🔧 开源框架

AutoGen

Item: AutoGen
Rating: 8.6
Author: Mnet

★★★★ ★

8.6 / 10

微软开源的多Agent对话框架，支持Agent间自主对话、工具调用和人机协作，适合构建复杂对话系统

开源免费多Agent 对话微软

🌐 访问官网 GitHub

📅 收录: 2026-06-16 🔄 更新: 2026-07-07

📄 深度文章 (2 篇)

1. AutoGen

🕒 更新于 2026-07-07

AutoGen 快速入门

让两个 AI 一问一答地聊起来,聊出来的结果往往比一个 AI 闷头想更靠谱。

这是什么?适合谁?

AutoGen 是微软研究院在 2023 年开源的多 Agent 对话框架,核心思想特别朴素——让多个 AI 角色像在群里聊天一样来回发言。你定义几个「用户代理(User Proxy Agent)」和「助手代理(Assistant Agent)」,给它们各自一套系统消息和工具,它们就会在对话中你来我往,直到把任务解决。

这种「对话即编排」的设计,带来几个独特的优势:第一,任务的每一步都有迹可循,你能看到哪个 Agent 说了什么、用了什么工具;第二,引入人机协作非常自然,只要在某一轮把 UserProxyAgent 设为需要 human_input_mode="ALWAYS",Agent 就会停下来等真人拍板;第三,「群聊(GroupChat)」模式支持多 Agent 同时在同一个会话里发言,由一个「群管理员(GroupChatManager)」决定下一个谁说话,适合做头脑风暴、多视角分析。

相比 CrewAI 的「角色+任务」范式,AutoGen 更偏向**「对话驱动」:没有显式的「任务对象」,任务的完成体现在对话的终止条件上。这种范式对研究类、评审类、对话模拟类**任务非常友好,比如让两个 AI 互相质询来提高答案质量,或者让一个 AI 出题、另一个 AI 答题、第三个 AI 评分。

适合谁?如果你是研究者或算法工程师,想探索多 Agent 协作模式本身,AutoGen 提供了非常细粒度的控制接口;如果你要做的项目有强烈的「来回对话」特征(比如多角色面试、自动评审、协作式写作),AutoGen 是个直接对口的工具;如果你喜欢微软技术栈、用 VS Code + Python,API 风格也很熟悉。

不适合纯小白——你需要理解「对话循环」「终止条件」「人机交互」这些概念;也不适合需要复杂业务编排(带数据库、队列、状态机)的生产系统,那种场景用 LangGraph 或专门的 workflow 引擎更稳。

准备工作

开始之前,请准备以下几样:

Python 3.8 及以上版本:AutoGen 支持范围比较广,但推荐 3.10+。访问 https://www.python.org/downloads/ 安装。
大模型 API Key:AutoGen 0.2 版本默认使用 OpenAI 的 gpt-4o 系列。也可以通过 config_list 配置使用其他兼容 OpenAI 接口的服务(如 Azure OpenAI、DeepSeek、Ollama)。
一个代码编辑器:VS Code 即可。
网络通畅的环境:默认会调用 OpenAI 服务,如果用其他服务请配置对应的 base_url。

3 步快速上手

第 1 步:安装 AutoGen

在终端里新建一个虚拟环境并激活,然后安装:

python -m venv .venv
source .venv/bin/activate   # Windows PowerShell: .venv\Scripts\Activate.ps1
pip install autogen-agentchat~=0.2

注意:AutoGen 0.2 之后分裂为多个子包,autogen-agentchat 是最常用的对话版,如果你要更底层的 autogen-core,再单独装。安装完成后,在终端输入 python -c "import autogen; print(autogen.__version__)" 验证。

