Prompt工程之Autogen 2）核心组件详解

Prompt工程之Autogen 2）核心组件详解

Autogen 的强大功能来自其“智能体（Agent）+ 协作机制”的设计理念。本章将深入介绍 Autogen 的五大核心组件：AssistantAgent、UserProxyAgent、CodeExecutorAgent、HumanAgent 和 GroupChatManager，并提供动手示例帮助你快速理解。

2.1 AssistantAgent：GPT 驱动的智能助手

AssistantAgent 是最基本的智能体类型，通常用于代表 GPT 模型，生成文本、代码或执行任务建议。

示例：

from autogen import AssistantAgent

assistant = AssistantAgent(name="assistant")

你可以通过 name 参数指定代理名称，在多 Agent 系统中有助于标识角色身份。

2.2 UserProxyAgent：可控的用户代理

UserProxyAgent 是一个“用户行为模拟器”，用于代表用户与其他智能体进行互动。它通常被用来：

• 作为系统的“发起者”；
• 接收其他 Agent 的消息；
• 控制对话流程，插入人类反馈。

示例：

from autogen import UserProxyAgent

user = UserProxyAgent(name="user_proxy")

你可以通过 user.initiate_chat(...) 主动发起对话：

user.initiate_chat(assistant, message="帮我写一个快速排序示例")

2.3 CodeExecutorAgent：自动代码执行与反馈

如果你的任务涉及自动编程、运行脚本、数据处理等，CodeExecutorAgent 是必不可少的组件。它会：

• 接收生成的代码；
• 在本地沙盒环境中执行；
• 将输出结果发送回对话中。

示例：

from autogen import CodeExecutorAgent

executor = CodeExecutorAgent(name="code_executor")

这个代理可以被其他 Agent 调用，例如：

assistant.send(executor, "请运行以下代码并告诉我结果：\nprint(2 + 2)")

⚠️ 默认 CodeExecutor 是开启的，但可配置执行沙箱路径、日志路径等参数来控制安全性。

2.4 HumanAgent：引入人类参与

HumanAgent 是为了将真实人类纳入对话流程而设计的组件。当系统遇到不确定情形时，可以通过 HumanAgent 请求人类指令，实现“人类在环（human-in-the-loop）”。

示例：

from autogen import HumanAgent

human = HumanAgent(name="real_user")

💡 默认情况下，HumanAgent 会在控制台等待人类输入，适合需要人工审批或干预的任务流程。

2.5 GroupChatManager：智能体间的对话协调器

当你使用多个 Agent 时，需要一个机制管理他们之间的通信和流程。GroupChatManager 就是这样一个“调度器”，它支持：

• 多 Agent 轮流发言
• 控制中止条件
• 记录与回放对话历史

示例：

from autogen import GroupChat, GroupChatManager

groupchat = GroupChat(agents=[user, assistant, executor], messages=[])
manager = GroupChatManager(groupchat=groupchat, llm_config=False)

user.initiate_chat(manager, message="请写一个冒泡排序并执行")

🧠 在这个示例中，UserProxyAgent 发起会话，AssistantAgent 编写代码，CodeExecutorAgent 执行它，整个过程由 GroupChatManager 协调完成。

小贴士：LLMConfig 的配置技巧

每个 Agent 都可以传入 llm_config 参数，用于配置 OpenAI API、模型温度、系统 prompt 等。例如：

llm_config = {
    "config_list": [
        {
            "model": "gpt-4",
            "api_key": "your-api-key",
        }
    ],
    "temperature": 0.2,
}

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

你可以通过不同的 llm_config 为每个 Agent 设定独立“人格”。

2.6 总结：各 Agent 的职责一览表

2.7 练习区：创建你自己的三智能体系统

目标：创建一个系统，完成以下任务流程：

1. 用户代理提问
2. 助手机器人生成代码
3. 代码执行器运行代码并反馈结果

示例代码：

from autogen import AssistantAgent, UserProxyAgent, CodeExecutorAgent, GroupChat, GroupChatManager

assistant = AssistantAgent(name="assistant")
user = UserProxyAgent(name="user")
executor = CodeExecutorAgent(name="executor")

groupchat = GroupChat(agents=[user, assistant, executor], messages=[])
manager = GroupChatManager(groupchat=groupchat)

user.initiate_chat(manager, message="写一个函数求 1 到 100 的和，并运行它")

本章小结

Autogen 通过模块化的智能体设计，提供了极强的扩展性与控制力。从文本生成到代码执行，从自动流程到人类插入，每种 Agent 都承担着清晰的职责。