OpenUs Lab|测评:AutoGen —— 定义多智能体对话范式

OpenUs Lab|测评:AutoGen —— 定义多智能体对话范式的经典编排框架

作者:OpenUs Lab 标签:Multi-Agent、对话编排、角色Agent、Microsoft Research、Python、Agent评估 摘要:在Agent赛道还没有“多Agent”这个热门词的时候,AutoGen率先把角色化对话、群聊协商、人机混合协作做成标准化范式。它不是一个通用执行底座,而是一套以对话为核心的多智能体编排库。本文梳理AutoGen完整演进脉络、v0.4版本核心能力、落地场景、经典案例,同时说明它当前的维护状态、选型取舍,方便大家和前面我们测评的DeepSeek Harness对照理解。

前言

当我们聊Agent,很容易把「工具调用」和「多Agent对话」混为一谈。DeepSeek Harness走的路线是运行时+插件乐高,解决Agent如何安全地在真实环境执行动作;而AutoGen走的是另一条经典路线:以对话为原语,让不同角色的智能体互相辩论、分工、评审,通过轮流对话完成复杂任务。

OpenUs Lab在多Agent评测、科研复现、代码协作流水线中长期使用AutoGen。它是很多后续多Agent框架的灵感源头,GroupChat、SelectorGroupChat、UserProxy这些模式,至今仍被大量框架借鉴。但同时它也有明确的生命周期边界:微软官方已经停止新功能开发,转入维护模式。本篇是我们结合大量实测的复盘测评。

一、前世今生:从论文原型到行业标杆,再到遗产交接

AutoGen 由微软研究院在2023年发布,论文《AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation》是多Agent领域的里程碑文献。它的演进可以分成四个阶段:

  1. 诞生:v0.1 / v0.2(2023 原始版本,范式奠基) 核心概念全部在这个阶段定型:AssistantAgent、UserProxyAgent、GroupChat、GroupChatManager。 经典模式:用户代理负责审批、执行代码;助手Agent负责思考、写代码;多个Agent在群聊里轮流发言。 它第一次把「多角色协商、代码执行、人机协同」封装成极简Python API,上线后迅速引爆社区,大量团队拿来做代码Agent、数学推理、科研协作。 局限:消息路由简单、异步能力弱、扩展性差,复杂群聊容易陷入死循环、说话顺序失控。

  2. 迭代:v0.3(2024 上半年,增强群聊调度) 引入 SelectorGroupChat,不再固定轮询发言,而是新增一个选择器Agent,根据当前上下文动态挑选下一个该发言的Agent; 扩充模型适配器,支持Ollama、Mistral等本地模型;完善RAG检索Agent、工具注册体系;AutoGen Studio(低代码可视化工作台)同步推出,可视化搭建Agent群聊。 这个版本是社区使用最广、教程最多的版本,至今很多开源项目还基于v0.2/v0.3。

  3. 重构巅峰:v0.4(2025年初,架构完全重写) 微软做了一次破坏性重构,分层架构落地:AutoGen Core(Actor模型事件内核) + AgentChat(上层对话API) + Extensions(扩展包)。

    • Core:事件驱动、异步消息、Actor模型,解决并发、状态管理;
    • AgentChat:保留大家熟悉的GroupChat、角色Agent,降低迁移成本;
    • Extensions:托管第三方集成、MCP、浏览器、代码沙箱、检索组件。 v0.4是技术上最强的正式版本,但不向下兼容v0.2/0.3,老项目迁移成本很高。
  4. 现状与分支分化(2025.10 至今,重点) 微软官宣:microsoft/autogen 进入维护模式(Maintenance),只修复安全和严重Bug,不再新增特性;官方演进路线合并到 Microsoft Agent Framework(MAF),融合AutoGen多Agent能力 + Semantic Kernel企业能力,作为微软主推下一代框架。 同时社区分叉:原作者维护了 AG2(Apache2.0),独立持续迭代,是想要继续沿用AutoGen范式、不想迁移MAF的团队首选分支。

