AutoGen

AutoGen（微软）：我让两个AI自动开会，把代码审查和修复全包了

> 一个技术负责人的真实体验：以前团队花几小时手动审查代码，现在两个AI Agent自动对话、改完再审，我只在最后确认结果。

一、代码审查太耗时间，我想让AI自己搞定

我们团队每周都有大量代码需要审查。资深工程师花很多时间在看别人的代码、写评论、来回沟通修改上。我一直在想：能不能让两个AI自己对话——一个负责审查，一个根据意见修改，最后给我成品？

直到我发现微软的AutoGen。它是多AI智能体对话和协作框架，你可以创建多个不同角色的Agent，让它们自动对话、协作完成任务，你只在关键节点介入。我创建了一个“代码审查Agent”和一个“代码修复Agent”，设好对话规则：审查Agent先扫描代码输出问题列表→修复Agent逐一修改→审查Agent再验证。几十行代码一跑，两个Agent自动开始了对话。几分钟后，修复后的代码和审查报告就躺在我面前。以前团队花大半天的事，现在AI几分钟搞定。

二、AutoGen是什么？跟CrewAI有什么不同？

AutoGen是微软开源的多AI智能体编排框架。你可以创建多个具有不同角色和能力的Agent，编排它们之间的对话结构（顺序、群组、嵌套等），让它们自动协作完成任务。和CrewAI的“AI角色团队”相比：

– CrewAI：更轻量、更灵活、更像“角色扮演游戏”，适合创意和探索性任务。

– AutoGen：更结构化、更可控、支持人类随时介入，适合企业级严肃流程（如代码审查、客服、合规审批）。

AutoGen是微软AI研究团队的核心开源项目，深度整合Azure生态。目前GitHub上非常活跃，是微软在AI Agent赛道的主力框架。

三、我最离不开的几个能力

1. AI Agent自动对话，可编排、可控制

AutoGen的核心是“Conversable Agent”——每个Agent能收发消息、根据对话内容调整行为。你可以精确设定谁和谁对话、对话最多几轮、每轮回答策略。这种高度的可控性，让企业流程既享受自动化，又不会失控。

2. Human-in-the-loop：重要决策必须人类点头

在关键节点（如代码提交前、合同生成后）加入人工审批。Agent计算完，暂停，等我审阅确认后再继续。这在合规要求高的场景（金融、医疗）中是刚需。

3. 多模式编排：顺序、群组、嵌套

– 顺序：A→B→C，适合流水线任务。

– 群组：多个Agent同时讨论，适合头脑风暴。

– 嵌套：主对话中嵌入子对话处理子任务。我常用嵌套让“审查Agent”内部再调用一个“安全检测Agent”，解决了复杂任务的分解问题。

4. 工具调用：Agent边说边做

每个Agent可以配备工具（代码执行器、搜索引擎、数据库查询、API调用等）。代码修复Agent在对话中直接运行修改后的代码验证是否正确，而不只是“说”改了。这种“边说边做”让Agent从“讨论者”变成了“执行者”。

四、手把手教程：30分钟搭建代码审查+修复AI团队

第一步：安装AutoGen

pip install pyautogen

需要Python 3.8+。同时准备OpenAI API Key（或Azure OpenAI endpoint）。

第二步：配置LLM

import autogen

config_list = [
    {
        'model': 'gpt-4',
        'api_key': 'your-api-key',
    }
]

llm_config = {
    "config_list": config_list,
    "temperature": 0.7,
}

第三步：定义两个Agent

# 代码审查员
code_reviewer = autogen.AssistantAgent(
    name="CodeReviewer",
    system_message="你是一个资深代码审查员。检查代码中的bug、安全漏洞、性能问题和风格不一致。输出结构化的审查报告，指出问题位置和修改建议。",
    llm_config=llm_config,
)

# 代码修复员
code_fixer = autogen.AssistantAgent(
    name="CodeFixer",
    system_message="你是一个高级开发工程师。根据审查报告逐条修改代码，并输出完整的修改后代码。如果审查通过，回复'PASS'。",
    llm_config=llm_config,
)

# 用户代理（负责初始输入和最终输出）
user_proxy = autogen.UserProxyAgent(
    name="UserProxy",
    human_input_mode="TERMINATE",  # 任务完成后不请求人类输入
    max_consecutive_auto_reply=10,
    code_execution_config={"work_dir": "coding"},
)

第四步：编排对话流程

# 定义对话顺序：审查员先审，修复员根据报告改
from autogen import GroupChat, GroupChatManager

groupchat = GroupChat(
    agents=[user_proxy, code_reviewer, code_fixer],
    messages=[],
    max_round=12,
)

manager = GroupChatManager(groupchat=groupchat, llm_config=llm_config)

# 启动任务
user_proxy.initiate_chat(
    manager,
    message="请审查以下Python代码并修复发现的问题：\n```python\ndef divide(a,b):\n    return a/b\n```"
)

运行后，你会看到两个Agent的对话日志：审查员指出除零风险，修复员增加判断逻辑，审查员再次检查后通过。最终user_proxy输出修改后的完整代码。

第五步：加入人工审批（关键步骤）

在user_proxy中设置`human_input_mode=”ALWAYS”`，每次Agent要执行关键操作（如修改代码后输出）前会暂停等待人工确认“是否继续”。你可以手动放行或要求修改。这在企业环境非常实用。

五、真实优缺点

优点

1. 高可控性：对话结构、轮次、人工介入点都可精确配置，适合企业合规场景。
2. Human-in-the-loop：重要节点必须人类点头，避免AI“自作主张”。
3. 多模式编排：顺序、群组、嵌套覆盖了大部分真实业务流程。
4. 微软生态友好：与Azure、Power Platform深度整合，企业用户天然便利。
5. 开源且活跃：微软AI团队主导，迭代稳定，社区支持好。

缺点

1. 学习曲线较陡：相比CrewAI，配置更复杂，需要理解对话图、Agent角色、工具等概念。
2. 偏重企业场景：做轻量、有趣的Agent实验，CrewAI更顺手。
3. 对非微软用户吸引力一般：如果你不用Azure，生态优势不明显。
4. 成本不低：多Agent多轮对话会消耗较多LLM token，大规模使用需注意费用。

六、谁最适合用AutoGen？

– 企业IT/自动化团队：需要将标准流程（代码审查、客服、报告生成）自动化，且必须有审计、合规、人工审批。

– 微软生态用户：已在Azure、Microsoft 365上，AutoGen是最自然的Agent框架选择。

– 对AI Agent安全性有高要求的组织：金融、医疗、法律等行业，Human-in-the-loop是刚需。

七、什么情况下别用它？

– 只想快速做一个有趣的Agent团队：CrewAI更简单、更灵活。

– 没有Python基础或不想写代码：AutoGen需要编程。

– 任务极度简单：单个Agent或简单API调用就够了，没必要上多Agent编排。

八、我的真实感受：从“人工流水线”到“AI流水线”

用了AutoGen后，我们团队每周代码审查的人力成本降低了70%以上。Agent自动完成初轮审查和修复，工程师只复核最终结果和应对复杂逻辑。而且因为所有对话历史可存储、可追溯，合规部门很满意。当然，它也不是开箱即用——需要花时间设计Agent角色、对话策略、异常处理。但一旦跑通，它就是最守规矩、从不偷懒的员工。

九、一句话总评

AutoGen是企业级多AI智能体编排的理性选择——高可控、人机协同、微软生态。适合严肃业务场景，不适合玩玩而已。