LLMs之Agent之AutoGen：AutoGen的简介、安装、使用方法之详细攻略
AutoGen的简介、安装、使用方法
2023年9月30日左右，微软正式开源AutoGen，这是一个框架，允许开发具有多个Agent的LLM应用程序，这些Agent可以相互交流以解决任务。AutoGen的Agent是可定制的、可对话的，并可以无缝地允许人类参与。它们可以在使用LLM、人类输入和工具的各种模式下运行。
>> AutoGen使基于多Agent对话构建下一代LLM应用程序变得更加轻松。它简化了复杂LLM工作流程的协调、自动化和优化。它最大程度地提高了LLM模型的性能并克服了它们的弱点。
>> 它支持复杂工作流的多种对话模式。开发人员可以使用可定制和可对话的Agent来构建涵盖对话自治、Agent数量和Agent对话拓扑的各种对话模式。
>> 它提供了一系列具有不同复杂性的工作系统。这些系统涵盖了各种领域和复杂度的应用程序。这展示了AutoGen如何轻松支持多样化的对话模式。
>> AutoGen提供了增强的LLM推理。它提供了简单的性能调整，以及API统一和缓存等实用工具，以及高级用法模式，如错误处理、多配置推理、上下文编程等。
AutoGen由Microsoft、宾夕法尼亚州立大学和华盛顿大学的合作研究支持。
相关文档：AutoGen | AutoGen
GitHub地址：GitHub - microsoft/autogen: Enable Next-Gen Large Language Model Applications. Join our Discord: https://discord.gg/pAbnFJrkgZ
1、多Agent对话框架
AutoGen通过通用多Agent对话框架实现了下一代LLM应用程序。它提供了可定制和可对话的Agent，集成了LLM、工具和人类。通过自动化多个有能力的Agent之间的聊天，人们可以轻松地使它们共同执行任务，无需人类反馈，包括需要使用代码的工具的任务。这种用例的特点包括：
>> 多Agent对话：AutoGenAgent可以相互交流以解决任务。这使得可以开发比单个LLM更复杂和复杂的应用程序成为可能。
>> 定制：AutoGenAgent可以定制以满足应用程序的特定需求。这包括选择要使用的LLM、允许的人类输入类型和要使用的工具。
>> 人类参与：AutoGen可以无缝地允许人类参与。这意味着人类可以根据需要提供输入和反馈给Agent。
2、AutoGen的对话流程
3、增强的LLM推理
AutoGen还有助于最大程度地利用诸如ChatGPT和GPT-4之类昂贵LLM的效用。它提供了增强的LLM推理，具有调整、缓存、错误处理和模板等强大功能。例如，您可以通过自己的调整数据、成功指标和预算来优化LLM生成。
# perform tuning
config, analysis = autogen.Completion.tune(
data=tune_data,
metric="success",
mode="max",
eval_func=eval_func,
inference_budget=0.05,
optimization_budget=3,
num_samples=-1,
)
# perform inference for a test instance
response = autogen.Completion.create(context=test_instance, **config)
请在此功能的更多代码示例中查找更多信息。
地址：AutoGen - Automated Multi Agent Chat | AutoGen
AutoGen的安装
1、安装
AutoGen要求Python版本>= 3.8。可以使用pip安装：
pip install pyautogen
安装时只安装了最小的依赖项，没有额外选项。您可以根据您的需求安装额外的选项。
在代码执行方面，强烈建议安装python docker包，并使用docker。
有关LLM推理配置，请查看常见问题解答。
地址：Frequently Asked Questions | AutoGen
2、快速测试
第一步，点击下面的链接使用Github Codespace，在GitHub Codespaces中打开
地址：https://w/microsoft/autogen?quickstart=1
第二步，将OAI_CONFIG_LIST_sample复制到/notebook文件夹，命名为OAI_CONFIG_LIST，并设置正确的配置。
第三步，开始使用笔记本！
AutoGen的使用方法
1、基础用法
(1)、启动两个代理之间的自动聊天来解决任务
from autogen import AssistantAgent, UserProxyAgent, config_list_from_json
# Load LLM inference endpoints from an env variable or a file
# See https://microsoft./autogen/docs/FAQ#set-your-api-endpoints
# and OAI_CONFIG_LIST_sample
config_list = config_list_from_json(env_or_file="OAI_CONFIG_LIST")
# You can also set config_list directly as a list, for example, config_list = [{'model': 'gpt-4', 'api_key': '<your OpenAI API key here>'},]
assistant = AssistantAgent("assistant", llm_config={"config_list": config_list})
user_proxy = UserProxyAgent("user_proxy", code_execution_config={"work_dir": "coding"})
user_proxy.initiate_chat(assistant, message="Plot a chart of NVDA and TESLA stock price change YTD.")
# This initiates an automated chat between the two agents to solve the task
python test/twoagent.py
