YOHO AI

标签： AutoGen

  • Hello-Agents：69K Star 的《从零开始构建智能体》——Datawhale 出品的中文 Agent 系统性实战教程

    Hello-Agents：69K Star 的《从零开始构建智能体》——Datawhale 出品的中文 Agent 系统性实战教程

    Hello-Agents 项目主视觉
    Hello-Agents——《从零开始构建智能体》开源教程

    项目简介

    Hello-Agents 是 Datawhale 开源社区出品的系统性智能体（AI Agent）中文实战教程——《从零开始构建智能体》，16 章内容从智能体原理、经典范式（ReAct / Plan-and-Solve / Reflection）一路讲到自研 Agent 框架、记忆与 RAG、MCP 通信协议、Agentic RL 训练与多智能体综合项目，目标是带你从大语言模型的”使用者”蜕变为智能体系统的”构建者”。目前已斩获 69,381 Stars，并曾登顶 GitHub Trending，是当下最热门的中文 Agent 学习资源之一。

    与 Dify、Coze、n8n 这类”流程驱动”的低代码 Agent 平台不同，Hello-Agents 的重心是教你构建 AI 原生（AI Native）智能体——真正以 LLM 推理驱动决策的 Agent。教程配套自研轻量框架 HelloAgents（基于 OpenAI 原生 API 从零实现），让你兼具”用轮子”与”造轮子”的能力。

    安装要求和过程

    环境要求

    • Python 3.10+（具备基础 Python 编程能力即可，无需模型训练背景）
    • 任意一个 LLM API Key（OpenAI 兼容接口，如 DeepSeek、通义千问、GLM 等国产模型均可）
    • 可选：Jupyter Notebook / VS Code，用于运行配套代码

    快速开始

    # 1. 克隆仓库（含全部 16 章文档 + 配套代码）
git clone https://github.com/datawhalechina/hello-agents.git
cd hello-agents

# 2. 安装自研教学框架 HelloAgents（V1.0.0）
pip install helloagents

# 3. 配置模型 API（OpenAI 兼容接口均可）
export LLM_API_KEY="your-api-key"
export LLM_BASE_URL="https://api.deepseek.com/v1"

# 4. 跟随章节运行 code/ 目录下的配套代码

    不想装环境？可直接在线阅读：国内加速站 | GitHub Pages；官方还提供带 Datawhale 水印的免费 PDF 版本下载。

    核心功能

    • 16 章完整学习路径：五大部分层层递进——智能体与 LLM 基础 → 亲手实现 ReAct / Plan-and-Solve / Reflection 经典范式 → 记忆·RAG·上下文工程·通信协议等高级技术 → 综合案例 → 毕业设计，每章配可运行代码。
    • 自研教学框架 HelloAgents：不依赖任何重型框架，基于 OpenAI 原生 API 从零构建 Agent 框架，穿透 LangGraph / AutoGen 等框架表象理解底层原理。
    • Agentic RL 训练实战：第十一章覆盖从 SFT 到 GRPO 的 LLM 训练全流程，是少有的把”训练智能体模型”讲透的中文教程。
    • MCP / A2A / ANP 协议解析：系统讲解智能体通信协议，配合智能旅行助手案例演示 MCP 与多智能体协作的真实应用。
    • 丰富的 Extra 番外篇：Agent 面试题总结、GUI Agent / Web Agent 实战、Agent Skills 与 MCP 对比、Agent 自进化、Skill 写作最佳实践等 13+ 篇社区共创内容持续更新。

    典型使用场景

    1. 系统学习 Agent 开发的工程师/学生：按五大部分循序渐进，从手写 ReAct 循环到构建自己的多智能体应用，毕业设计产出可写进简历的完整项目；番外篇的 Agent 面试题总结对求职者尤其实用。
    2. 复现深度研究智能体（DeepResearch Agent）：第十四章手把手复现自动化深度研究智能体，理解 OpenAI Deep Research 类产品的任务规划、搜索、综合报告全链路。
    3. 构建多智能体模拟应用：第十五章”赛博小镇”将 Agent 与游戏结合，模拟社会动态，是学习 Generative Agents（斯坦福小镇）范式的中文最佳实践入口。

