类用户的「代言人」发起任务、传达意图；作为「执行器」可配置为执行代码或调用工具，并将结果反馈给其他智能体。清晰区分「思考」（由 AssistantAgent 完成）与「行动」。 |
多智能体协作需要协调对话流程。早期版本由 GroupChatManager 承担；新架构引入更灵活的 Team / 群聊 概念，例如 RoundRobinGroupChat。
RoundRobinGroupChat 实例，将所有参与智能体加入。本案例演示如何用 AutoGen（autogen.agentchat）构建一个轮询协作的软件开发流水线：
默认任务为「比特币价格显示应用」（Streamlit + 实时价格与涨跌），可替换为任意开发需求描述。
本案例采用 AutoGen GroupChat 的「群聊 + 管理器」模式（与 1.3 节 RoundRobinGroupChat 的轮询理念一致），按组件职责划分如下，不单独抽象框架分层：
| 组件 | 职责 | 实现 |
|---|---|---|
| 编排层 | 创建智能体、配置群聊与终止逻辑、启动对话 | software_team_agent.py：run_software_development_team() |
| 智能体层 | 四类角色：产品经理、工程师、代码审查员、用户代理 | agents.py：AssistantAgent × 3 + UserProxyAgent × 1 |
| 模型配置层 | 从环境变量生成 LLM 配置，供 AutoGen 使用 | model_client.py：get_llm_config() |
run_software_development_team(task=DEFAULT_TASK) 或对外暴露的 run(task=...)。get_llm_config() 得到 llm_config（API Key、Base URL、模型 ID、temperature）。agents.py 中的工厂函数创建四名智能体：ProductManager、Engineer、CodeReviewer、UserProxy。GroupChat(agents, messages=[], max_round=20, speaker_selection_method="round_robin")。GroupChatManager(groupchat, llm_config, is_termination_msg=_is_terminate) 作为「下一个发言人」的决策者（本案例中轮询由 round_robin 固定顺序体现）。user_proxy.initiate_chat(manager, message=task) 以用户代理发起对话，将 task 作为首条消息传入群聊。_is_terminate(msg) 检查消息内容中是否包含字符串 TERMINATE（大小写不敏感），用于用户代理在测试通过后结束协作。四名智能体均来自 autogen.agentchat：
| 角色 | 类型 | 职责与系统提示词要点 |
|---|---|---|
| ProductManager | AssistantAgent | 需求分析、功能模块划分、技术选型、优先级与验收标准；完成后说「请工程师开始实现」。 |
| Engineer | AssistantAgent | 根据需求编写完整可运行代码（Python/Streamlit 等），带注释与错误处理；完成后说「请代码审查员检查」。 |
| CodeReviewer | AssistantAgent | 代码质量、安全性、最佳实践、错误处理审查；提供修改建议；完成后说「代码审查完成，请用户代理测试」。 |
| UserProxy | UserProxyAgent | 代表用户提出需求、验证结果、给出反馈；human_input_mode="ALWAYS" 表示每轮需用户输入；code_execution_config=False 不执行代码；在确认通过后输入 TERMINATE。 |
所有 AssistantAgent 共用同一套 llm_config；UserProxy 不调用 LLM，仅转发用户输入并参与轮询。
model_client.py。get_llm_config() 从环境变量读取 LLM_API_KEY（或 OPENAI_API_KEY）、LLM_BASE_URL（或 OPENAI_API_BASE）、LLM_MODEL_ID（默认 gpt-4o），通过 autogen.oai.openai_utils.get_config_list 生成 config_list，并返回包含 config_list、model、temperature 的字典，供 AssistantAgent 与 GroupChatManager 使用。用户 / UserProxy 发起任务 (task) ↓ GroupChatManager 按 round_robin 选择下一个发言人 ↓ ProductManager → 需求分析，输出「请工程师开始实现」 ↓ Engineer → 输出代码与说明，输出「请代码审查员检查」 ↓ CodeReviewer → 输出审查意见，输出「请用户代理测试」 ↓ UserProxy → 等待用户输入（确认或反馈） ↓ 若用户输入包含 TERMINATE → 结束；否则继续轮询，直至 max_round 或再次 TERMINATE
发言顺序由 speaker_selection_method="round_robin" 与智能体在 GroupChat.agents 中的顺序共同决定，因此会按 ProductManager → Engineer → CodeReviewer → UserProxy 循环。
| 维度 | 软件开发团队 Agent | 三国狼人杀 Agent |
|---|---|---|
| 框架 | AutoGen GroupChat + GroupChatManager | 自研 MsgHub + fanout_pipeline（仅参考 AgentScope 架构思想，未直接依赖 AgentScope 框架） |
| 流程驱动 | 轮询 + 终止词（TERMINATE） | 消息驱动的阶段编排（夜晚/白天） |
| 角色 | 4 个固定角色，顺序轮询 | N 个玩家 + 主持人，按阶段选择参与方 |
| 输出约束 | 无结构化输出，依赖提示词中的自然语言约定 | Pydantic 结构化输出约束各阶段行为 |
| 用户参与 | UserProxy 每轮需人工输入 | 可无人参与，纯多智能体推演 |
# 在项目根目录
python -m src.scripts.run_software_team
# 或
python src/scripts/run_software_team.py
运行后会提示输入开发任务（直接回车则使用默认「比特币价格显示应用」）；每轮 UserProxy 发言时会等待用户在控制台输入，确认通过时输入 TERMINATE 结束。
需在 .env 中配置 LLM_API_KEY（或 OPENAI_API_KEY）、LLM_BASE_URL（或 OPENAI_API_BASE）、LLM_MODEL_ID。
src/core/agent/software_team_agent/
├── __init__.py # 包导出（通常暴露 run）
├── software_team_agent.py # 编排：GroupChat、GroupChatManager、run、_is_terminate、DEFAULT_TASK
├── agents.py # 四角色：create_product_manager / create_engineer / create_code_reviewer / create_user_proxy
└── model_client.py # get_llm_config()，依赖 autogen.oai.openai_utils
src/scripts/
└── run_software_team.py # 独立运行脚本，调用 core.agent.software_team_agent.run
autogen.agentchat API）：GroupChat、GroupChatManager、AssistantAgent、UserProxyAgent。任何技术框架都有其适用场景与设计权衡。以下从本案例出发，客观分析 AutoGen 的核心优势及在实际应用中可能面临的局限与挑战。
get_config_list、环境变量等与项目内其他 LLM 调用方式统一，便于维护与接入。autogen.agentchat 时，框架升级需关注 API 迁移与兼容性。
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
解析常见 curl 参数并生成 fetch、axios、PHP curl 或 Python requests 示例代码。 在线工具，curl 转代码在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online
将 Markdown（GFM）转为 HTML 片段，浏览器内 marked 解析；与 HTML 转 Markdown 互为补充。 在线工具，Markdown 转 HTML在线工具，online