autogen-ui
autogen-ui 是一个专为 AutoGen 框架打造的网页用户界面,旨在让多智能体大语言模型应用的交互变得直观可视。它解决了开发者在构建和调试多智能体协作系统时,往往只能依赖命令行或代码脚本,缺乏实时观察对话流程和结果反馈的痛点。
这款工具非常适合 AI 开发者、研究人员以及希望快速原型化多智能体场景的技术人员使用。通过 autogen-ui,用户可以轻松配置智能体团队,并在浏览器中通过简洁的聊天界面发送指令,实时查看智能体之间的协作过程与最终输出。其核心技术亮点在于采用了前后端分离架构:后端基于 FastAPI 提供任务管理与流式结果传输,前端则利用 Next.js 构建响应式聊天界面,并完美适配 AutoGen 最新的 AgentChat API。
作为一个“入门级”参考项目,autogen-ui 不仅提供了开箱即用的默认智能体团队配置,还展示了如何从代码层面扩展功能,如支持多团队切换、历史记录存储及安全认证等。虽然它目前主要作为开发示例存在,但为构建更复杂的多智能体应用界面奠定了坚实基础,是探索 AutoGen 生态不可多得的实用起点。
使用场景
某电商公司的数据分析师团队需要快速构建一个能自动分析用户评论、提取情感倾向并生成周报的多智能体系统,但缺乏前端开发资源来展示交互过程。
没有 autogen-ui 时
- 开发人员只能在黑盒终端中运行 Python 脚本,无法直观看到多个 AI 智能体(如“评论抓取员”、“情感分析员”、“报告撰写员”)之间的协作对话流。
- 每次调整智能体配置或提示词后,必须手动修改代码并重新运行脚本,调试周期长且难以追溯历史交互记录。
- 非技术背景的业务人员完全无法参与测试或提供反馈,导致需求对齐困难,最终生成的报告格式往往不符合实际业务预期。
- 缺乏实时流式输出,用户必须等待所有智能体完成整个任务链后才能看到结果,中间过程如同“盲盒”。
使用 autogen-ui 后
- 团队通过 autogen-ui 提供的网页聊天界面,实时可视化地观察到各个智能体如何逐步讨论、争论并最终达成共识的全过程。
- 只需在界面上直接输入新指令或调整预设的团队配置文件,即可立即重试任务,无需触碰后端代码,大幅缩短迭代时间。
- 业务人员可以直接在浏览器中与多智能体系统互动,即时验证分析结果并提出修改意见,实现了技术与业务的无缝协作。
- 借助 FastAPI 后端支持的流式传输,用户能像观看直播一样看到智能体逐字生成的思考过程和中间结论,透明度显著提升。
autogen-ui 将复杂的多智能体协作从晦涩的代码脚本转化为透明、可交互的视觉流程,让非开发者也能轻松驾驭高级 AI 应用。
运行环境要求
- 未说明
未说明
未说明

快速开始
AutoGen UI

[!IMPORTANT]
本仓库已更新,现基于新的 AutoGen 0.4x AgentChat API 使用 AutoGen AgentChat 接口。此外,API 可能会发生变化,因此未来可能会出现一些破坏性变更。
这是使用 AutoGen AgentChat API 构建 UI 界面的“Hello World”示例。
一个演示如何利用 AutoGen AgentChat API 构建界面的示例 UI。该 UI 使用 Next.js 构建,并通过 FastApi 提供后端 Web API。
应用程序的功能是什么?