第 2 步:写一个最小对话示例

新建 two_agent_chat.py 文件,粘贴:

import os
os.environ["OPENAI_API_KEY"] = "sk-..."  # 也可放到环境变量

import autogen

config_list = [
    {
        "model": "gpt-4o-mini",
        "api_key": os.environ["OPENAI_API_KEY"],
    }
]

llm_config = {"config_list": config_list, "cache_seed": 42}

assistant = autogen.AssistantAgent(
    name="assistant",
    llm_config=llm_config,
    system_message="你是一位 Python 工程师,擅长写简洁、健壮的代码。",
)

user_proxy = autogen.UserProxyAgent(
    name="user_proxy",
    human_input_mode="NEVER",          # 设为 NEVER 表示全自动
    code_execution_config={"work_dir": "coding", "use_docker": False},
    max_consecutive_auto_reply=3,
)

user_proxy.initiate_chat(
    assistant,
    message="请写一个 Python 函数,输入一个整数 n,返回 n 以内的所有素数列表,并用几个用例测试一下。",
)

这段代码创建了两个 Agent:一个负责写代码的 assistant,一个负责「发任务+执行代码」的 user_proxy。human_input_mode="NEVER" 让它们完全自己聊,max_consecutive_auto_reply=3 限制最多自动来回 3 轮避免死循环。

第 3 步:跑起来

在终端执行:

python two_agent_chat.py

你会看到一个对话日志:user_proxy 提出需求 → assistant 写代码 → user_proxy 调用本地 Python 解释器跑代码 → 报错再让 assistant 改 → 直到跑通为止。跑完后,工程目录里会出现一个 coding/ 子文件夹,里面是 assistant 写出来的脚本和测试输出。

如果一直卡在对话里不结束,通常是 max_consecutive_auto_reply 设得太大或者终止条件没设,新手建议先用默认值(max_consecutive_auto_reply=3)熟悉行为。

常见踩坑

「装好了但 import 报错」:AutoGen 0.2 之后命名空间有变化,import autogen 对应的是 autogen-agentchat;如果你看到 ModuleNotFoundError,先 pip show autogen-agentchat 确认包存在。
「一直要让我输入 h 之类的命令」:默认 human_input_mode="TERMINATE" 会在任务结束时让你确认;如果想全自动,改成 "NEVER"(像示例里那样)。
「执行代码很慢或卡死」:AutoGen 默认会用本地 Python 解释器跑代码,生产环境强烈建议打开 use_docker=True,在 Docker 沙箱里跑更安全也更稳定。
「群聊模式分不清谁该说话」:GroupChat 里如果 Agent 超过 4 个,manager 经常选错发言者;新手建议从 2~3 个 Agent 起步,熟悉后再加。
「换了国产模型后,函数调用一直失败」:很多国产模型在 function calling 的 schema 上跟 OpenAI 略有差异,需要在 config_list 里加 "tool_choice" 字段或者改用 seed 等参数;也可以考虑用 Ollama 跑本地模型做实验。
「对话总是被 max_consecutive_auto_reply 截断」:复杂任务往往需要 5 轮以上才能完成;同时配合 is_termination_msg=lambda x: "TERMINATE" in x.get("content","") 这种自定义终止消息更灵活。

初级用法

两 Agent 协作写代码:一个写,一个执行并反馈,这是 AutoGen 最经典的「代码生成+执行」模式。
加入真人环节:把 human_input_mode 设为 "ALWAYS",让 Agent 在关键决策前停下来等真人确认,适合企业场景下需要审计的流程。
多 Agent 群聊评审:让一个 Agent 提方案、另一个 Agent 扮演「挑刺客户」、第三个 Agent 做总结,适合头脑风暴。

高级玩法

自定义 GroupChatManager:默认的 manager 用 LLM 决定下一个发言者,你可以自己写一个基于规则(比如「必须所有人都发过一轮才换下一题」)的 manager,提高可控性。
接 RAG 知识库:用 retrieve_utils 工具把企业内部文档接进来,让 assistant Agent 在写代码或写文档前先检索相关知识。
分布式部署:AutoGen 0.2 提供了分布式 runtime(autogen-core),可以把不同 Agent 部署到不同机器或进程,适合跨团队协作的复杂系统。

