📚 文档 | 💡 示例 | 🤝 贡献 | 📝 引用论文 | 💬 加入 Discord

AG2 是由 AutoGen 发展而来，完全开源。我们诚邀各组织的合作者共同参与贡献。

[!IMPORTANT] AG2 正在迈向 v1.0。 当前框架将在接下来的几个小版本中通过弃用功能逐步优化，并转入维护模式。测试版框架（autogen.beta）将在 v1.0 时成为 AG2 的正式版本。

阅读完整的发布路线图 →

AG2：面向 AI 代理的开源 AgentOS

AG2（原名 AutoGen）是一个开源编程框架，用于构建 AI 代理，并促进多个代理之间的协作以完成任务。AG2 致力于简化代理式 AI 的开发和研究。它提供了多种功能，包括能够相互通信的代理、对各种大型语言模型（LLM）的支持及工具使用支持、自主与人机协作的工作流，以及多代理对话模式。

该项目目前由来自多家机构的志愿者团队维护。如果您有意成为维护者，请通过support@ag2.ai联系项目管理员 Chi Wang 和 Qingyun Wu。

目录

• AG2：面向 AI 代理的开源 AgentOS
  • 目录
  • 入门指南
    • 安装
    • 配置 API 密钥
    • 运行你的第一个代理
  • 示例应用
  • 不同代理概念介绍
    • 可对话代理
    • 多代理编排
    • 人机协作
    • 工具
    • 高级代理设计模式
  • 公告
  • 代码风格与 linting
  • 相关论文
  • 贡献者墙
  • 引用本项目
  • 许可证

入门指南

有关 AG2 概念和代码的分步教程，请参阅我们的文档中的基本概念部分。

安装

AG2 需要 Python 版本 >= 3.10, < 3.14。AG2 可通过 PyPI 上的 ag2（或其别名 autogen）获取。

Windows/Linux:

pip install ag2[openai]

Mac:

pip install 'ag2[openai]'

默认会安装最低依赖项。您可以根据需要的功能安装额外选项。

配置 API 密钥

为保持 LLM 依赖关系整洁，并避免意外提交包含 API 密钥的代码，我们建议将密钥存储在配置文件中。

在我们的示例中，我们使用名为 OAI_CONFIG_LIST 的文件来存储 API 密钥。您可以选择任何文件名，但请务必将其添加到 .gitignore 中，以免被提交到版本控制系统。

您可以使用以下内容作为模板：

[
  {
    "model": "gpt-5",
    "api_key": "<your OpenAI API key here>"
  }
]

运行你的第一个代理

创建一个脚本或 Jupyter Notebook，并运行你的第一个代理。

from autogen import AssistantAgent, UserProxyAgent, LLMConfig

llm_config = LLMConfig.from_json(path="OAI_CONFIG_LIST")

assistant = AssistantAgent("assistant", llm_config=llm_config)

user_proxy = UserProxyAgent("user_proxy", code_execution_config={"work_dir": "coding", "use_docker": False})

user_proxy.run(assistant, message="总结 Python 列表和元组的主要区别。").process()

示例应用

我们维护了一个专门的仓库，其中包含各种应用，帮助您快速上手不同的用例，或者您可以从我们的 Jupyter 笔记本集合开始。

• 用 AG2 构建
• Jupyter 笔记本

不同代理概念介绍

AG2 提供了多种代理概念，帮助您构建 AI 代理。以下是其中最常见的几种。

• 可对话代理：能够发送消息、接收消息并使用 GenAI 模型、非 GenAI 工具或人工输入生成回复的代理。
• 人机协作：在对话中加入人工输入。
• 多代理编排：用户可以利用内置的对话模式（如群体协作、群聊、嵌套聊天、顺序聊天等）编排多个代理，也可以通过注册自定义回复方法来自定义编排方式。
• 工具：可被代理注册、调用和执行的程序。
• 高级概念：AG2 还支持结构化输出、RAG、代码执行等功能等。

可对话智能体

ConversableAgent 是 AG2 的基础构建模块，旨在实现 AI 实体之间的无缝通信。这种核心智能体类型负责消息交换和响应生成，是框架中所有智能体的基类。