autogenui.manager- 提供一个简单的运行方法,接收提示并从预定义的 代理团队 获取响应。请查看 代理团队 的 JSON 配置文件,了解代理的配置方式,以及支持的代理类型等信息。有关如何使用提供的类加载团队规范的示例,请参阅 教程笔记本。autogenui.web.app.py- FastApi 后端,提供一个简单的/generate端点,接收提示并从预定义的 代理团队 获取响应。- 创建管理器以执行任务
- 将任务执行结果流式传输到客户端 UI
frontend- Next.js 前端,提供一个简单的聊天界面,用于与后端交互。
下一步计划是什么?
显然,这个应用只是一个起点。以下是一些扩展它的思路:
- 扩展管理器,使其能够通过 UI 支持多种团队配置。
- 将交互历史存储并加载到数据库中。
- 安全性方面——为应用程序添加身份验证和授权机制。
[!TIP] 注意 AutoGen Studio 正在基于 AgentChat API 进行重写,以解决上述大多数问题。可以参考其实现,获取更完整的示例。
快速开始
请注意,您需要设置 OPENAI_API_KEY 才能运行此应用。
export OPENAI_API_KEY=<your key>
安装依赖项。需要 Python 3.9 或更高版本。您可以使用 pip 从 PyPI 安装:
pip install autogenui
或者从源代码安装:
git clone git@github.com:victordibia/autogen-ui.git
cd autogenui
pip install -e .
运行 UI 服务器。
设置环境变量 OPENAI_API_KEY:
export OPENAI_API_KEY=<your_key>
autogenui # 或者使用 --port 8081
在浏览器中打开 http://localhost:8081。
要修改源文件,请在前端源文件中进行更改,然后运行 npm run build 重新构建前端。
开发模式
要在开发模式下运行应用程序,您需要分别运行后端和前端。
后端——支持热重载
autogenui --reload
[!TIP] 提示 此 CLI 加载的 UI 是预先编译好的版本,通过运行下面的前端构建命令生成。这意味着,如果您更改了前端代码,或更改了后端运行的主机名或端口,则需要重新构建前端代码,才能通过此命令加载更新后的前端。
前端
cd frontend
安装依赖项:
yarn install
以开发模式运行——支持热重载。
在命令行中设置 NEXT_PUBLIC_API_SERVER:
export NEXT_PUBLIC_API_SERVER=http://<your_backend_hostname>/api
或者在前端目录中创建一个 .env 文件,内容如下:
NEXT_PUBLIC_API_SERVER=http://<your_backend_hostname>/api
其中 your_backend_hostname 是 autogenui 运行的主机名,例如 localhost:8081。
yarn dev
(重新)构建
请记住,在构建之前先安装依赖项并设置 NEXT_PUBLIC_API_SERVER:
yarn build
路线图
该项目并没有明确的路线图。它旨在作为一个简单的示例,帮助您快速入门 AutoGen AgentChat API。如需更完整的示例,请参阅 AutoGen Studio 项目。
参考文献
@inproceedings{dibia2024autogen,
title={AutoGen Studio: A No-Code Developer Tool for Building and Debugging Multi-Agent Systems},
author={Dibia, Victor and Chen, Jingya and Bansal, Gagan and Syed, Suff and Fourney, Adam and Zhu, Erkang and Wang, Chi and Amershi, Saleema},
journal={EMNLP 2024},
year={2024}
}
@inproceedings{wu2023autogen,
title={AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation Framework},
author={Qingyun Wu and Gagan Bansal and Jieyu Zhang and Yiran Wu and Shaokun Zhang and Erkang Zhu and Beibin Li and Li Jiang and Xiaoyun Zhang and Chi Wang},
year={2023},
eprint={2308.08155},
archivePrefix={arXiv},
primaryClass={cs.AI}
}
常见问题
相似工具推荐
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面,旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点,将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师,还是想要深入探索模型潜力的开发者与研究人员,都能从中获益。其核心亮点在于极高的功能丰富度:不仅支持文生图、图生图、局部重绘(Inpainting)和外绘(Outpainting)等基础模式,还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外,它内置了 GFPGAN 和 CodeFormer 等人脸修复工具,支持多种神经网络放大算法,并允许用户通过插件系统无限扩展能力。即使是显存有限的设备,stable-diffusion-webui 也提供了相应的优化选项,让高质量的 AI 艺术创作变得触手可及。
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手(如 Claude Code、Codex、Cursor 等)打造的高性能优化系统。它不仅仅是一组配置文件,而是一个经过长期实战打磨的完整框架,旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能,everything-claude-code 能显著提升 AI 在复杂任务中的表现,帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略,使得模型响应更快、成本更低,同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库,还是需要 AI 协助进行安全审计与自动化测试,everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目,它融合了多语言支持与丰富的实战钩子(hooks),让 AI 真正成长为懂上
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎,专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式,采用直观的节点式流程图界面,让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景,也能自由组合模型、调整参数并实时预览效果,轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性,不仅支持 Windows、macOS 和 Linux 全平台,还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构,并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者,还是追求极致创作自由度的设计师与资深 AI 绘画爱好者,ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能,使其成为当前最灵活、生态最丰富的开源扩散模型工具之一,帮助用户将创意高效转化为现实。
NextChat
NextChat 是一款轻量且极速的 AI 助手,旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性,以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发,NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言,它也提供了便捷的自托管方案,支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性,原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型,让用户在一个界面即可自由切换不同 AI 能力。此外,它还率先支持 MCP(Model Context Protocol)协议,增强了上下文处理能力。针对企业用户,NextChat 提供专业版解决方案,具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能,满足公司对数据隐私和个性化管理的高标准要求。
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程,旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周,包含 26 节精炼课程和 52 道配套测验,内容涵盖从基础概念到实际应用的完整流程,有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员,还是对人工智能充满好奇的普通爱好者,都能从中受益。课程不仅提供了清晰的理论讲解,还强调动手实践,让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持,通过自动化机制提供了包括简体中文在内的 50 多种语言版本,极大地降低了全球不同背景用户的学习门槛。此外,项目采用开源协作模式,社区活跃且内容持续更新,确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路,ML-For-Beginners 将是理想的起点。
ragflow
RAGFlow 是一款领先的开源检索增强生成(RAG)引擎,旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体(Agent)能力相结合,不仅支持从各类文档中高效提取知识,还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中,幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构(如表格、图表及混合排版),显著提升了信息检索的准确度,从而有效减少模型“胡编乱造”的现象,确保回答既有据可依又具备时效性。其内置的智能体机制更进一步,使系统不仅能回答问题,还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统,还是致力于探索大模型在垂直领域落地的创新者,都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口,既降低了非算法背景用户的上手门槛,也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目,它正成为连接通用大模型与行业专有知识之间的重要桥梁。