1.前言
如https://github.com/microsoft/autogen所述，autogen是一多智能体的框架，属于微软旗下的产品。
依靠AutoGen我们可以快速构建出一个多智能体应用，以满足我们各种业务场景。
本文将以几个示例场景，使用AutoGen快速构建出多智能体应用，一起体验下它的具体用法。
2.环境说明
用到的工具如下：
- python，3.11
- AutoGen，0.4.2
- chainlit，2.0.2
- 大模型，deepseek
安装以下依赖
pip install -U “autogen-agentchat” “autogen-ext[openai]”
autogen的版本为0.4.2
用到的UI交互界面为Chainlit，安装chainlit命令为：
pip install chainlit
3.示例一，单智能体
应用场景：挂号导诊台机器人，输入症状描述和需求，输出应该挂号的科室。
代码如下：
import chainlit as cl
from autogen_agentchat.agents import AssistantAgent
from autogen_agentchat.teams import RoundRobinGroupChat
from autogen_ext.models.openai import OpenAIChatCompletionClient
@cl.on_chat_start
async def main():
await cl.Message(content="您好，这里是超级无敌大医院，有什么可以帮您？").send()
async def run_team(query: str):
model_client = OpenAIChatCompletionClient(model="deepseek-chat", base_url="https://api.deepseek.com",
api_key="PEPLACE-YOUR-API-KEY", model_info={
"vision": False,
"function_calling": False,
"json_output": True,
"family": "unknown",
}, )
assistant_agent = AssistantAgent("assistant", model_client=model_client,
system_message="你是一所口腔医院的导诊台机器人，负责解答用户的挂号问题，用户描述症状需求，你回答应该挂的科室。"
"在本医院中有以下科室：牙体牙髓科、口腔修复科、口腔外科、口腔种植科、儿童口腔专科。"
"如果用户的问题与挂号咨询不符合，回答：“您的描述与症状无关，暂不支持”")
team = RoundRobinGroupChat(participants=[assistant_agent], max_turns=1)
response_stream = team.run_stream(task=query)
async for msg in response_stream:
if hasattr(msg, "source") and msg.source != "user" and hasattr(msg, "content"):
msg = cl.Message(content=msg.content, author="Agent Team")
await msg.send()
@cl.on_message
async def main(message: cl.Message):
await run_team(message.content)
运行：
chainlit run .\nurses_station_ai.py -w
运行效果：
4.示例二，智能体与FunctionCall
示例应用场景：病情初诊机器人，输入症状描述，系统根据症状查询此患者的相关历史资料，如无则建议先进行资料预备，并推送至人工团队进行流程审核
4.1 示例流程
模拟流程图如下：
病情初诊机器人Agent根据用户描述的症状和对应的牙位号获取出对应的CT影像信息，如信息不足则主动向用户发起询问，或询问用户是否需要发起审批。
如信息已具备，则根据CT影像信息进行自动诊断，并将分析出结果展示给用户。
4.2 示例代码与演示
编写python文件：endodontics_dentistry_ai.py。代码如下：
import chainlit as cl
from autogen_agentchat.agents import AssistantAgent
from autogen_agentchat.teams import RoundRobinGroupChat
from autogen_ext.models.openai import OpenAIChatCompletionClient
@cl.password_auth_callback
def auth_callback(username: str, password: str):
if (username, password) == ("admin", "admin"):
return cl.User(
identifier="admin", metadata={"role": "admin", "provider": "credentials"}
)
elif (username, password) == ("puhaiyang", "123456"):
return cl.User(
identifier="puhaiyang", metadata={"role": "admin", "provider": "credentials"}
)
else:
return None
@cl.on_chat_start
async def main():
await cl.Message(content="您好，这里是牙体牙髓科，您牙齿哪里不适？").send()
async def x_p_search(tooth_position: str) -> str:
"""Find information on the web"""
app_user = cl.user_session.get("user")
print(f"模拟查询{app_user.identifier}的{tooth_position}牙片数据")
if tooth_position == "46":
return "牙根尖处有阴影，疑似感染，需要进一步分析诊断"
else:
return f"{tooth_position}无影像"
async def run_team(query: str):
model_client = OpenAIChatCompletionClient(model="deepseek-chat", base_url="https://api.deepseek.com",
api_key="PEPLACE-YOUR-API-KEY", model_info={
"vision": False,
"function_calling": True,
"json_output": True,
"family": "unknown",
}, )
assistant_agent = AssistantAgent("assistant", model_client=model_client, tools=[x_p_search],
system_message="你是一个牙体牙髓科的病情诊断机器人，负责对用户输入的症状描述分析原因，在分析病因前先询问出用户是具体哪一颗牙齿需要治疗。"
"在知道了具体的牙位号后，再调用x_p_search工具进行问题回答，传入给x_p_search工具的参数需要自动转为牙位号，如:28"
"如果用户的问题与病情咨询无关，回答：“您的描述与症状无关，暂不支持”")
team = RoundRobinGroupChat(participants=[assistant_agent], max_turns=1)
response_stream = team.run_stream(task=query)
async for msg in response_stream:
if hasattr(msg, "source") and (msg.type == "ToolCallExecutionEvent" or msg.type == "ToolCallRequestEvent"):
# functionCall事件消息不显示给用户
continue
if hasattr(msg, "source") and msg.source != "user" and hasattr(msg, "content"):
if msg.content.endswith("无影像"):
res = await cl.AskActionMessage(
content=f"{msg.content}，是否需要帮您申请拍摄此牙的CT影像？",
actions=[
cl.Action(name="continue", payload={"value": "申请"}, label="✅ 申请牙片"),
cl.Action(name="cancel", payload={"value": "取消"}, label="❌ 取消"),
],
).send()
if res and res.get("payload").get("value") == "申请":
await cl.Message(
content="牙片申请已提交!待审核通过后前往第3影像室进行拍摄。",
).send()
else:
msg = cl.Message(content=msg.content, author="Agent Team")
await msg.send()
@cl.on_message
async def main(message: cl.Message):
await run_team(message.content)
运行：
chainlit run .\endodontics_dentistry_ai.py -w
运行效果
4.3 chainlit认证配置
上面的示例代码中使用到了chainlit中的认证(Authentication)功能，并在代码中模拟了两个用户。
当首次访问智能体应用的界面时会弹出登录界面，以让我们先输入登录信息后才能使用此应用。
首次运行chainlit需要生成密钥
chainlit create-secret
之后在项目根目录创建 .env 文件，填入前面生成的secret信息，如：
CHAINLIT_AUTH_SECRET="WaElB8_~5Bif=~Yz,-y0d01~J-r$P_hoj3ihfCr_c2qwtv?J@>.7tEF.Tb9CE$*A"
5. 示例三，多智能体自动选择
此功能涉及到的技术点为Selector Group Chat。
示例应用场景：用户同一时间向多个不同科室的专家医生咨询问题，每轮向用户解答的医生都是问题相关度最高的科室医生
5.1 示例流程
如：牙体牙髓科AI、修复科AI、种植牙AI形成一个专家团队，用户向这个专家团队提问，专家团队每次派一个最专业的代表来解答问题。
5.2 示例代码与演示
编写python文件：dentistry_selector_ai.py。代码如下：
import chainlit as cl
from autogen_agentchat.agents import AssistantAgent
from autogen_agentchat.conditions import MaxMessageTermination, TextMentionTermination
from autogen_agentchat.teams import SelectorGroupChat
from autogen_ext.models.openai import OpenAIChatCompletionClient
model_client = OpenAIChatCompletionClient(model="deepseek-chat", base_url="https://api.deepseek.com",