一句话区分:

  • AutoGen(微软原版):v0.4为终版,停更维护;
  • Microsoft Agent Framework:微软官方继任;
  • AG2:社区独立分叉,延续AutoGen对话范式、持续发新功能。

二、v0.4 最新版本核心能力(OpenUs Lab实测基线)

v0.4的设计目标是解决老版本调度僵硬、并发弱、难以规模化的痛点,核心亮点:

  1. Actor模型 + 事件驱动内核 Agent不再是简单同步函数调用,每个Agent是独立Actor,消息异步投递、事件可订阅、可拦截、可自定义路由。适合长流程、多分支、并行子任务。
  2. 两套API分层,兼顾易用与深度定制
    • AgentChat:低门槛,一行代码拉起GroupChat、SelectorGroupChat,适合快速原型、科研复现;
    • Core:底层原始接口,自定义消息协议、Agent生命周期、状态持久化,适合企业深度改造。
  3. SelectorGroupChat 智能发言人机制(招牌能力) 对比固定轮询GroupChat:由一个选择Agent读取当前对话上下文,判断“接下来该谁发言”。 典型收益:避免无关Agent乱插话,适合专家团队(研究员、评审、代码、文档),大幅减少无效对话、降低Token消耗。
  4. AutoGen Studio 可视化工作台 Web端拖拽式配置Agent角色、系统提示词、工具、群聊规则,不用写大量Python代码,快速调试角色分工、回放对话轨迹,适合产品、算法工程师快速验证多角色方案。
  5. 标准化扩展生态 Extensions包内置:代码执行沙箱、RAG检索Agent、MCP协议适配器、浏览器工具、文件读取、多模态模型接入;模型层兼容OpenAI、Anthropic、本地Ollama、DeepSeek等绝大多数主流模型。
  6. 人机混合协作原生支持 UserProxyAgent可以配置审批策略:代码执行、高危操作自动暂停,把决策权交还人类;也可以配置自动执行,适合自动化流水线。

短板(实验室客观评价)

  1. 核心强项是「对话编排」,不是执行运行时:沙箱、会话持久化、日志回放、环境隔离属于扩展,不是框架原生第一优先级;对比DeepSeek Harness这种以沙箱、会话轨迹、工具循环为底座的框架,它在长周期自主执行、断点续跑上偏弱;
  2. 原生缺少统一的追加式轨迹审计体系,日志需要自己封装;
  3. 老版本迁移成本巨大,v0.2/v0.3代码几乎无法直接跑在v0.4;
  4. 微软原版不再新增功能,长期路线存在不确定性;
  5. 对单Agent自主循环、长任务自主规划的原生支持弱,它的优势是多角色互相辩论评审,而不是单个Agent持续自主干活。

三、典型使用场景

AutoGen最适合的,是任务本身可以拆成多个互补角色、依靠多方评审和交叉校验提升质量的场景。它并不适合所有Agent任务。

:white_check_mark: 优势场景

  1. 多角色代码协作流水线(最经典) 编码Agent写代码、测试Agent自动跑单测、评审Agent做代码审查、文档Agent写注释和Readme;群聊迭代直到测试通过。适合中小项目、数据分析脚本、算法原型开发。
  2. 科研与调研专家团队 规划Agent拆解问题、检索Agent并行读文献、事实校验Agent交叉核验来源、写作Agent输出报告、批评Agent挑漏洞,通过辩论降低幻觉,是论文、行业调研、文献综述的热门方案。
  3. 数学/复杂推理任务 解题Agent、验算Agent、评审Agent分工,分步推导、互相找错,在数学、逻辑题上效果显著,也是原始论文重点验证场景。
  4. 企业合规、法务、风控协作Copilot 检索Agent拉合同/政策、摘要Agent提炼条款、合规Agent识别风险、撰写Agent输出修改意见,角色各司其职,多方校验,满足合规要求。
  5. 教育场景:多风格助教、导师辩论 不同Agent扮演不同教学风格,互相补充、批改学生答案,适合数学辅导、编程教学。
  6. Agent算法科研复现与评测 因为API简洁、论文配套成熟,是学术界复现多Agent论文、做角色编排对比实验的首选框架。