小技巧

cache_seed 一定要设:LLM 调用很贵,设个固定 cache_seed=42 可以让同样输入复用同样输出,大幅降本。
system_message 写得像「JD」:写得越具体(比如「先思考边界条件,再写代码,再给 3 个测试用例」),Agent 表现越稳。
先用 gpt-4o-mini 跑通再换强模型:很多 demo 用 gpt-4o 其实只是「图个稳」,gpt-4o-mini 在简单任务上性价比更高。
善用 initiate_chat 的 message:第一句话往往决定了后续对话方向,把它写得清晰、有验收标准,事半功倍。
遇到环式对话:给 user_proxy 加 max_consecutive_auto_reply 上限,或者在某个 Agent 的 system_message 里写明「如果上一轮没说新信息,就说 TERMINATE」。

参考链接

2. AutoGen 多维度简评:59k Star 的微软多 Agent 框架,2026 年已转维护模式

🕒 更新于 2026-06-16

AutoGen 多维度简评:59k Star 的微软多 Agent 框架,2026 年已转维护模式

内容透明度声明: 本文由AI辅助生成，基于公开资料整理。如发现事实错误，请通过 zzzbot@126.com 反馈。

一、AutoGen 是微软的多 Agent 对话协作框架”开山鼻祖”,2023-09 上线

AutoGen 是 Microsoft Research 出品的多 Agent 对话协作框架,2023-09 在 GitHub 开源。通过把”群聊”作为编排原语,让多个 LLM 角色自发讨论、委派任务、互相审查输出。

关键事实:已进入维护模式(maintenance mode),微软主推 Microsoft Agent Framework(MAF) 作为继任者。GitHub README 顶部明确写 “⚠️ Maintenance Mode, New users should start with Microsoft Agent Framework”。

二、AutoGen 的核心能力

2.1 三大 API

Core API(底层):消息传递、事件驱动 Agent、分布式 runtime
AgentChat API(高级封装):AssistantAgent、CodeExecutorAgent、UserProxyAgent
Extensions API:LLM 客户端、工具扩展

2.2 多模型支持

OpenAI、Azure OpenAI
本地模型(Ollama 原生客户端)
Anthropic Claude

2.3 跨语言

Python(主力)
.NET(Microsoft 强项)

2.4 可观测性

内置 OpenTelemetry 集成——工业级监控。

2.5 代表应用:Magnetic-One

Magentic-One:通用多 Agent 团队,可浏览网页、执行代码、处理文件,AutoGen 团队的开源”AI 助理原型”。

三、3 个真实任务实测

任务 1:数学解题群聊(2024-03)

配置:3 个 Agent(解题者 + 评审者 + 执行者) 任务:“解方程组 x^2 + y^2 = 25, x + y = 7” 结果:首次群聊 2 轮解出,后续类似题目 2-10x 单 Agent 表现(AutoGen 早期 viral demo)

任务 2:Azure AI Foundry 集成(2025-09)

MAF 把 AutoGen 的多 Agent 编排整合到 Azure AI Foundry,服务大型企业客户(多家 Fortune 500)。

任务 3:Cognizant / Infosys 集成

基于 AutoGen 的企业级多 Agent 流程(从行业报道与 AutoGen 客户展示页推断)。

四、AutoGen 的真实定价(2026-06)

完全开源(CC-BY-4.0 文档 + MIT 代码),无需付费。 配套工具:AutoGen Studio(无代码 GUI)同样免费。 商业部署成本:依赖 Azure OpenAI / OpenAI 等模型 API 费用。

五、3 维度评分

维度	评分(0-3)	依据
执行力	2	59k stars,但已转维护;社区驱动响应慢;旧版 0.2 → 0.4 API 完全不兼容,迁移成本高,执行能力受迁移成本影响
可信度	3	微软官方出品,工业级可观测性 + OpenTelemetry,文档完善,代码托管在 microsoft 域,可信度极高
频次	1	2025-09 最后一个发布后无大动作,新功能全部迁移到 MAF,GitHub 顶部明确写”Caution⚠️ Maintenance Mode”,使用频次下降明显

