AutoGen零代码构建⾃⼰的智能助理

摘要：AutoGen官网上这张图非常有意思，让多个ChatGPTs协作完成复杂任务。大语言模型兴起的时候，大家都很兴奋，感觉AI很快就能在实际工作起到巨大的作用。但实际把类似ChatGPT这样的工具，嵌入到业务流程中时，才发现至少有两点不满意，“这不满意，那也不满意”。特有的应用场景，通用化工具是很满足的，AI Agent更大的灵活性和自动化能力，使之成为未来重要的研究方向。

• Autogen的基本概念

• AutoGen能做什么

• AutoGen的优势

• AutoGen的应用场景

• AutoGen的问题

01

—

Autogen的基本概念

AutoGen是微软推出的一个框架，它通过多个能够相互对话以解决任务的代理（agents），实现了LLM（Large Language Model）应用程序的开发。AutoGen代理具有可定制性、可对话性，并且能够无缝地允许人类参与。它们可以在采用LLM、人类输入和工具的各种模式下运行。

• 12月31日：AutoGen：通过多代理对话框架实现下一代LLM应用程序被TheSequence选为2023年我最喜欢的五篇AI论文之一。

• 11月8日：AutoGen在分拆后的35天内被选入Open100：前100个开源成就。

• 11月6日：Satya Nadella在大约13:20左右的一次炉边聊天中提到了AutoGen。

• 11月1日：AutoGen是GitHub在2023年10月的最热门仓库。

• 10月03日：AutoGen从FLAML中分拆并在GitHub上有了重大的论文更新（首次版本于8月16日发布）。

短短几个月在Github上已经获得了20多K的星星，可见大家对AutoGen的兴趣还是非常高的。

02

—

AutoGen能做什么

AutoGen使得基于多代理对话的下一代LLM（大型语言模型）应用程序能够以最小的工作量进行构建。它简化了复杂LLM工作流的编排、自动化和优化。它最大程度地提高了LLM模型的性能，并克服了它们的弱点。它支持复杂工作流的多样化对话模式。借助可定制和可对话的代理，开发人员可以使用AutoGen构建涉及对话自治、代理数量和代理对话拓扑的各种对话模式。它提供了一系列具有不同复杂性的工作系统。这些系统涵盖了各种领域和复杂性的广泛应用。这展示了AutoGen如何轻松支持多样化的对话模式。AutoGen提供了增强的LLM推理。它提供了API统一和缓存等实用工具，以及错误处理、多配置推理、上下文编程等高级使用模式。

AutoGen提供了两类Agent，AssistantAgent和UserProxyAgent，都继承了父类ConversableAgent。AssistantAgent配置了默认的系统消息。默认系统消息旨在使用LLM解决任务，包括建议Python代码块和进行调试。UserProxyAgent用户的代理，可以执行代码并向其他代理提供反馈。默认情况下，每次接收到消息时，代理都会提示用户输入。代码执行默认启用。默认情况下禁用基于LLM的自动回复。可以修改配置信息，自定义方法。GroupChat是一个比较有意思的方式，可以把多个Agent放到一个组里，让它们协同工作再对外输出，有点像公司组织架构的部门。

AutoGen Studio创建智能助理

AutoGen Studio是AutoGen的一个操作界面 ，通过可视化配置的方式 ，就可以创建自 己的代理 ，非常简单方便。

在准备好的python环境中安装 ，要求3.10或以上版本 ，然后启动 ，访问

http://127.0.0.1:8081/

启动速度还是相当快的 ，界面如下：

一级菜单有三个Build、 Playground、Gallery。Gallery是一个已发布的应用集合 ，不做 介绍。先看看Build

Skills是提供能给Agent调用的python代码 ，可以在创建Agent时配置 ，通过合适的 prompt由Agent决定是否调用；

Models配置大语言模型的信息 ，比较简单 ，按提示配置就好；

Agents配置代理信息；

Workflows有two agents和group chat两种 ，这里我选择了Demo的旅行计划 ，如果之 前有修改Model的配置信息 ，注意要把包含的Agents对应的Model修改一致；

