Lesson 08 — AutoGen 对比：对话驱动的群聊编排

本课定位：横向对比段的最后一课。AutoGen（微软出品）用「对话」作为一等公民——多 Agent 在一个 GroupChat 里像开会一样发言。本课还补全 Agent L08 exercise 留的「辩论模式」坑（手写课只给了骨架没实现）。

补全的手写课：agent-lessons/08_multi_agent exercise 练习 3（辩论模式骨架）。

对比的前序课：L01 supervisor、L02 swarm、L07 CrewAI。

一、AutoGen 的独特范式：对话驱动

LangGraph 用「图」组织 Agent，CrewAI 用「角色+任务」，AutoGen 用「对话」：

LangGraph：你画图（节点+边），Agent 沿边流转
CrewAI：你声明角色和任务，框架自动编排
AutoGen：你把 Agent 放进一个 GroupChat，它们像开会一样发言

AutoGen 的核心概念

概念	对应其他框架	说明
`AssistantAgent`	LangGraph 的 `create_agent` / CrewAI 的 `Agent`	一个 AI 参与者
`Team`（GroupChat）	LangGraph 的图 / CrewAI 的 `Crew`	一组 Agent 的协作容器
`termination_condition`	LangGraph 的 `END` / CrewAI 的 task 完成	什么时候停止对话
`run(task=...)`	`graph.invoke()` / `crew.kickoff()`	启动协作

两种 GroupChat

类型	对应 LangGraph	行为
`RoundRobinGroupChat`	流水线（L04 串行 / 手写 L08）	按顺序轮流发言：A→B→A→B...
`SelectorGroupChat`	supervisor（L01）	LLM 选下一个发言者（看对话历史决定）

二、补全 Agent L08 的辩论模式坑

Agent L08 exercise 练习 3 留了什么？

打开 agent-lessons/08_multi_agent/exercise.md，练习 3 要求实现「辩论模式」——两个 Agent（正方/反方）就一个话题辩论。但手写课只给了 prompt 骨架，没有成品：

"练习 3：实现辩论模式...提示：正方和反方各有 system prompt..."

手写实现辩论模式很麻烦：要管理轮次（正方→反方→正方...）、终止条件（辩了几轮？谁认输了？）、消息传递（怎么把对方的发言给下一个 Agent）。

AutoGen 一行解决

from autogen_agentchat.teams import RoundRobinGroupChat
from autogen_agentchat.conditions import TextMentionTermination, MaxMessageTermination

team = RoundRobinGroupChat(
    participants=[proponent, opponent],  # 正方、反方
    termination_condition=(
        TextMentionTermination("CONCLUDE")   # 有人说 CONCLUDE 就停
        | MaxMessageTermination(6)           # 或达到 6 条消息（防无限辩论）
    ),
)
result = await team.run(task="辩题：AI 会取代程序员吗？")

RoundRobinGroupChat 自动管理轮次（正→反→正→反）、消息传递（每个 Agent 自动看到之前的对话）、终止条件。手写要几十行的循环逻辑，AutoGen 一个类搞定。

💡 termination_condition 用 | 组合多个条件——"满足任一即停"。这是 AutoGen 的优雅设计：终止条件是可组合的对象，不是硬编码的 if 判断。

三、教学金矿：AutoGen 的两个坑

坑 1：model_info 白名单（最大的坑）

AutoGen 的 OpenAIChatCompletionClient 内置了 OpenAI 模型白名单。非 OpenAI 模型（如 glm-4-flash）不在白名单里，必须手传 model_info，否则报错：

# ❌ 报错：ValueError: model_info is required when model name is not a valid OpenAI model
client = OpenAIChatCompletionClient(model="glm-4-flash", api_key=..., base_url=...)

# ✅ 正确：手传 model_info
client = OpenAIChatCompletionClient(
    model="glm-4-flash",
    api_key=...,
    base_url="https://open.bigmodel.cn/api/paas/v4",
    model_info={                          # ⭐ 非 OpenAI 模型必须传
        "vision": False,
        "function_calling": True,         # 支不支持函数调用
        "json_output": True,              # 支不支持 JSON 输出
        "family": "unknown",
        "structured_output": True,
        "multiple_system_messages": True,
    },
)

为什么有这个坑？ AutoGen 需要知道模型的能力（支不支持 function calling、JSON 输出等）来决定怎么调用它。OpenAI 模型它自动查表，非 OpenAI 模型它查不到——你得手动告诉它。

三个框架接国产模型的对比：

框架	接 GLM 的方式	难度
LangGraph	`ChatZhipuAI(model=...)` 一行	★ 最简单
CrewAI	`LLM(model='openai/glm-4')` + litellm + 关 tracing	★★★ 中等
AutoGen	`OpenAIChatCompletionClient` + 手传 model_info	★★★★ 最麻烦