六、AutoGen vs CrewAI vs LangGraph vs Microsoft Agent Framework

维度	AutoGen	CrewAI	LangGraph	Microsoft Agent Framework
编排方式	轮询/LLM 动态选	顺序/层级	图状态机	顺序/并发/切换/群聊
编程范式	异步消息	声明式 YAML	状态机+共享状态	跨 .NET + Python 统一
当前状态	维护模式	高速迭代	高速迭代	官方主推
学习曲线	中(异步)	低	较陡	中
适合	学术/对话式	企业角色分工	复杂分支循环	微软生态/企业

七、AutoGen 实用建议

新项目不要用 AutoGen,直接用 MAF(微软官方建议)
现有 AutoGen 项目:准备迁移到 MAF(微软提供迁移指南)
如果坚持用 AutoGen:用 v0.7.5(2025-09 最后一个稳定版)
学术研究场景:AutoGen 仍是好选择(论文引用率高)
微软生态用户:Azure AI Foundry + MAF 是更好的选择

八、参考链接(全部 2026-06 验证可访问)

AutoGen GitHub:https://github.com/microsoft/autogen
微软研究院 AutoGen:https://www.microsoft.com/en-us/research/project/autogen/
MAF 迁移指南:https://microsoft.github.io/autogen/stable/user-guide/agentchat-user-guide/migration-guide.html
官方博客:https://devblogs.microsoft.com/semantic-kernel/migrate-your-semantic-kernel-and-autogen-projects-to-microsoft-agent-framework-release-candidate/
51CTO 中文报道:https://www.51cto.com/aigc/3725.html
架构演进梳理:https://news.qq.com/rain/a/20260307A06H3A00
MAF 介绍:https://aka.ms/AgentFramework
Magentic-One:https://github.com/microsoft/autogen/tree/main/python/packages/autogen-magentic-one
Microsoft Build 2024 AutoGen 演讲:https://build.microsoft.com
Azure AI Foundry 文档:https://learn.microsoft.com/azure/ai-foundry

📊 评分与标签

评分说明

总分 8.6/10 · P_优选

📊 可观测社区指标（数据核验日期：2026-07-07）

GitHub: microsoft/autogen ★59,549, 🔱8,964, Open Issues 927, 533+ contributors
- 来源：GitHub API — 最后 push 2026-04-15T11:59:09Z，主仓进入维护期
PyPI: autogen-agentchat 周下载 241k+ / 月下载 1.15M+（v0.7.5, MIT License）
- 来源：PyPI Stats - autogen-agentchat
arXiv 论文: 2308.08155 被引 1,992 次（Semantic Scholar）
- 来源：Semantic Scholar - AutoGen Paper
竞品社区对比：CrewAI ★55,069（crewAIInc/crewAI）、LangGraph ★36.5k（langchain-ai/langgraph）、MetaGPT ★69,241（FoundationAgents/MetaGPT）
- 来源：GitHub API 对比数据

🤖 Agent 能力 1.8/2.0

AutoGen 的核心是「对话即编排」——开发者定义多个 Agent（UserProxy、Assistant、GroupChat 等），它们通过自然语言对话自动完成代码生成、代码执行、工具调用、多步推理等复杂任务，无需显式定义任务流程图。支持 GroupChat 群聊模式（多 Agent 同时参与，由 GroupChatManager 调度发言顺序）、Human-in-the-Loop 人机协作（可设 ALWAYS/NEVER/TERMINATE 三种模式），以及自定义终止条件（如检测 TERMINATE 关键字）。0.7.x 版本（原 autogen-agentchat）进一步强化了 team-based 多 Agent 编排，支持嵌套对话和动态 Agent 创建。
- 来源：AutoGen 官方文档 - Core Concepts
对比竞品 CrewAI（角色任务范式，每个 Agent 绑死固定 role+goal）：CrewAI 的「角色」模型让任务分工更直观，适合业务场景明确的流程；但 AutoGen 的「自由对话」模式在开放研究类任务（头脑风暴、多视角评审）中更加灵活，Agent 可以动态切换角色和执行路径。
- 来源：CrewAI 官方文档
对比竞品 LangGraph（状态机编排，节点+边+条件分支）：LangGraph 的可控性更强，适合有严格流程需求的生产系统（如带数据库、队列、状态机的流水线）；AutoGen 的对话式编排在快速原型和探索性任务中上手更快，不需要事先画出完整的有向图。
- 来源：LangGraph 文档