我们从一个简单的示例开始，其中两个智能体协同工作：

• 一个 编码员智能体，用于编写 Python 代码。
• 一个 评审员智能体，用于对代码进行评审而不重写代码。

import logging
from autogen import ConversableAgent, LLMConfig

# 配置日志记录
logging.basicConfig(level=logging.INFO)
logger = logging.getLogger(__name__)

# 加载 LLM 配置
llm_config = LLMConfig.from_json(path="OAI_CONFIG_LIST")

# 定义智能体
coder = ConversableAgent(
    name="coder",
    system_message="你是一名 Python 开发者。请编写简短的 Python 脚本。",
    llm_config=llm_config,
)

reviewer = ConversableAgent(
    name="reviewer",
    system_message="你是一名代码评审员。请分析提供的代码并提出改进建议。不要生成代码，只需提出改进建议。",
    llm_config=llm_config,
)

# 开始对话
response = reviewer.run(
            recipient=coder,
            message="编写一个计算斐波那契数列的 Python 函数。",
            max_turns=10
        )

response.process()

logger.info("最终输出：\n%s", response.summary)

---

多智能体编排

AG2 通过灵活的编排模式实现了复杂的多智能体协作，允许您创建由专业智能体协同工作的动态系统，以解决复杂问题。

以下是如何构建一个由 教师、课程规划师 和 评审员 组成的团队，共同设计课程计划：

import logging
from autogen import ConversableAgent, LLMConfig
from autogen.agentchat import run_group_chat
from autogen.agentchat.group.patterns import AutoPattern

logging.basicConfig(level=logging.INFO)
logger = logging.getLogger(__name__)

llm_config = LLMConfig.from_json(path="OAI_CONFIG_LIST")

# 定义课程规划师和评审员
planner_message = "你是一名课堂课程规划师。根据给定的主题，为四年级学生编写一份课程计划。"
reviewer_message = "你是一名课堂课程评审员。将计划与课程标准进行比较，并提出最多三条改进建议。"

lesson_planner = ConversableAgent(
    name="planner_agent",
    system_message=planner_message，
    description="创建或修改课程计划。",
    llm_config=llm_config，
)

lesson_reviewer = ConversableAgent(
    name="reviewer_agent",
    system_message=reviewer_message，
    description="为课程计划提供一轮反馈。",
    llm_config=llm_config，
)

teacher_message = "你是一名课堂教师。你决定主题，并与规划师和评审员合作，最终确定课程计划。满意后，请输出 DONE!"

teacher = ConversableAgent(
    name="teacher_agent",
    system_message=teacher_message，
    is_termination_msg=lambda x: "DONE!" in (x.get("content", "") or "").upper(),
    llm_config=llm_config，
)

auto_selection = AutoPattern(
    agents=[teacher, lesson_planner, lesson_reviewer],
    initial_agent=lesson_planner，
    group_manager_args={"name": "group_manager", "llm_config": llm_config}，
)

response = run_group_chat(
    pattern=auto_selection，
    messages="让我们向孩子们介绍太阳系吧。",
    max_rounds=20，
)

response.process()

logger.info("最终输出：\n%s", response.summary)

---

人机协作

人类监督通常对于验证或指导 AI 输出至关重要。 AG2 提供了 UserProxyAgent，用于无缝集成人工反馈。

在此，我们将 教师–规划师–评审员 示例扩展为引入一名 人类评审员，对最终课程计划进行验证：

import logging
from autogen import ConversableAgent、LLMConfig、UserProxyAgent
from autogen.agentchat import run_group_chat
from autogen.agentchat.group.patterns import AutoPattern

logging.basicConfig(level=logging.INFO)
logger = logging.getLogger(__name__)

llm_config = LLMConfig.from_json(path="OAI_CONFIG_LIST")