    推荐理由

    市面上 Agent 教程要么是框架 API 说明书，要么是零散博客，而 Hello-Agents 是我见过体系最完整的中文 Agent 教程：它不满足于教你调用 LangGraph，而是带你从零造一个框架出来——这种”造轮子”式学习对建立底层直觉极其有效。内容覆盖也足够前沿：上下文工程、MCP 协议、GRPO 训练、Agent 自进化这些 2025-2026 年的热点全部收录，且持续更新。Datawhale 社区运营成熟，配套读者群、视频课共创、社区精选投稿一应俱全，完全免费开源。一周内 Star 从 1 万飙到近 7 万足以说明其质量。给想在”Agent 元年”入场的中文开发者：这就是那本该收藏的教科书。

    下载地址

    项目数据：69,381 Stars | 语言：Python / Markdown | 出品：Datawhale 开源社区（数据截至 2026-07-29）

  • Microsoft AutoGen – 微软开源多智能体AI编程框架 [59.9K+ Stars]

    Microsoft AutoGen – 微软开源多智能体AI编程框架 [59.9K+ Stars]

    📝 项目简介

    Microsoft AutoGen 是微软研究院出品的开源多智能体 AI 编程框架，官方定位为 “A programming framework for agentic AI”。它把”多个会自主对话的 Agent 协同工作”这件事，抽象成一套事件驱动的运行时 + 消息协议，让 LLM、工具、人类三方可以在同一套代码里自由组合，既能 自主行动，也能 和人并肩工作，被广泛视为现代 Multi-Agent 协作范式的奠基性项目之一。

    59.9K+
    GitHub Stars

    9.0K+
    Forks

    Python / .NET
    双语言支持

    MIT
    代码许可

    数据来源：GitHub REST API（仓库 microsoft/autogen，截至 2026-07-23）。

    ⚙️ 安装要求和过程

    环境要求

    • Python：3.10 及以上（v0.4+ 推荐 3.11）
    • 操作系统：Linux / macOS / Windows 均支持
    • LLM 凭据：OpenAI 兼容 API Key（Azure OpenAI / OpenAI / Ollama / 本地 vLLM 等均可）
    • 可选依赖：Docker（隔离代码执行）、Node.js（Studio 浏览器依赖）
    • .NET 用户：.NET 8 SDK，dotnet add package Microsoft.AutoGen

    快速安装（Python，v0.4+ 推荐）

    # 1) 创建并激活虚拟环境
python3 -m venv .venv && source .venv/bin/activate

# 2) 安装 AgentChat 核心 + OpenAI 扩展
pip install -U "autogen-agentchat" "autogen-ext[openai]"

# 3) (可选) 安装无代码可视化工作台
pip install -U "autogenstudio"

# 4) 验证
python -c "import autogen_agentchat; print(autogen_agentchat.__version__)"

    从源码安装（v0.4）

    git clone https://github.com/microsoft/autogen.git
cd autogen
pip install -e ./python/packages/autogen-agentchat
pip install -e ./python/packages/autogen-ext[openai]
# 启动 Studio
autogenstudio ui --port 8080

    配置 LLM（OpenAI 兼容）

    把 API Key 放进环境变量（推荐），或写入 OAI_CONFIG_LIST：

    # .env
OPENAI_API_KEY=sk-...
# 可选：Azure / 自定义网关
AZURE_OPENAI_API_KEY=...
AZURE_OPENAI_ENDPOINT=https://your-resource.openai.azure.com/
OPENAI_API_BASE=https://your-gateway.example.com/v1
    ⚠️ 版本提示：自 v0.4 起，包名由 pyautogen 改为 autogen-agentchat / autogen-ext。v0.2 用户可参考 官方迁移指南。

