从LangChain使用Agent的懵懵懂懂，到AutoGen的”放肆”Agents,这周的学习和写作实在太幸福了。假如您是第一次接触AugoGen,请先要查看AutoGen官方文档，或翻阅AutoGen系列的前几篇。
前言
在前面几篇文章中，我们一起入门了AutoGen, 了解了Assistant和UserProxyAssistant 两个agent 间的chat协作模式，并结合案例，观察了执行流程。
这篇文章， 我们一起来玩一下GroupChat和GroupManager这两个群聊的功能。一想想，就有点小激动，安排各种agent, 相互聊天，就代替人类把活给干完了。程序员只需要使用GroupChat 或 GroupManager把agents组织起来，就可以”八仙过海”，就可以”复仇者联盟了”…
任务：使用群聊功能来实现新闻稿
-
何为GroupChatManager
很显然啊，在之前例子中，我们使用proxy和assistant一起工作较为简单。如果需求比较复杂，或需要复用或模块化，应该就是GruopChat上场的时候了。
边coding, 边了解
一起打开colab吧，新建一个notebook。经过几篇文章的学习，大家会发现AutoGen的开发流程基本是一致的。
- 安装autogen
python复制代码# autogen 还在早期， 所以您跑代码的时候，可能API更新了，就请看官方文档
%pip install pyautogen~=0.1.0 -q -U
- 配置LLM config
python复制代码import autogen
# 大家可以使用gpt-4 或其它，我这里用的是3.5, 还能用。
config_list = [ { 'model': 'gpt-3.5-turbo', 'api_key': '' } ]
llm_config={
"seed": 42, #为缓存做的配置
"config_list": config_list
}
- 构建Agents
先构建一个用户代理agent，负责接收用户的指令。注意，这里的work_dir和之前不一样，也是引出今天GroupChat的关键。系统消息指定为A human admin
python复制代码# 用户代理agent
user_proxy = autogen.UserProxyAgent(
name="User_proxy", # agent的标识符
system_message="A human admin.", # 系统消息是用户给代理的角色
code_execution_config={"last_n_messages":2, "work_dir":"groupchat"}, # 工作目录设置为groupchat
human_input_mode="NEVER"
)
python复制代码# 助理agent
coder = autogen.AssistantAgent(
name="Coder",
llm_config=llm_config,
)
pm = autogen.AssistantAgent(
name="Product manager",
system_message="Creative in product ideas.",
llm_config=llm_config,
)
在上面的assistant agent中， 我们构建了两个Assistant， 神仙打架的感觉好像要出来了，激动。
之前看《构建你自己的西部世界——AI小镇搭建实战》感觉不可思议，现在AutoGen直接摆到桌面上了，这么和LangChain一比， 不愧是下一代的AI应用框架。
python复制代码# GroupChatManager
groupchat = autogen.GroupChat(agents=[user_proxy,coder, pm], messages=[],max_round=12) # 群聊 最大的chat轮次12次
manager = autogen.GroupChatManager(groupchat=groupchat, llm_config=llm_config) #管理员，可以与之交互
好吧，一个AutoGen, 把一个项目工程安排的明明白白。boss, pm, 工程师，一起开会， 主持会议的是GroupChat, 会中声明，manager是本项目的管管。特别喜欢AutoGen这种拟人化的API和开发风格，LangChain还是代码味太重，自然语义少了些….
在这里，我们先为agents 构建部分做一个小结。
user_proxy: acts as a human admin, 代理用户,充当人类管理员
coder assistant 负责编码工作
pm assistant 以产品经理的角色出现，通过”Creative in product ideas”系统消息，期望它在产品的想法上提出创意，同时负责以合适的方式回复用户的提问。
- 发起群聊会话
相比之前的简单例子，user_proxy初始对话的第一个参数由assistant变为manager。用户下达给代理agent的任务是查看yahoo.com 上的最新新闻，随机选择一条，根据内容，aigc 生成一篇文章
python复制代码user_proxy.initiate_chat(manager,
message="Query finance news on yahoo.com, random pick one, scrap the article content, and form a post for writing a blog")
根据上一个例子的经验，coder assistant 需要做为agent生成访问yahoo 财经新闻的代码，并获取一篇文章的链接，继而进入这个链接，根据内容生成一篇文章。pm assistant在这个chat group里做点什么呢？ 我们一起来看输出吧
- chat 输出，重点看多个agents之间是怎么交流的
首先，User_proxy 会向chat_manager发出用户提出的任务，它就是个管家，活还是要派给长工去干的
接着corder assistant 真的像我在项目会议里表达这个需求技术可行性方案如何一样，提出需要四步完成这个任务。
再接着，User_proxy拿到coder assistant生成的代码后，执行（UserProxyAssistant是可以执行函数的）。
紧接着，coder告诉chat_manager,它会根据第二步，随机选择链接的需求，来生成代码，并交给User_proxy执行了。下面会有一个fetch_artile_content函数，这个函数就通过http请求(requests)，获取网页内容(BeautifulSoup)。代码将会根据，随机的一条金融新闻，并得到它的标题和内容。
在这里，我们的任务就完成了。感觉这个PM assistant 来的有点太突然，但其实，它可以让agent的角色更细分，coder assistant 就负责代码， pm assistant负责写文案。角色的细化，在大型项目中是非常有必要的。
总结
经过今天这个任务，我们用起了GroupChatManager。boss, pm, coder一齐出现的感觉太nice了， 距离我用AutoGen开一家LLM AI应用开发公司还会远吗？
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的同学，一起走向AI应用开发！！！！