到这里配置就完成了 ，接下来切换到Playground。

通过日志输出可以看到 ，primary_assistant扮演了一个私人助理的角色。

local_assistant相当于是一个当地导游的角色 ，开始给出计划。

language_assistant是语言助理 ，可能这个流程设置的时候就是为全球旅行吧。

primary_assistant开始结合上面local_assistant 和 language_assistant的输出总结计 划。

接下来好几轮都是都是primary_assistant在输出 ，但最终内容没有什么变化 ，这个过 程中始终没有看到group_chat_manager的输出。历时10分钟 ，最终输出计划。

这种AI的交互方式非常有意思 ，进一步降低了创建应用的门槛 ，使得越来越多的人不 需要编程的技能就能发布自己的应用。

还存在一些问题 ，输出一篇旅游计划要10分钟 ，这个效率大大低于直接用ChatGPT； 我这里是设置了不用等用户输入 human_input_mode=NEVER ，所以整个过程就是等就行了 ，过程是动态的 ，试了几次 ，每次流程都不一样 ，输出也不一样。所以要达到  生产要求 ，还有很多事情要做。

这个问题输入到普通的chatgpt里面，出来的结果差别不大。

其实这个案例相对简单，并没有发挥多智能代理的能力，我这边再举一个具体的例子来说明，可能会比较详细一点，例如你直接问比亚迪股票2023下半年最近的价格趋势是？能用图形化展示吗？股票趋势受哪些因素的影响？当问这个问题的时候，目前的chatgpt是回答不出来的，因为它没有相关的知识，那么如果要回答这个问题，

第一、它能够知道去哪里获取比亚迪股票的数据？即上网检索数据，爬取数据，即上网检索数据和写代码获取数据的能力。‍‍‍‍

第二步将获取的数据写python 代码，图形化展示。写代码展示数据的能力。

第三步上网检索影响股票因素的新闻，并抽取新闻内容。即上网检索数据的能力，和抽取新闻，总结内容的能力。

如果将这三步的上网检索内容、检索数据、写代码的能力、以及抽取新闻、总结新闻的能力配置到它的skill里面，类似是低代码的方式，它的s kell就是AIGC所拥有的基本能力，通过多个能力的排列组合完成一个复杂的任务，即通过配置基本的skill能力和语言问题完成复杂的功能。这个和我们常见的低代码是否类似，不过这种低代码不是图形化的，而是语言类型的低代码。

说一个相对比较容易理解的方式，就是这个工具提供的一个配置基本能力的框架，以及组合流水线的方式，当你设计好一款产品例如汽车，也设计好安装的基本流程（各种基本能力执行的顺序），那么按照顺序执行（顺序组装零件）、就可以生产一辆汽车了（就可以得到你想要的结果了），这样比如是不是好理解一些了，大家可以尝试一下。‍

03

—

AutoGen的优势

对比LangChain中Chain和单个Agent的概念，AutoGen能简单实现自然语言的对话驱动控制，允许代理拓扑根据不同输入问题实例下的实际会话流程而改变，这在复杂的无法预测的业务场景非常有用。如果我希望做一个旅行计划，具体的时间可能会受航班或者交通情况等影响，Agent可以帮我先查询具体的信息后再做决定。