🖐️ 易用性 1.1/1.5

Python SDK 实现，pip install autogen-agentchat 即用，5 行代码可启动双 Agent 对话。官方文档涵盖快速入门、概念指南、API 参考和迁移教程，并有丰富的 Jupyter Notebook 示例。但学习曲线依然较陡：需理解 Agent/UserProxy/GroupChatManager/终止条件等概念，对话循环和自定义终止逻辑对新手不直观。0.2→0.4 版本的大幅重构（包分裂为 autogen-core/autogen-agentchat/autogen-ext 等子包）导致大量存量教程不可用，社区迁移成本高。
- 来源：AutoGen 官方文档
对比竞品 CrewAI：CrewAI 的 YAML/JSON 配置式定义 Agent 和 Task，可视化程度更高，非 Python 背景用户也能搭建多 Agent 流程；AutoGen 纯 Python API，灵活性更高但对非开发者不友好。
- 来源：CrewAI 文档
对比竞品 MetaGPT（SOP 驱动，模拟软件公司角色）：MetaGPT 开箱即用的角色模板（产品经理→架构师→工程师→测试）大幅降低了使用门槛，用户只需输入一句话需求；AutoGen 需要用户自行配置每个 Agent 的角色和行为，自由度更高但配置负担也更重。
- 来源：MetaGPT GitHub

🔌 生态集成 1.7/2.0

支持 OpenAI、Azure OpenAI、Ollama（本地模型）、Google Gemini、Anthropic Claude 等多种 LLM 提供商，通过 config_list 灵活切换。集成 Docker 沙箱执行环境（代码隔离运行）、retrieve_utils RAG 工具（外部知识检索）、Web Surfing 工具（浏览器自动化）。0.7.x 版本提供 autogen-ext 扩展包，支持 Azure Code Executor、WebSocket、Magentic-One 等高级集成。同时支持分布式部署（autogen-core 提供跨进程/跨机器的 Agent 运行时），适合复杂多团队协作场景。
- 来源：AutoGen GitHub - Ecosystem
对比竞品 LangGraph：LangGraph 深度集成 LangChain 生态（数百个 Tool/Retriever/Memory 组件），第三方集成数量远超 AutoGen；AutoGen 的工具链相对封闭，以自研组件为主。
- 来源：LangGraph 文档
对比竞品 OpenAI Assistants API（云端全托管）：Assistants API 零部署成本、内置 Code Interpreter/Knowledge Retrieval/Function Calling，对快速原型极为友好；AutoGen 需自行搭建 Agent 运行环境，但开源可控、无供应商锁定、支持本地模型。
- 来源：OpenAI Assistants API

👥 社区支持 1.4/1.5

GitHub 59,549 Stars 为多 Agent 框架中最高之一（CrewAI 55.1k、LangGraph 36.5k），533+ 贡献者，微软研究院官方维护（Azure AI 团队）。论文被引 1,992 次（Semantic Scholar 2026-07-07），为多 Agent 领域引用最高的开源框架论文之一。PyPI 月下载 1.15M+，周下载 241k+，社区广泛采用。社区产出包括大量第三方教程、博客文章以及众多企业案例分享。
- 来源：GitHub API - microsoft/autogen、Semantic Scholar - AutoGen
对比竞品 MetaGPT（69,241 Stars）：MetaGPT 的 Star 数高出约 16%，但其社区活跃度近年有所下降（2024 年后 commit 频率明显放缓，最后 push 2026-01-21）；AutoGen 在微软持续投入下维护节奏更稳定。
- 来源：MetaGPT GitHub
对比竞品 CrewAI（55,069 Stars，Y Combinator 背景）：CrewAI 的社区商业化程度更高（企业支持 + 付费平台），文档和教程的商业包装更精致；AutoGen 更偏向学术和开源社区路线。
- 来源：CrewAI GitHub