# 与之前相同的智能体，但现在人类评审员会将任务传递给规划师，规划师会在收到“APPROVED”时终止流程
planner_message = "你是一名课堂课程规划师。根据给定的主题，为四年级学生编写一份课程计划。"
reviewer_message = "你是一名课堂课程评审员。将计划与课程标准进行比较，并提出最多三条改进建议。"
teacher_message = "你是一位经验丰富的课堂教师。你不准备计划，而是为规划师提供关于关键主题的简单指导，以帮助其准备课程计划。"

lesson_planner = ConversableAgent(
    name="planner_agent",
    system_message=planner_message，
    description="在提交评审之前创建或修改课程计划。",
    is_termination_msg=lambda x: "APPROVED" in (x.get("content", "") or "").upper(),
    human_input_mode="NEVER",
    llm_config=llm_config，
)

lesson_reviewer = ConversableAgent(
    name="reviewer_agent",
    system_message=reviewer_message，
    description="在提交给人类评审员之前，为课程计划提供一轮反馈，然后返回给规划师。",
    llm_config=llm_config，
)

teacher = ConversableAgent(
    name="teacher_agent",
    system_message=teacher_message，
    description="在需要时提供关于主题和内容的指导。",
    llm_config=llm_config，
)

human_validator = UserProxyAgent(
    name="human_validator",
    system_message="你是一名人类教育工作者，负责对课程计划进行最终批准。",
    description="评估拟议的课程计划，批准或要求修改，然后再返回给规划师。",
)

auto_selection = AutoPattern(
    agents=[teacher、lesson_planner、lesson_reviewer]，
    initial_agent=teacher，
    user_agent=human_validator，
    group_manager_args={"name": "group_manager", "llm_config": llm_config}，
)

response = run_group_chat(
    pattern=auto_selection，
    messages="让我们向孩子们介绍太阳系吧。",
    max_rounds=20，
)

response.process()

logger.info("最终输出：\n%s", response.summary)

---

工具

通过 工具，智能体可以显著增强其功能，利用外部数据、API 或函数扩展其能力。

import logging
from datetime import datetime
from typing import Annotated
from autogen import ConversableAgent、register_function、LLMConfig

logging.basicConfig(level=logging.INFO)
logger = logging.getLogger(__name__)

llm_config = LLMConfig.from_json(path="OAI_CONFIG_LIST")

# 工具：返回给定日期的星期几
def get_weekday(date_string: Annotated[str, "格式：YYYY-MM-DD"]) -> str:
    date = datetime.strptime(date_string, "%Y-%m-%d")
    return date.strftime("%A")

date_agent = ConversableAgent(
    name="date_agent",
    system_message="您负责为给定日期查找星期几。",
    llm_config=llm_config,
)

executor_agent = ConversableAgent(
    name="executor_agent",
    human_input_mode="NEVER",
    llm_config=llm_config,
)

# 注册工具
register_function(
    get_weekday,
    caller=date_agent,
    executor=executor_agent,
    description="获取给定日期的星期几",
)

# 在聊天中使用工具
chat_result = executor_agent.initiate_chat(
    recipient=date_agent,
    message="我出生于1995年3月25日，那天是星期几呢？",
    max_turns=2,
)

logger.info("最终输出：\n%s", chat_result.chat_history[-1]["content"])

高级代理设计模式

AG2 支持更高级的概念，帮助您构建 AI 代理工作流。更多信息请参阅文档。

• 结构化输出
• 结束对话
• 检索增强生成 (RAG)
• 代码执行
• 带密钥的工具
• 模式手册（9种分组编排）

公告

🔥 🎉 2024年11月11日： 我们将 AutoGen 升级为 AG2！ 一个新的组织 AG2AI 已成立，用于在开放治理下托管 AG2 及相关项目的开发。请查看 AG2 的全新面貌。

📄 许可证： 自 v0.3 版起，我们采用 Apache 2.0 许可证。这不仅增强了我们对开源协作的承诺，也为贡献者和用户提供了额外的保护。

🎉 2024年5月29日：DeepLearning.ai 推出了新短课程 使用 AutoGen 的 AI 代理设计模式，该课程由 Microsoft 和宾夕法尼亚州立大学合作开发，由 AutoGen 的创建者 Chi Wang 和 Qingyun Wu 主讲。

🎉 2024年5月24日：Foundation Capital 在《福布斯》上发表了文章 多智能体 AI 的前景，并发布了一段视频 现实世界中的 AI 第二集：与 Chi Wang 探讨多智能体 AI 和 AutoGen。

🎉 2024年4月17日：Andrew Ng 在 The Batch 新闻通讯 中提到了 AutoGen，还在红杉资本的 AI Ascent 活动（3月26日）上分享了 AI 代理工作流的未来发展方向。