AutoGen的优势可以从其在自动化、代码生成与执行、面向任务三个方面的应用能力来概括：

1.自动化：

·任务代理：AutoGen允许用户通过代理颁布任务，它能理解任务需要并将其分解成合理的步骤。

·参数设置：用户可以通过精细的参数设置来指导AutoGen如何执行任务，实现高度定制化的自动化流程。

·全程自动化：通过设定参数后，AutoGen能够执行全自动化流程，用户无需参与其中的任何步骤，实现“一键式”操作。

·代理助手：生成的代理助手和用户代理可以协同工作，分步骤地完成复杂任务，提高了任务的执行效率。

2.代码生成与执行：

·快速原型创建：AutoGen能够基于用户需求快速生成代码，这对于需要迅速构建原型的开发者极为有用。

·功能具体实现：不仅仅是原型，AutoGen还能针对具体的功能和需求生成可执行的代码。

内置Python解释器：因为AutoGen内置了Python解释器，它可以直接执行生成的Python代码，省去了在其他环境中部署代码的需要。

3.面向任务：

·任务专注：AutoGen的设计初衷是为了高效地完成特定任务，这使得它在执行任务时比通用的编程方式更加高效。

·用例特化性能：由于AutoGen对特定任务有更深入的专注，它能够在这些用例中提供更优化和更合适的性能表现。

AutoGen能够提供从代码生成到任务执行的全方位自动化解决方案，尤其是在需要快速迭代和应对复杂任务的环境中表现出色。它的自动化、代码即时执行和面向任务的设计，让它成为现代软件开发中富有价值的工具，使得开发工作变得更加高效、精确和可控。

04

—

AutoGen的应用场景

AutoGen的能力可以被应用于非常广泛的领域，不仅限于传统的软件和数据科学类项目，还可以扩展到工业自动化、教育、游戏开发、健康医疗等多个行业。下面是一些具体应用领域的介绍：

软件工程：

在软件开发方面，AutoGen可以自动生成和执行代码，加快开发过程，减少bug率。它也可以用于自动化测试，快速找出现有代码的缺陷，并提供解决方案。

数据分析与数据科学：

AutoGen可以用于构建数据分析管道，包括数据预处理、模型训练和结果分析。自动选择最佳算法和参数调整，增强模型性能，并缩短项目周期。

机器学习与人工智能：

在机器学习领域，AutoGen能够自动化构建和调优机器学习模型，这对于非专业人士来说非常有价值，因为它降低了进入门槛。

供应链管理：

AutoGen可以应用于供应链优化问题，自动分析和优化库存管理、物流规划和需求预测等关键流程。

游戏开发：

对于游戏行业，AutoGen能够帮助开发者自动化生成游戏代码、协助设计AI行为，并能够自动进行游戏测试。

教育：

在教育领域，AutoGen可以自动生成教学材料、习题和测验，以及利用智能代理来进行个性化教学，改善学习体验。

健康医疗：

AutoGen能够帮助研究人员和临床医生分析医疗数据，自动生成诊断报告、治疗建议，甚至辅助药物发现和基因组分析。

多行业协作：

在设计和规划领域，AutoGen可以协助多个代理协同工作，如在建筑和城市规划中，代理可以帮助自动解决复杂的规划难题。

互联网技术：

AutoGen还可以融入Web技术中，用于自动化网页内容创建，进行信息的自动化检索和分析，并结合社交媒体数据进行市场分析。

客户支持与服务：

在客户服务领域，AutoGen能够生成自动响应机器人，基于用户输入提供定制化的帮助和支持。

通过这些领域的应用，AutoGen不仅仅是简化了各行各业的操作流程，更是以其自适应和高效能力赋予了这些行业发展和创新的新动力。

05

—

AutoGen的问题

1.针对特定场景设计的框架，跟LangChain对比，显得应用范围比较窄，框架没有支持的能力，用起来就比较费劲了。

2.依赖用户输入，完全自动化可能效果不可控，用户输入很重要，但是给出好的提示词也不是一件简单的事。

3.Agent的底层也是大模型的推理，会跟大模型频繁交互，而且AutoGen默认还是用GPT4，费用是个比较头疼的问题。

欢迎加入【数据行业交流群】社群，长按以下二维码加入专业微信群，商务合作加微信备注商务合作

往期历史热门文章：