ai大模型Autogen多Agent系统详细保姆级实践介绍，亲身实践展示代理效果

1 Autogen简介

AutoGen提供了一个统一的多代理对话框架，作为使用基础模型的高级抽象。它的特点是功能强大、可定制且可对话的代理，这些代理集成了llm、tools、和 human。通过在多个有能力的代理之间自动化聊天，可以很容易地让它们共同自主地执行任务或使用人工反馈，包括需要通过代码使用工具的任务。

该框架简化了复杂的LLM工作流程的编排、自动化和优化。它最大限度地提高了LLM模型的性能，克服了它们的缺点。它支持以最小的工作量构建基于多代理对话的下一代LLM应用程序。

2 Agent基本介绍

AutoGen抽象并实现可对话代理，旨在通过代理间对话解决任务。具体来说，AutoGen中的代理具有以下显著特征:

• 可对话: AutoGen中的代理是可对话的，这意味着任何代理都可以发送和接收来自其他代理的消息来发起或继续对话 （图2）

• 可定制: AutoGen中的代理可以定制以集成llm、人员、工具或它们的组合（图1）

图1 “可定制”特点解释

图2 灵活“可对话”特点解释

2.1 Agent基础类定义

Autogen为代理设计了一个通用的ConversableAgent类，这些代理能够通过交换消息相互通信，共同完成任务。一个代理可以与其他代理通信并执行操作。不同的代理在接收消息后执行的操作可能不同。两个代表性的子类是AssistantAgent和UserProxyAgent。

2.2 Agent实例1——对话场景测试

实例化两个类AssistantAgent和UserProxyAgent

AssistantAgent system_message: 扮演John，参加开学典礼，碰到同班同学

UserProxyAgent system_message: 扮演Andy，和John聊天，建立友谊

2.3 Agent实例2——解决数学问题

MathUserProxyAgent相对于AssistantAgent和UserProxyAgent两个类主要的区别在于system_message修改为了较长的prompt：

1. 一步一步地解决问题(不要过多划分步骤)。

2. 取出任何可以通过Python请求的查询(例如，任何可以计算的计算或方程)。

3. 等我说出结果。

4. 如果你认为结果是正确的，继续。如果结果无效或意外，请更正您的查询或推理。

mathproxyagent (to assistant):

你必须遵循下面的格式来编写代码: #你的代码

如果缺少某些包，您还可以建议使用代码来安装相应的包。

请遵循以下流程:

1. 一步一步地解决问题(不要过多划分步骤)。

2. 取出任何可以通过Python代码请求的查询(例如，任何可以计算的计算或方程)以及您在此对话上下文中知道的函数。

3. 等待我给出结果或者等待函数调用的执行结果。

4. 如果你认为结果是正确的，继续。如果结果无效或意外，请更正您的查询或推理。

问题:

4*x/(x^2-8*x+15) = A/(x-3) + B/(x-5)

assistant (to mathproxyagent):

为了解决这个问题，我建议我们遵循以下步骤:

1. 因式分解

2. 乘法操作，两边同乘(x-5)(x-3)，4x = A(_x_−5)+B(_x_−3)

3. 在除了( $$x=$$ 和 x=5 ）以外的所有_x_ 值点上与线性表达式一致，那么这两个表达式 $$x=$$ 和 x = 5也必须一致。

4. 代入计算 A 和 B。

让我们从第一步开始:

1. 因式分解，然后写因式分解代码，建议安装什么包

mathproxyagent (to assistant):

安装包然后执行因式分解

assistant (to mathproxyagent):

检查结果对不对，然后写下一步代码

mathproxyagent (to assistant):

…

2.4 Agent实例3——股票增长趋势

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】