    🏗️ 架构总览

    AutoGen 把”造一个能自主干活的 AI”这件事切成三层 API，开发者可以按需选择从底层到高层：

    AutoGen 三层架构：Extensions / AgentChat / Core

    • Core API（底层）：消息传递、事件驱动、分布式 Runtime，同时支持 Python 与 .NET，是整条链路的”内核”。
    • AgentChat API（高阶）：双智能体对话、群聊、AgentTool 多专家路由——大多数应用只需要这一层。
    • Extensions API（扩展）：LLM 客户端、工具注册、MCP 协议适配、模型上下文协议桥接。

    再上面还有三个开箱即用的”上层建筑”：AutoGen Studio（无代码 GUI）、AutoGen Bench（基准评测）、Magentic-One（微软开源的通用多智能体团队基线）。

    ✨ 核心功能

    🤖 1. 多智能体对话与编排

    把每个 Agent 看作一个会发消息的对象，通过 initiate_chat / a_initiate 一行就能拉起对话；支持两人私聊、群聊（SelectorGroupChat / Swarm / RoundRobin）与按需动态编排（AgentTool 把”专家 Agent”当工具调）。

    🧠 2. 可插拔模型与工具

    原生支持 OpenAI / Azure OpenAI / Anthropic / Ollama / vLLM / Gemini 等模型；工具侧通过 FunctionTool + MCP 一键接入浏览器、数据库、Shell、文件系统、Playwright 等上百种能力。

    🧑‍💻 3. 人机协同（Human-in-the-Loop）

    通过 UserProxyAgent / input_func 任意把人类拉进对话：审批、纠正、补充上下文，AI 不会”擅自做主”——这是 AutoGen 最早让业界眼前一亮的杀手锏。

    🖥️ 4. AutoGen Studio：无代码工作台

    可视化拖拽搭建 Agent 团队、连接工具、调试消息流、上传数据集。零代码也能跑通一个 Magentic-One 风格的”会自己上网 + 写代码 + 操作文件”的 AI 助手。

    🔁 5. Magentic-One 通用团队基线

    微软在 AutoGen 上开源的”通用多智能体”参考实现：Orchestrator 动态规划 → 调用 Coder / Computer-Use / Web-Surfer / File-Surfer 四个专家完成任务，对标 OpenAI Operator 与 Anthropic Computer Use。

    Magentic-One 风格的多智能体协作流程：Orchestrator + 4 个专家 Agent

    🎯 典型使用场景

    场景一：自动数据分析 + 报告生成

    做法：Planner Agent 拆解任务 → Coder Agent 写 pandas / matplotlib 代码 → Executor 在 Docker 里跑 → Writer Agent 把结果整理成 Markdown 报告。人类只在最后审阅。

    收益：原本 2 小时的手工分析压缩到 10 分钟以内；每一步可追溯、可重放。

    场景二：多角色代码评审 / PR 自动化

    做法：Author Agent 改代码 → Reviewer Agent 提风格 / 性能意见 → Tester Agent 自动跑单测 + 覆盖率 → Approver 收口。整套流程在一个 SelectorGroupChat 里循环。

    收益：把”人盯 PR”变成”AI 盯 PR”，工程师只看最后结论。

    场景三：Magentic-One 通用办公助手

    做法：把 Coder / Computer-Use / Web / Files 四个 Agent 配成团队，Orchestrator 自动调度。让它”打开 Chrome 去 LinkedIn 搜索 Python 后端岗位、截图、写到 jobs.md“——这是 OpenAI Operator 还没发布时，AutoGen 社区最早跑通的范式。

    收益：任何能拆成”打开应用 → 抓信息 → 写文件”的流程都能交给它。

    💡 推荐理由（也聊聊它的现状）

    作为多智能体框架的”鼻祖级”项目，AutoGen 给整个行业留下了三份被广泛借鉴的遗产：把”对话”当作 Agent 协作的一等公民、把”人”显式拉进循环、把”工具调用”做成可插拔。从 2023 年发布至今，AutoGen 一直是 Multi-Agent 论文与开源项目的引用常客，60K Star 是其行业地位的最好注解。