api_key="PEPLACE-YOUR-API-KEY", model_info={
"vision": False,
"function_calling": True,
"json_output": True,
"family": "unknown",
}, )
planning_agent = AssistantAgent("PlanningAgent",
description="用于规划的Agent，当一个任务到达时此Agent是第一个参与者",
model_client=model_client,
system_message="""
你是一个任务规划智能体。
你的工作是将复杂的任务分解为更小的、可管理的子任务。
你的团队成员有3个，分别是：
DentalPulpAgent: 牙体牙髓科智能体
RestorativeAgent: 牙齿修复科智能体
DentalImplantAgent: 牙齿种植科智能体
你只计划和委派任务，而不自己执行它们
分配任务时，请使用此格式:
1. <agent> : <task>
当所有智能体把任务完成后，再总结结果以"TERMINATE"结束。
"""
)
dental_pulp_agent = AssistantAgent("DentalPulpAgent",
description="牙体牙髓科智能体",
model_client=model_client,
system_message="""
你是一个口腔医院的牙体牙髓科智能体。
你可以解答关于牙体牙髓科中患者提出的问题，你的解答非常专业，且可靠。
"""
)
restorative_agent = AssistantAgent("RestorativeAgent",
description="牙齿修复科智能体",
model_client=model_client,
system_message="""
你是一个口腔医院的牙齿修复科智能体。
你可以解答关于牙齿修复中患者提出的问题，比如牙冠、烤瓷牙、嵌体修复等。你的解答非常专业，且可靠。
"""
)
dental_implant_agent = AssistantAgent("DentalImplantAgent",
description="牙齿种植科智能体",
model_client=model_client,
system_message="""
你是一个口腔医院的牙齿种植科的智能体。
你可以解答关于牙齿种植科中患者提出的问题，你的解答非常专业，且可靠。
"""
)
@cl.on_chat_start
async def main():
await cl.Message(content="您好，这里是口腔医院专家团队，有什么可以帮您？").send()
async def run_team(query: str):
text_mention_termination = TextMentionTermination("TERMINATE")
max_messages_termination = MaxMessageTermination(max_messages=25)
termination = text_mention_termination | max_messages_termination
team = SelectorGroupChat(
[planning_agent, dental_pulp_agent, restorative_agent, dental_implant_agent],
model_client=model_client,
termination_condition=termination,
)
response_stream = team.run_stream(task=query)
async for msg in response_stream:
if hasattr(msg, "source") and msg.source != "user" and hasattr(msg, "content"):
msg = cl.Message(content=msg.content, author=msg.source)
await msg.send()
@cl.on_message
async def main(message: cl.Message):
await run_team(message.content)
运行：
chainlit run .\dentistry_selector_ai.py -w
分别提出问题：
什么是烤瓷牙？
什么是根管治疗？
从上面运行结果可知，当问到根管治疗相关问题时，会由DentalPulpAgent(牙体牙髓科智能体)来回答问题。
当问到烤瓷牙相关问题时，会由RestorativeAgent(牙齿修复科智能体)来回答问题。
之所以能做到自动切换智能体，其原因为在问题执行前会由任务规划智能体(PlanningAgent)进行预规划，由它根据问题的描述分配到对应的智能体。
6.AutoGen Studio工作流UI
前面几个示例都是用python代码的方式创建智能体，对于用户有一定的编码要求，且流程处理上也不够直观。
比较好的是AutoGen中也提供了与Dify类似UI界面操作的方式，即：AutoGen Studio。
安装时，直接使用如下命令安装：
pip install -U autogenstudio
启动时指定监听端口与运行目录，如：
autogenstudio ui --port 8081 --appdir autogenstuido_test
之后访问http://127.0.0.1:8081/，即可进入AutoGen Studio界面
使用时可以看到AutoGen Studio的一些功能上还有experimental标签，且功能支持度目前还不是很多
但从支持流程与节点编辑这些功能点来看还是非常棒的，待后续更新后再继续体验
![人工智能之深度学习_[5]-神经网络优化学习率衰减优化正则化方法](https://i-blog.csdnimg.cn/direct/50f46419acf044cdbc690660da6da449.png)