更多公告

代码风格与 lint 检查

该项目使用 prek 钩子来维护代码质量。在提交贡献之前：

1. 安装 prek：

pip install prek
prek install

2. 钩子会在每次提交时自动运行，或者您可以手动运行：

prek run --all-files

相关论文

• AutoGen：通过多智能体对话实现下一代大语言模型应用

• EcoOptiGen：大型语言模型生成推理的超参数优化

• MathChat：利用大语言模型代理对话解决难题

• AgentOptimizer：以函数作为可学习权重对语言模型代理进行离线训练

• StateFlow：通过状态驱动的工作流提升大语言模型的任务解决能力

贡献者墙

引用本项目

@software{AG2_2024,
author = {Chi Wang 和 Qingyun Wu 以及 AG2 社区},
title = {AG2：面向 AI 代理的开源 AgentOS},
year = {2024},
url = {https://github.com/ag2ai/ag2},
note = {可在 https://docs.ag2.ai/ 获取},
version = {最新版}
}

许可证

本项目采用 Apache License, Version 2.0 (Apache-2.0) 许可证。

本项目是从 AutoGen 分支出来的，包含两种许可证下的代码：

• 来自 https://github.com/microsoft/autogen 的原始代码采用 MIT 许可证。详细信息请参阅 LICENSE_original_MIT 文件。

• 本分支中的修改和新增内容采用 Apache License, Version 2.0 许可证。完整的许可文本请参阅 LICENSE 文件。

我们已记录这些变更，以确保透明度，并向用户和贡献者社区清晰地说明情况。更多详情请参阅 NOTICE 文件。

AG2 快速上手指南

AG2（前身为 AutoGen）是一个开源编程框架，用于构建 AI 智能体（Agents）并促进多智能体协作以解决复杂任务。它支持与大语言模型（LLM）交互、工具调用、自主工作流以及人机协同模式。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Windows, Linux 或 macOS
• Python 版本：>= 3.10 且 < 3.14
• API Key：您需要拥有大模型服务商（如 OpenAI）的 API Key。

安装步骤

AG2 可通过 PyPI 安装。根据您的操作系统，运行以下命令：

Windows / Linux:

pip install ag2[openai]

macOS:

pip install 'ag2[openai]'

提示：国内用户若遇到下载速度慢的问题，建议使用国内镜像源加速安装：

pip install ag2[openai] -i https://pypi.tuna.tsinghua.edu.cn/simple

配置 API Keys

为了安全地管理 API Key 并避免将其硬编码在代码中，建议创建一个配置文件。

1. 在项目根目录下创建一个名为 OAI_CONFIG_LIST 的文件。
2. 重要：将该文件名添加到 .gitignore 中，防止泄露密钥。
3. 填入以下 JSON 内容模板：

[
  {
    "model": "gpt-5",
    "api_key": "<your OpenAI API key here>"
  }
]

基本使用

运行第一个智能体

创建一个 Python 脚本（例如 main.py）或 Jupyter Notebook，复制以下代码即可启动一个简单的双智能体协作任务：一个负责编写代码，另一个负责执行和反馈。

from autogen import AssistantAgent, UserProxyAgent, LLMConfig

# 加载配置文件中的 LLM 设置
llm_config = LLMConfig.from_json(path="OAI_CONFIG_LIST")

# 创建助手智能体
assistant = AssistantAgent("assistant", llm_config=llm_config)

# 创建用户代理智能体（负责执行代码）
# work_dir: 代码执行目录，use_docker: 是否使用 Docker (False 表示直接在本地运行)
user_proxy = UserProxyAgent("user_proxy", code_execution_config={"work_dir": "coding", "use_docker": False})

# 启动对话：用户代理向助手发送消息并处理回复
user_proxy.run(assistant, message="Summarize the main differences between Python lists and tuples.").process()

核心概念简述

• ConversableAgent：AG2 的基础构建块，能够发送/接收消息并利用 LLM 生成回复。
• 多智能体编排：支持群聊（Group Chat）、顺序聊天等模式，让多个专用智能体协作解决复杂问题。
• 人机协同 (Human in the Loop)：通过 UserProxyAgent 轻松引入人类反馈，对 AI 的输出进行验证或指导。
• 工具支持：智能体可以注册、调用和执行外部工具或代码。

更多高级用法（如自定义多智能体模式、RAG 集成等），请参考官方文档或示例仓库 build-with-ag2。