    实际用下来，AutoGen 最打动我的有三点：

    1. 上手曲线友好：AgentChat API 让你 5 行代码就能跑起一个”用户 ↔ 助手”对话；想加工具，FunctionTool(...) 一包就完事；想加人类审核，UserProxyAgent 直接接管输入。
    2. 生态厚、可借鉴多：官方 + 社区沉淀了 Magentic-One、AutoGen Bench、AG2（前 AutoGen 延续）等一大批可直接 fork 的参考实现，几乎所有”AI 办公助手”类产品都能在 AutoGen 里找到原型。
    3. 底层够”工程”：Core API 的事件驱动 + 分布式 Runtime 设计，让它既能跑 Jupyter 玩具，也能跑生产级服务；而且 Python 与 .NET 双实现，给企业 .NET 栈留了通路。

    ⚠️ 也要如实告诉你：维护模式与迁移

    自 2025 年起，AutoGen 仓库进入 社区维护模式（community-maintained）：bug fix 与小幅改进由社区接管，重大新特性已并入微软官方的 Microsoft Agent Framework。

    对新项目而言：如果只是做多智能体原型 / 内部工具，现在的 AutoGen 仍然完全够用、生态最厚；如果是从 0 起步并预计要跑 2-3 年的产品，建议同步评估 Microsoft Agent Framework 与 AG2（原 AutoGen 核心贡献者 fork 的延续版本）。

    📥 下载地址

    🌐

    官方网站

    microsoft.github.io/autogen

    🐙

    GitHub 仓库

    github.com/microsoft/autogen

    📚

    文档中心

    stable 文档

    🐍

    PyPI 安装

    pip install autogen-agentchat

    #Microsoft #AutoGen #多智能体 #AgenticAI #开源项目

  • Microsoft AutoGen – 微软开源多智能体AI协作框架 [58.7K+ Stars]

    Microsoft AutoGen – 微软开源多智能体AI协作框架 [58.7K+ Stars]





    Microsoft AutoGen – 微软开源多智能体AI协作框架


    AutoGen Logo

    Microsoft AutoGen 官方Logo

    📝 项目简介

    Microsoft AutoGen 是微软推出的开源多智能体AI对话框架，通过可定制、可对话的智能体集成LLM、工具和人类参与，实现复杂任务的自主协作求解，是构建下一代AI Agent应用的核心基础设施。

    58.7K+
    GitHub Stars

    533+
    贡献者

    0.2.x
    最新版本

    ⚙️ 安装要求和过程

    环境要求

    • Python版本：3.8 及以上
    • 依赖项：OpenAI SDK 或其他LLM提供商SDK
    • 可选：Docker（用于代码执行环境）

    快速安装步骤

    方法一：使用 pip 安装（推荐）

    pip install pyautogen[blendsearch]

    包含blendsearch用于超参数优化

    方法二：从源码安装

    git clone https://github.com/microsoft/autogen.git
cd autogen
pip install -e .

    配置LLM

    创建配置文件 OAI_CONFIG_LIST：

    [
  {
    "model": "gpt-4",
    "api_key": "your-api-key",
    "api_base": "https://api.openai.com/v1"
  }
]

    ✨ 核心功能

    🤖 1. 多智能体协作

    支持多个Agent自主对话和协作，每个Agent可以扮演不同角色（如助手、用户代理、代码执行器等），通过对话完成复杂任务。

    💻 2. 内置代码执行

    UserProxyAgent 可自动执行生成的代码，支持Python代码执行，并可配置Docker环境实现安全的隔离执行。

    🔧 3. 工具集成

    轻松集成外部工具和API，支持函数调用、工具注册，让Agent能够使用搜索引擎、数据库、计算器等工具。

    🎭 4. 灵活的Agent定制

    通过register_reply()方法注册自定义回复函数，灵活定义Agent的行为和角色，支持静态和动态对话模式。

    📊 5. 完整可观测性

    提供完整的对话日志和监控功能，方便调试和优化Agent行为，支持对话流的可视化分析。

    🎯 典型使用场景

    场景一：自动化数据分析与报告生成

    应用案例：企业需要定期分析销售数据并生成报告。

    实现方式：

    • AssistantAgent 负责生成数据分析和可视化的Python代码
    • UserProxyAgent 自动执行代码，生成图表和分析结果
    • 多个Agent协作完成数据清洗、分析、可视化、报告撰写全流程

