上一篇我们介绍了AutoGen中最基本的两个概念，Agent 和 Chat。如果您是第一次看到AutoGen这个词句，建议您返回我的逐步掌握最佳Ai Agents框架-AutoGen 一 – 掘金 (juejin.cn)文章，再继续本文的阅读。如果您也是和我一样，在学习了LangChain或开发了一些基于大模型的应用后，被AutoGen的多代理和自动chat功能所吸引，那欢迎大家点个赞，或分享给感兴趣的同学。
Agents回顾
AutoGen在Multi-agent Conversation Framework中设计了AssiantAgent、UserProxyAgent、GroupChatManager三个Agent, 并由ConversableAgent统一管理。
其中，AssiantAgent是助理，负责生成代码，执行任务等。UserProxyAgent是我们的代理，负责接受用户输入和指定，并将工作交给AssiantAgent来完成，user_proxy 还会自动的根据任务决定接下来的动作，比如执行某个函数等。
再来看个例子
我在最近的AIGC学习中，一直在白嫖Google的colab, 如果还没有用过的同学，建议去看看python notebook的用法，和体验下colab。这里就假设大家和一样打开了colab…
- 首先新建一个新的note book,命名为proxy_agent.ipynb
大家也可以点击我的colab，输入自己的api_key, 运行看效果 proxy_agent.ipynb – Colaboratory (google.com)
- 安装autogen 并引入成功
在图中的安装代码，有些小知识。
首先，package~=0.1.0表示安装package的版本应该是0.1.0或者0.1.x中的任何一个更高的版本，但不包括0.2.0。
其次，-q 是 --quiet 的简写，表示安静模式，即在安装过程中减少输出，只显示错误和警告。
最后， -U 是 --upgrade 的简写，表示如果已经安装了包，那么将其升级到最新版本。
- 配置API endpoint
endpoint是API的一个重要组成部分，它定义了API的具体功能和如何访问这些功能。比如我们使用什么大模型，以及api-key等。我这里只有gpt-3.5的key, 大家如果有gpt-4等，可以加在config_list里。
- 构建Agents
python复制代码# create a assistantAgent named assistant
assistant = autogen.AssistantAgent(
name="assistant",
llm_config=llm_config
)
#create a proxyAgent named user_proxy
user_proxy = autogen.UserProxyAgent(
name="user_proxy",
human_input_mode="TERMINATE", #用户输入模式是从命令行
max_consecutive_auto_reply=10, # 代理Agent会代替用户做执行，这里配置最大的连续自动proxy次数是 10
# `lambda`关键字在Python中用于创建匿名函数，也就是没有名字的函数。这个函数接受一个参数`x`，然后返回一个布尔值。检查`x`的"content"字段的值是否以"TERMINATE"结束
is_termination_msg=lambda x: x.get("content", "").rstrip().endswith("TERMINATE"),
# 工作目录设置为当前目录，不使用docker, 如果使用docker,agent就会在一个相对隔离的环境里运行
code_execution_config={"work_dir":".", "use_docker":"False"},
# 这个有点意思，感觉是我们在向代理agent授权。
system_message="Reply TERMINATE if the task has been solved at full satisfaction.Otherwise, reply CONTINUE, or the reason why the task is not solved yet."
)
建议大家仔细看看user_proxy的注释， 再往下走….
- 查看sample_data 目录并让user_proxy 开始工作
在上一步的code_execution_config配置中，我们把工作目录配置为当前目录。在colab这个云AI“虚拟机”中，当前目录下默认有一个sample_data，目录下有一些csv的数据文件等。
接下来，我们就是要让user_proxy 接受我们打印sample_data目录下文件的命令，并交由assistant来执行。user_proxy 检查任务完成情况，反馈给我们或继续问询assistant。有点意思，有了user_proxy, 包租公可以第天去找阿丽了….
DEMO 步骤
- 列出目录下的所有文件
python复制代码user_proxy.initiate_chat(
assistant,
message="""
List all the files in the sample_data folder
"""
)
代理agent 收到我们的任务message,以chat 的方式将任务交给助理agent去完成，多么的和谐。接下来，我们看下执行细节
- user_proxy 将任务交给assistant, 图中“to assistant”讲的很清楚。assistant在接收到任务后，生成了相应的python代码，即下图的list_files函数，调用os模块返回了相应目录下的文件，最后调用此函数，并打印。这种assistant之间聊聊天，自动执行完事的感觉太爽了。亲，别再抱怨AutoGen API换来换去，这不还只是0.1.0版本吗？怎么的，您现在就想上天啊？个人感觉比LangChain强太多，是面向未来的….
- USING AUTO REPLY… user_proxy 自动执行，调用了assistant返回的代码。user_proxy 告诉assistant任务成功了，可以退出。 最后我们得到了执行的结果。
- 在反馈输入框中输入exit 退出对话
总结
本结中，我们再次将assistant 和 proxy 两个agent 结合，完成了一个文件列表的例子。笔者在最近的学习和实践中有以下感觉：
- 对prompt工程的理解越来越深刻
当我们在原来的工作流中，刻意停下来，加入prompt 设计的时候，prompt就开始在发挥威力。就好像后端在需求，要先花时间设计数据库一样。我们现在做AI应用，将以前的很多功能交给prompt设计很重要，你会像我一样惊叹的发现，以前的大部份功能不需要再coding,prompt 一下交给大模型就能解决。目前，我学习中的很多后端功能，确实通过prompt，少写了很多代码。注意，是不怎么需要写代码，而不是copilot 帮我们生成代码，有点类似低代码，或无代码。
- AutoGen是框架
prompt + LLM 仍然是语义化或NPL化解决任务的方式，大模型可以换，目前我用的比较多的是OpenAI。AutoGen或LangChain是框架，帮我们将AI工作流快速，简单构建了起来。AutoGen比LangChain更先进的地方在于，它吸收了LangChain里Agent的概念，同时更自动，chat方式让agents的协同更拟人化。
参考资料
- AutoGen | AutoGen (microsoft.github.io)
- 五里墩茶社 关于AutoGen的视频，
最后，欢迎和我一样在学习LangChain和AutoGen。走向AI应用开发！！！！
