基于 AutoGen 框架构建 AI Agent 实现自动化编程任务

方案 A：使用 Docker 容器执行

此方案会在后台启动一个临时容器运行代码，避免污染宿主环境。

import os
import autogen
from autogen import AssistantAgent, UserProxyAgent

# 配置 LLM
llm_config = {
    "model": "gpt-4-turbo",
    "api_key": "YOUR_API_KEY",
    "base_url": "https://api.openai.com/v1"
}

# 初始化 Docker 代码执行器
with autogen.coding.DockerCommandLineCodeExecutor(work_dir="coding_docker") as code_executor:
    # 创建助手 Agent
    assistant = AssistantAgent(
        name="assistant",
        llm_config=llm_config,
        system_message="You are a helpful AI assistant. You can write and execute Python code."
    )
    
    # 创建用户代理 Agent，绑定代码执行器
    user_proxy = UserProxyAgent(
        name="user_proxy",
        code_execution_config={"executor": code_executor},
        human_input_mode="NEVER"
    )
    
    # 发起对话
    user_proxy.initiate_chat(
        assistant,
        message="绘制 NVDA 和 TSLA 股价本年迄今变化图。将绘图保存到名为 plot.png 的文件中。"
    )

方案 B：使用本地环境执行

此方案直接在当前 Python 环境中运行代码，适合快速测试，但需注意依赖冲突风险。

import autogen
from autogen import AssistantAgent, UserProxyAgent

llm_config = {
    "model": "gpt-4-turbo",
    "api_key": "YOUR_API_KEY",
    "base_url": "https://api.openai.com/v1"
}

assistant = AssistantAgent("assistant", llm_config=llm_config)

user_proxy = UserProxyAgent(
    "user_proxy",
    code_execution_config={"executor": autogen.coding.LocalCommandLineCodeExecutor(work_dir="coding_local")}
)

user_proxy.initiate_chat(
    assistant,
    message="绘制 NVDA 和 TSLA 股价本年迄今变化图。将绘图保存到名为 plot.png 的文件中。"
)

3.4 执行流程分析

当代码开始执行后，Agent 会经历以下典型流程：

1. 任务理解：Assistant 解析用户指令，识别需要使用的库（如 yfinance 获取数据，matplotlib 绘图）。
2. 代码生成：Assistant 编写完整的 Python 脚本。
3. 代码执行：UserProxy 接收代码并在指定环境中运行。
4. 错误反馈：如果执行报错（例如缺少依赖包），Agent 会捕获异常信息。
5. 自我修正：Assistant 根据报错信息重新生成代码或添加安装命令（如 pip install yfinance）。
6. 迭代优化：重复上述过程直到任务成功完成。

在实际运行中，你可能会遇到类似'缺少依赖'的错误。AutoGen 的设计允许 Agent 自动尝试修复这些问题，体现了其自主解决问题的能力。

4. 高级功能与最佳实践

4.1 多智能体协作

AutoGen 支持多智能体（Multi-Agent）模式。你可以定义多个具有不同角色的 Agent，例如一个负责写代码，一个负责审查代码，另一个负责运行测试。这种协作模式更接近真实的软件开发团队。

# 示例：创建两个不同的 Agent
engineer = AssistantAgent("engineer", llm_config=llm_config)
reviewer = AssistantAgent("reviewer", llm_config=llm_config)

# 设置它们之间的对话逻辑
engineer.register_reply(reviewer, reply_func=...) 

4.2 安全性考量

在使用 AutoGen 执行代码时，安全性至关重要。建议始终在沙箱环境（如 Docker 容器）中运行生成的代码，防止恶意代码对宿主机造成损害。同时，限制 Agent 访问敏感网络资源或文件系统。

4.3 自定义工具

除了内置的代码执行能力，你还可以注册自定义工具函数供 Agent 调用。这允许 Agent 访问外部 API、查询数据库或操作特定业务逻辑。

@user_proxy.register_for_execution()
@assistant.register_for_llm(name="get_stock_price", description="Get stock price")
def get_stock_price(symbol: str) -> str:
    # 实现获取股价的逻辑
    return f"{symbol} current price is $100"

5. 常见问题排查

• 依赖缺失：Agent 可能会忘记安装某些库。确保在 requirements.txt 中预置常用库，或让 Agent 自行安装。
• API 限流：频繁调用大模型 API 可能触发限流。建议在代码中添加重试机制或降低并发频率。
• 上下文长度：长对话可能导致 Token 超限。定期总结对话历史或使用更高效的模型。

6. 总结

AutoGen 是一个强大的框架，它简化了 AI Agent 的开发流程，使得开发者能够通过简单的配置让大模型自主完成复杂的编程任务。通过 Docker 隔离、多智能体协作以及自定义工具扩展，AutoGen 能够满足从简单脚本自动化到复杂系统开发的各种需求。随着大模型技术的进步，AI Agent 将在软件工程、数据分析及业务自动化等领域发挥越来越重要的作用。