    价值：将原本需要数小时的数据分析工作缩短至几分钟，且可完全自动化执行。

    场景二：智能代码助手与调试

    应用案例：开发者需要快速实现功能并调试代码。

    实现方式：

    • 一个Agent充当编程助手，提供代码建议和最佳实践
    • 另一个Agent充当代码审查者，检查代码质量和潜在问题
    • UserProxyAgent执行代码并反馈运行结果

    价值：通过多Agent协作，实现代码的自动生成、测试、调试和优化，显著提升开发效率。

    场景三：复杂任务的自主求解

    应用案例：需要多步骤推理和工具调用的复杂问题（如”今天的日期是什么？今年哪只大型科技股年初至今涨幅最大？涨幅是多少？”）。

    实现方式：

    • AssistantAgent生成获取日期和股票数据的代码
    • UserProxyAgent执行代码并获取实时数据
    • Agent之间自主对话，分解任务、执行子任务、整合结果

    价值：展示了AutoGen处理需要外部工具和多步骤推理的复杂任务的能力。

    💡 推荐理由

    作为一名AI开发者和研究者，Microsoft AutoGen 给我留下了深刻印象：

    1. 设计理念先进：AutoGen 将多智能体协作抽象为对话，这种设计非常直观且易于理解。相比于其他框架需要复杂配置，AutoGen 通过简单的 Agent 定义和对话发起，就能实现复杂的多Agent协作。
    2. 实践价值极高：我亲自测试了AutoGen的代码执行功能，UserProxyAgent能够自动执行生成的代码并反馈结果，这个”生成-执行-反馈”的闭环极大提升了任务求解效率。在数据分析任务中，原本需要手动编写和调试代码的过程，现在可以通过自然语言描述需求，让Agent自主完成。
    3. 生态活跃完善：微软团队持续维护，社区贡献活跃，文档详尽。从基础的两Agent对话到复杂的动态群聊、层级对话，官方提供了丰富的示例和教程。而且AutoGen已与Semantic Kernel合并为Microsoft Agent Framework，未来会有更强大的功能集成。
    4. 适用场景广泛：无论是简单的问答系统，还是复杂的自动化工作流，AutoGen都能胜任。特别是对于需要多步骤推理、工具调用、代码生成的任务，AutoGen表现优异。

    💭 个人心得：AutoGen 最大的价值在于降低了多智能体系统开发的门槛。你不需要深入理解复杂的分布式系统或Agent协议，只需要定义Agent的角色和行为，框架就会处理剩下的事情。对于想要快速原型验证AI Agent应用的开发者来说，AutoGen 是不可多得的利器。

    📥 下载地址

    🐍

    PyPI安装

    pip install pyautogen

    Microsoft AutoGen 正在重新定义AI Agent的开发方式。

    无论你是AI研究者、应用开发者，还是对企业自动化感兴趣的技术管理者，

    AutoGen 都值得你深入探索和实践。

    #Microsoft #AutoGen #AIAgent #多智能体 #开源项目


  • AutoGen – 微软开源的多智能体对话框架

    AutoGen – 微软开源的多智能体对话框架

    AutoGen Logo
    AutoGen – 多智能体AI协作框架

    📝 项目简介

    AutoGen 是微软研究院开源的事件驱动编程框架，专门用于构建可扩展的多智能体AI系统。它就像 AI Agent 世界的”交响乐团指挥”，让不同的 AI 智能体能够协同工作、互相对话，共同完成复杂的任务。无论你是想构建自动化的工作流程，还是研究多智能体协作，AutoGen 都能提供强大而灵活的解决方案。