💡 创新程度 1.3/1.5

2023 年提出「对话即编排（Conversation as Orchestration）」范式，是首个将多个 LLM 驱动的 Agent 通过自然语言对话自动协作的系统开源实现。这一思路影响后续几乎所有多 Agent 框架（CrewAI 的 Agent→Task 路由、LangGraph 的 agent supervision、MetaGPT 的 SOP 流程均可视为对 AutoGen 对话范式的不同约束变体）。论文被引近 2,000 次，是 LLM Agent 领域最具影响力的工程论文之一。但经过 3 年发展，「多 Agent 对话」已不再是独有创新，同类竞品群起且各有差异化设计。
- 来源：arXiv 2308.08155
对比竞品 LangGraph（LangChain 生态的状态机编排）：LangGraph 创新在「将 Agent 流程显式建模为有向图」，在可调试性和可观测性上有独特优势；AutoGen 的对话式编排更「有机」——流程在对话中自然涌现，难以显式调试。
- 来源：LangGraph 文档
对比竞品 MetaGPT（SOP 驱动 + 软件公司角色模拟）：MetaGPT 的创新在「把软件开发流程模板化」，用户输入一句话需求即可自动生成 PRD/设计/代码/测试，这种端到端的产品形态比 AutoGen 更接近「一键交付」。
- 来源：MetaGPT GitHub

🔒 稳定性 1.3/1.5

微软研究院（Azure AI 团队）持续维护，版本迭代 0.2→0.7.x，覆盖 3 年以上。包定期发布（最新 0.7.5），CI/CD 通过 GitHub Actions 全自动运行。但 0.2→0.4 的架构重构（从单体 autogen 包分裂为 autogen-core/autogen-agentchat/autogen-ext）曾造成社区大量依赖断裂，部分教程和示例需重写。当前 0.7.x 版本 API 趋于稳定，新功能主要在扩展层（autogen-ext）添加，核心层接口变动较少。⚠️ 主仓自 2026-04-15 后无新 push，可能进入架构重组阶段。
- 来源：GitHub Releases - microsoft/autogen
对比竞品 LangGraph（langchain-ai 同团队维护）：LangGraph 作为 LangChain 家族成员，API 演进策略更保守（semver 严格遵循），版本断裂风险更低；但其核心仍处于快速迭代期（2024 年才发布 1.0），长期稳定性待观察。
- 来源：LangGraph GitHub
对比竞品 CrewAI（YC 创业公司，社区驱动）：CrewAI 迭代更快（周更常见，最后 push 2026-07-07），但创业公司的长期维护承诺弱于微软研究院的企业级背书。
- 来源：CrewAI GitHub

评分依据可追溯至公开来源，每项分数均有明确理由和数据支撑。

🏷️ 标签说明

开源免费: 基于 MIT 协议开源，可免费自行部署和二次开发，无使用限制。来源：GitHub License - microsoft/autogen
多Agent: 支持多 Agent 对话协作，提供 UserProxy/Assistant/GroupChat 等多种 Agent 类型和群聊编排。来源：AutoGen 官方文档
对话: 以多 Agent 自然语言对话为核心交互方式，Agent 间通过对话完成代码生成、工具调用、推理等复杂任务。来源：arXiv 2308.08155
微软: 微软研究院（Azure AI 团队）官方开发与维护，深度集成微软技术栈（Azure OpenAI、VS Code 等）。来源：Microsoft Research - AutoGen

📋 来源与核验记录

✅ GitHub API 已验证: microsoft/autogen（Stars 59,549 / Forks 8,964 / Contributors 533+, 最后 push 2026-04-15）
✅ Semantic Scholar API 已验证: AutoGen Paper Citations（被引 1,992 次）
✅ PyPI Stats API 已验证: autogen-agentchat（周下载 241,053 / 月下载 1,157,431）
✅ GitHub API 竞品验证: CrewAI ★55,069 / LangGraph ★36,511 / MetaGPT ★69,241
⚠️ 未直接验证（受 Cloudflare 拦截）: microsoft.github.io/autogen — 文档页面内容未通过页面核验逐页确认
❌ 死链: 无

同分类推荐

开源框架分类下的其他 Agent