:cross_mark: 不适合场景

  • 追求单Agent长时间自主执行、断点续跑、复杂环境工具链(大量文件操作、持续后台任务);
  • 需要强权限管控、细粒度沙箱策略、完整会话回放审计的私有化生产底座;
  • 想要开箱即用、零代码直接交付给普通业务人员。

这里正好和DeepSeek Harness形成对照:Harness擅长「一个Agent持续在环境里干活」;AutoGen擅长「多个Agent对话辩论、互相评审」。

四、经典最佳案例(OpenUs Lab内部落地样板)

案例1|代码评审四角色GroupChat(v0.3/v0.4通用,社区最普及)

角色清单:

  • CoderAgent:接收需求,编写Python代码、函数、单元测试;
  • TesterAgent:读取代码,生成用例,调用沙箱执行,返回报错;
  • ReviewerAgent:负责代码规范、边界case、安全漏洞评审;
  • UserProxyAgent:人类代理,审批最终输出、确认是否上线。 调度模式:SelectorGroupChat,测试失败时自动切回Coder修改,评审不通过自动打回重写。 适用:数据分析脚本、算法Demo、小工具开发。

案例2|文献调研专家团队(实验室高频使用)

角色:Planner(任务拆解)→ Searcher(检索论文/网页)→ Reader(精读PDF)→ Critic(事实核查、找矛盾)→ Writer(整理报告、标注引用) 特点:Critic是核心价值,专门挑检索结果冲突、来源不可靠的地方,大幅降低调研报告幻觉;适合投研、学术综述。

案例3|数学推理协作组(原始论文基准案例)

角色:Solver、Checker、Verifier。Solver给出解题步骤,Checker逐行验算,Verifier重新换一种方法独立验证,三方达成一致才输出答案。在MATH、GSM8K这类复杂数学数据集上有明显增益。

案例4|企业合同审阅协作集群

角色:知识库检索Agent、条款提取Agent、风险识别Agent、合规撰写Agent、法务复核Agent。 流程:自动读取合同→提取关键条款→对照内部规范识别风险→输出修改建议→复核Agent二次校验,适合律所、风控部门。

五、OpenUs Lab 选型总结 & 和 DeepSeek Harness 的对照提示

AutoGen 的历史地位,是把多Agent对话范式标准化、普及化。它的核心是「角色分工 + 对话协商」,适合把复杂任务拆成多个专家互相评审、辩论;它的短板是执行环境、沙箱、长周期自主任务的底座能力偏弱。

:white_check_mark: 适合:

  • 做角色化多Agent评审、辩论式任务;
  • 学术复现、多Agent算法实验;
  • 快速搭建代码评审、调研、法务复核这类多方校验流水线;
  • 偏好Python生态、想快速上手原型。

:cross_mark: 不适合:

  • 作为私有化自研Agent运行底座,需要统一沙箱、会话轨迹、插件化工具链;
  • 主打单Agent长时间自主执行、持续环境交互。

简单对照我们上一篇测评的 DeepSeek Harness: AutoGen = 多Agent对话编排器;DeepSeek Harness = Agent执行运行时底座。 甚至可以组合使用:Harness负责沙箱、工具、会话、环境;AutoGen(或AG2)负责上层多角色对话调度。

重要选型提醒:新项目如果选择微软原版AutoGen,要接受不再新增功能;需要持续迭代的多Agent对话编排,优先看AG2;如果走微软企业栈,优先Microsoft Agent Framework。

后续 OpenUs Lab 计划放出:AutoGen vs AG2 vs Microsoft Agent Framework 迁移指南、以及一套可直接运行的 SelectorGroupChat 调研Agent样例代码。