    ⚙️ 安装要求和过程

    环境要求

    • Python 3.8 或更高版本
    • pip 包管理工具
    • （可选）Docker – 用于容器化代码执行
    • OpenAI API Key 或其他 LLM 服务访问权限

    快速安装步骤

    推荐使用 pip 安装指定版本，避免版本兼容问题：

    pip install autogen-agentchat~=0.2

    💡 提示：当前 0.2 版本稳定可用，0.4 稳定版也已发布，旧版本用户可参考迁移指南升级。

    💡 核心功能

    1. 低门槛构建多智能体对话应用

    AutoGen 大大简化了复杂 LLM 工作流的编排、自动化和优化。你只需要写少量代码，就能搭建起下一代 LLM 应用，同时最大化 LLM 的性能，弥补其固有缺陷。

    2. 支持多样化对话模式

    框架提供了可自定义、可对话的智能体，开发者可以自由调整对话自主性、智能体数量和对话拓扑结构。无论你需要确定性的工作流，还是动态的多智能体协作，都能找到合适的模式。

    3. 灵活的代码执行方式

    支持三种代码执行模式：无代码执行（纯文本对话）、本地命令行执行、Docker 容器执行。特别是 Docker 模式，可以在隔离环境中安全运行生成的代码，避免对本地环境造成污染。

    4. 全场景示例覆盖

    官方提供了不同复杂度、可直接运行的系统示例，覆盖多领域、多复杂度的应用场景。从简单的两智能体对话，到复杂的多专家联合决策系统，都有对应的参考实现。

    🎯 典型使用场景

    场景一：自动化数据分析与可视化

    假设你是一名分析师，需要快速分析两只股票（比如英伟达和特斯拉）年初至今的价格走势。使用 AutoGen，你可以让 UserProxyAgent 向 AssistantAgent 发起对话请求，AssistantAgent 会自动生成 Python 代码来获取股票数据、绘制图表，然后通过代码执行器运行代码，最终将生成的图表保存到文件。整个过程中，你不需要手动编写一行代码！

    场景二：多专家联合决策系统

    在复杂的业务场景中，单一 AI 可能难以做出全面准确的决策。使用 AutoGen，你可以创建多个具有不同专长的智能体（比如：数据分析师、行业专家、风险评估师），让它们通过对话协作，共同完成投资决策、医疗诊断、技术选型等复杂任务。每个智能体都可以调用不同的工具和 API，真正实现”三个臭皮匠，顶个诸葛亮”。

    场景三：AI Agent 研究与教学

    AutoGen 由微软研究院、宾夕法尼亚州立大学、华盛顿大学的合作研究支撑，是多智能体 AI 系统研究的理想平台。研究人员可以基于 AutoGen 快速验证新的对话模式、协作策略；教师可以用它制作生动的教学演示，让学生直观理解多智能体系统的工作原理。

    🌟 推荐理由

    为什么我强烈推荐 AutoGen？

    • 🏢 大厂背书，值得信赖：微软研究院主导开发，代码质量高，文档完善，社区活跃
    • 🚀 降低门槛，快速上手：相比 LangChain 等框架，AutoGen 的多智能体对话模式更直观，示例丰富，新手也能快速入门
    • 🛡️ 安全可控：支持 Docker 容器化执行代码，支持人工介入（human-in-the-loop），避免 AI 生成的危险代码直接运行
    • 🔧 高度灵活：可以自由定义智能体的行为、对话流程、工具调用，满足各种定制化需求
    • 📚 生态丰富：作为”智能体 AI 领域的 PyTorch”，AutoGen 正在成为多智能体系统的标准框架，未来潜力巨大

    我个人觉得，如果你对 AI Agent、多智能体系统、LLM 应用开发感兴趣，AutoGen 绝对是必学的框架之一。它不仅能帮你快速实现想法，还能让你深入理解多智能体协作的精髓。

    📥 下载地址

    本文介绍了 AutoGen 多智能体框架的核心特性和应用场景。如果你正在构建 AI Agent 系统，不妨试试这个强大的工具！