AutoGen 多智能体协作框架实战：GroupChatManager 使用详解

注意：work_dir 用于存储代码执行产生的文件，务必确保该目录存在且权限正确。

2. 助理代理 (AssistantAgents)

定义具体的业务角色，通过 system_message 约束其行为。

# 编码助理
coder = autogen.AssistantAgent(
    name="Coder",
    llm_config=llm_config,
    system_message="You are a coding expert. Write clean and efficient code."
)

# 产品助理
pm = autogen.AssistantAgent(
    name="Product_manager",
    system_message="Creative in product ideas. Focus on content quality and user experience.",
    llm_config=llm_config
)

初始化 GroupChat 与 Manager

GroupChat 是管理多个 Agent 对话的核心容器，而 GroupChatManager 则是群聊的调度者。

# 创建群聊对象
# agents: 参与群聊的所有代理
# messages: 初始消息历史
# max_round: 最大对话轮次，防止无限循环
groupchat = autogen.GroupChat(
    agents=[user_proxy, coder, pm], 
    messages=[], 
    max_round=12
)

# 创建群聊管理器
manager = autogen.GroupChatManager(
    groupchat=groupchat, 
    llm_config=llm_config
)

在此架构中，manager 充当会议主持人，决定下一个发言者是谁。这比直接让 UserProxy 与单个 Assistant 对话更灵活，能够根据上下文动态分配任务给最合适的角色。

任务执行：新闻稿生成实战

为了演示群聊能力，我们设定一个具体任务：查询 Yahoo 财经新闻，抓取内容，并由 PM 助理生成一篇博客文章。

1. 发起会话

不同于单聊，这里将 manager 作为第一个参数传入。

user_proxy.initiate_chat(
    manager, 
    message="Query finance news on yahoo.com, random pick one, scrap the article content, and form a post for writing a blog"
)

2. 执行流程解析

当会话启动后，系统内部会经历以下流转过程：

1. 任务分发：UserProxy 向 GroupChatManager 发送指令。
2. 方案制定：Coder 分析任务，提出技术可行性方案（例如分四步：搜索链接、获取内容、清洗数据、生成文本）。
3. 代码执行：UserProxy 执行 Coder 生成的 Python 代码（需安装 requests, beautifulsoup4 等库）。
4. 内容反馈：UserProxy 将执行结果返回给 Manager。
5. 文案创作：PM 助理根据获取到的新闻内容，撰写最终的博客草稿。

3. 代码示例补充

在实际运行中，Coder 可能会生成如下代码片段来获取新闻：

import requests
from bs4 import BeautifulSoup
import random

def fetch_news():
    url = "https://finance.yahoo.com/"
    response = requests.get(url)
    soup = BeautifulSoup(response.text, 'html.parser')
    # 此处仅为示意，实际需根据网页结构选择正确的标签
    articles = soup.find_all('div', class_='news-item')
    if articles:
        return random.choice(articles).text
    return "No news found"

print(fetch_news())

高级配置与最佳实践

1. 发言人选择策略

GroupChat 支持不同的发言人选择方法，可通过 speaker_selection_method 参数配置：

• 'auto': 默认模式，由 LLM 根据上下文判断谁应该发言。
• 'manual': 需要人工干预选择。
• 'round_robin': 轮流发言。

groupchat = autogen.GroupChat(
    agents=[...],
    speaker_selection_method='auto'
)

2. 错误处理与稳定性

在多轮对话中，LLM 可能产生幻觉或代码报错。建议采取以下措施：

• 限制轮次：设置合理的 max_round，避免死循环。
• 重试机制：在代码执行失败时，允许 Agent 尝试修正代码。
• 日志记录：开启详细日志以便调试对话流程。

3. 安全性考量

由于 UserProxy 具备代码执行能力，在生产环境中使用时需注意：

• 隔离执行环境（如使用 Docker 容器）。
• 限制网络访问权限。
• 避免执行敏感操作（如删除文件、修改数据库）。

总结

通过本文的实践，我们掌握了 AutoGen 中 GroupChat 和 GroupChatManager 的核心用法。相比单 Agent 模式，多智能体协作能够更清晰地划分职责，提高复杂任务的完成质量。

• 角色分工明确：通过系统消息定义不同 Agent 的专业领域。
• 自动化程度高：结合 UserProxy 的代码执行能力，实现端到端自动化。
• 扩展性强：可根据需求轻松增加新的 Agent 角色。

掌握这一模式，将为构建企业级 AI 应用打下坚实基础。后续可进一步探索基于 LangChain 或其他框架的集成方案，以应对更复杂的业务场景。