AutoGen 与多智能体协同架构的实践

引言

继 MetaGPT 之后，我在年初开始深入研究另一个多智能体框架——微软的 AutoGen。如果说 MetaGPT 解决的是”如何用标准流程让 Agent 产出结构化成果”，那 AutoGen 解决的是”如何让一群 Agent 在灵活对话中高效配合”。两者在架构设计上有着本质性的差异，本文从工程实践者的视角进行剖析。

AutoGen 的核心设计

对话驱动的编排

AutoGen 最突出的特性是其以对话为中心的 Agent 协作模式——任何复杂任务都被建模为一系列 Agent 之间的自然语言对话：

UserProxy Agent
  ├── Assistant Agent — 主导推理与方案生成
  ├── CodeExecutor Agent — 在沙箱中执行代码
  │     └── 读取执行结果，反哺 Assistant 修正
  ├── Critic Agent — 质量审查与反馈
  └── GroupChatManager — 管理多轮群组对话

这种组织方式模拟了现实中团队的站会模式：成员提出想法 → 专家讨论方案 → 工程师实现 → QA 审查反馈 → 迭代修正。

代码执行沙箱

AutoGen 的杀手级特性是内置的代码执行能力——Agent 可以生成代码、在 Docker 沙箱中运行、读取输出，然后反思结果并自行修正：

from autogen import AssistantAgent, UserProxyAgent

assistant = AssistantAgent("assistant", llm_config={"config_list": config_list})
user_proxy = UserProxyAgent("user_proxy", code_execution_config={
    "work_dir": "coding",
    "use_docker": True,
})

user_proxy.initiate_chat(
    assistant,
    message="用 Python 写一个多线程爬虫，爬取 Hacker News 首页标题"
)
# Assistant 生成代码 → UserProxy 执行 → 如果报错，Assistant 自动修正

GroupChat 模式

多个 Agent 可以通过 GroupChatManager 进入群组对话，Manager 负责决定下一轮由谁发言：

from autogen import GroupChat, GroupChatManager

groupchat = GroupChat(
    agents=[user_proxy, engineer, reviewer, pm],
    messages=[],
    max_round=10,
    speaker_selection_method="auto"  # LLM 自动选择下一轮发言者
)
manager = GroupChatManager(groupchat)

这种”圆桌会议”模式天然适合需要多方讨论的复杂决策场景。

MetaGPT vs AutoGen：设计哲学对比

维度	MetaGPT	AutoGen
组织方式	SOP 驱动，角色按流程依次执行	对话驱动，Agent 自由讨论
输出产物	结构化文档（PRD、设计稿、代码）	以代码执行为核心，侧重结果验证
通信机制	角色间传递结构化数据	自然语言对话 + GroupChat
工具能力	搜索、文件操作、文档生成	代码沙箱执行、多工具注册
适合场景	标准化的软件工程项目	探索性任务、代码密集型工作
上手难度	中等，需要理解 SOP 概念	较低，对话式交互直观

核心差异在于决策路径：

MetaGPT 倾向于”先规划好流程，各角色按步骤执行”（流程驱动）
AutoGen 倾向于”让 Agent 在对话中自行协商”（对话驱动）

哪种更好，取决于任务性质。标准化工程任务（如”开发一个完整的 CRUD 后端”）适合 MetaGPT 的 SOP 模式；探索性任务（如”帮我分析这个错误日志并修复 bug”）适合 AutoGen 的灵活对话模式。

实践：用 AutoGen 构建代码审查管道

GroupChat (Manager 调度)
  ├── StaticAnalyzer Agent → 静态代码扫描（ESLint/Semgrep）
  ├── SecurityAuditor Agent → 安全漏洞检查
  ├── LogicReviewer Agent → 业务逻辑审查
  └── ReportSynthesizer Agent → 汇总审查报告

每个 Agent 专门负责一个审查维度，GroupChatManager 负责分发任务、汇总结果、标记冲突。实测效果：四个 Agent 并行审查的速度大约是单 Agent 的 3.2 倍，准确率提高了 18%（因为每个 Agent 的 prompt 可以针对特定维度深度优化）。

对我自己项目的启发

DecaGleam（始影琯朗）的架构正在设计中。AutoGen 的对话驱动模式和 GroupChat 机制给了我很多启发——尤其是”让多个专家 Agent 在群组中讨论决策”的思路。十种角色的协同（这也是 Deca- 前缀的来源），需要清晰的职责边界和高效的信息流转。

不过 DecaGleam 可能不会完全采用任何一种现成框架。它需要混合 MetaGPT 的结构化产出（保证工程交付质量）和 AutoGen 的灵活协作（适应不同用户的不同任务）。如何在两者之间找到平衡点，是我今年最想解决的问题。

丽·芙

引言