坑 2：异步架构（async/await）

AutoGen 0.4+ 是完全异步的——所有调用都要 await：

# AutoGen 是异步的
async def main():
    result = await team.run(task="...")    # ⭐ 要 await
    await model_client.close()              # ⭐ 要手动关闭 client

asyncio.run(main())  # 用 asyncio.run 启动

对比 LangGraph/CrewAI 的同步风格：

# LangGraph/CrewAI 是同步的
result = graph.invoke(...)      # 直接调用
result = crew.kickoff()         # 直接调用

为什么 AutoGen 用异步？ 它设计目标是高并发（同时跑成百上千个 Agent），异步能高效处理 I/O 等待。但对于简单场景，异步增加了心智负担（要理解 async/await、asyncio.run）。

四、AutoGen vs LangGraph swarm（L02）

AutoGen 的 GroupChat 和 L02 的 swarm 都涉及"多 Agent 协作"，但机制不同：

	LangGraph swarm（L02）	AutoGen GroupChat
怎么传递控制权	handoff 工具（显式调用 transfer_to_xxx）	轮转/LLM 选择（隐式）
Agent 看到什么	handoff 时传递的上下文	整个对话历史（群聊里所有人都看得到）
谁控制流程	Agent 自己决定（调 handoff 工具）	GroupChat 框架（RoundRobin 轮流 / Selector LLM 选）
适合	固定流程（客服：分诊→退款→售后）	自由对话（辩论、头脑风暴、讨论）

💡 直觉：LangGraph swarm 像"接力赛"（交接棒），AutoGen GroupChat 像"圆桌会议"（大家围坐发言）。

五、三框架终极对比

学完 L07（CrewAI）+ L08（AutoGen），加上 L01-L06（LangGraph），你现在有三个框架的完整认知：

	LangGraph	CrewAI	AutoGen
范式	命令式（图）	声明式（角色）	对话式（群聊）
灵活性	★★★★★	★★☆	★★★
代码量	多	少	中
接国产模型	最简单	litellm 桥	model_info 坑
同步/异步	同步	同步	异步
特色	子图/并行/HITL/流式	expected_output/人设	辩论/群聊/终止条件组合
最适合	复杂生产系统	快速原型	多方对话/辩论

选型决策树

你的需求：
  ├── 需要精细控制（子图/并行/HITL/流式）？
  │     → LangGraph（唯一能做的）
  │
  ├── 需要快速搭原型（角色明确，2-3 个 Agent）？
  │     → CrewAI（声明式，最快）
  │
  └── 需要多 Agent 自由对话/辩论/讨论？
        → AutoGen（GroupChat 天生为此设计）

💡 三个框架不冲突，可以组合用：CrewAI 快速验证想法 → LangGraph 重写生产版 → AutoGen 做对话类功能。架构师的价值是知道每个工具的最佳用途。

六、本课代码

code.py 三个实验（注意是异步的 async/await）：

实验 1（辩论模式）：RoundRobinGroupChat 让正方/反方轮流辩论——补全 Agent L08 exercise 的坑
实验 2（Selector 群聊）：SelectorGroupChat 让 LLM 选发言者——对应 L01 supervisor
实验 3（三框架对比）：LangGraph/CrewAI/AutoGen 终极对比表 + 选型决策树

python workflow-lessons/08_autogen_comparison/code.py

七、小结 & 下节预告

✅ 本课要点： - AutoGen 用「对话」组织：多 Agent 在 GroupChat 里发言 - RoundRobinGroupChat：轮流发言（辩论/流水线） - SelectorGroupChat：LLM 选发言者（对应 supervisor） - termination_condition 用 | 组合（TextMention + MaxMessage） - model_info 白名单坑：非 OpenAI 模型必须手传 - 异步架构：async/await（和 LangGraph/CrewAI 同步不同） - 补全了 Agent L08 exercise 的辩论模式坑 🎯 - 三框架各有所长：LangGraph(精细)/CrewAI(简洁)/AutoGen(对话)

🔜 下节预告（L09 — 毕业项目）：横向对比段完成！L09 是整个多智能体课程的毕业项目——综合 L01-L08 的拓扑/通信/调度，搭一个多智能体研究系统（supervisor + 并行 + 共享态 + 多模型），可写进简历的完整作品。

⚠️ 清醒认知：AutoGen 的异步架构在简单场景下是负担（要写 async/await），但在高并发场景下是优势。而且它的 GroupChat 模式（所有人看到所有对话）在 Agent 多时会很费 token——每个人发言都包含完整历史。生产环境要注意控制对话长度和 Agent 数量。