AutoGen 的应用场景

AutoGen 作为一个强大的多智能体协作框架，可用于多种复杂任务：

1. 自动化工作流：构建由多个智能体组成的流水线，例如数据收集、分析、报告生成
2. 复杂问题分解：将难题拆解为子任务，分配给不同专长的智能体
3. 工具使用与集成：让智能体调用外部API、数据库或执行代码
4. 人机协作系统：设计需要人类参与关键决策的混合智能系统
5. 教育与培训：创建交互式学习环境，智能体可作为导师或学习伙伴

使用 DeepSeek 模型配置 AutoGen

要使用 DeepSeek 模型，需要正确配置 AutoGen 的模型端点和认证信息。以下是一个完整示例：
首先你需要有一个deepseek api，访问deepseek api平台进行api购买与配置，
接着打开VsCode/Pycharm进行python代码的编写
首先安装必要的依赖库

pip install -U “autogen-agentchat” “autogen-ext[openai]”
pip install chainlit

import chainlit as cl
from autogen_agentchat.agents import AssistantAgent
from autogen_agentchat.teams import RoundRobinGroupChat
from autogen_ext.models.openai import OpenAIChatCompletionClient

# 初始化时发送欢迎信息
@cl.on_chat_start
async def main():
    await cl.Message(content="你好，欢迎来到智能客服系统。请问有什么可以帮助您？").send()

# 定义处理用户查询的函数
async def run_team(query: str):
    model_client = OpenAIChatCompletionClient(
        model="deepseek-chat",
        base_url="https://api.deepseek.com",
        api_key="这里输入deepseek的api秘钥",
        model_info={
            "vision": False,
            "function_calling": False,
            "json_output": True,
            "family": "unknown",
        },
    )

    assistant_agent = AssistantAgent(
        "assistant",
        model_client=model_client,
        system_message=(
            "你是一个智能客服助手，你的任务是帮助用户解决各种问题。"
            "请根据用户的问题，给出一个最合适的答案。"
            "如果你无法解决用户的问题，请直接给出一个最合适的答案。"
            "请确保你的答案不超过100个字符。"
            "请使用中文回答。"
            "如果用户骂你，请回复：我知道你很急，但你先别急"
        ),
    )

    team = RoundRobinGroupChat(participants=[assistant_agent], max_turns=1)
    response_stream = team.run_stream(task=query)

    async for msg in response_stream:
        if msg.source != "user" and msg.content:
            await cl.Message(content=msg.content, author="Agent Team").send()

# 处理用户消息
@cl.on_message
async def handle_message(message: cl.Message):
    await run_team(message.content)

if __name__ == "__main__":
    import os,subprocess,sys
    script_name = os.path.basename(__file__)
    subprocess.run([sys.executable, "-m", "chainlit", "run", script_name, "-w"])

如果输入骂客服的话，客服会回复：我知道你很急，但你先别急

多智能体协作示例

以下是一个更复杂的示例，展示如何配置多个使用 DeepSeek 模型的智能体进行协作：

import autogen

# 配置DeepSeek模型
config_list = [
    {
        "model": "deepseek-chat",
        "api_base": "https://api.deepseek.com/v1",
        "api_key": "你的DeepSeek_API密钥",
        "api_type": "open_ai",
    }
]

# 工具函数 - 用于数学计算
def calculate(formula):
    """执行数学计算"""
    try:
        return eval(formula)
    except Exception as e:
        return f"计算错误: {str(e)}"

# 创建三个不同角色的智能体
researcher = autogen.AssistantAgent(
    name="researcher",
    system_message="你是一个专业研究员，擅长收集和整理信息。",
    llm_config={"config_list": config_list},
)

analyst = autogen.AssistantAgent(
    name="analyst",
    system_message="你是数据分析专家，擅长处理和解读数据。",
    llm_config={
        "config_list": config_list,
        "function_call": [{"name": "calculate", "parameters": {"formula": "string"}}],
    },
)

analyst.register_function(function_map={"calculate": calculate})

writer = autogen.AssistantAgent(
    name="writer",
    system_message="你是专业技术文档撰写人，擅长将复杂信息转化为通俗易懂的内容。",
    llm_config={"config_list": config_list},
)

# 创建用户代理
user_proxy = autogen.UserProxyAgent(
    name="user_proxy",
    human_input_mode="TERMINATE",
    max_consecutive_auto_reply=10,
)

# 启动多智能体协作流程
user_proxy.initiate_chat(
    researcher,
    message="""请分析当前大型语言模型的发展趋势。
    1. 研究当前最先进的模型及其性能指标
    2. 分析不同模型在参数规模和实际应用效果之间的关系
    3. 撰写一份技术报告总结你的发现"""
)

关键配置说明

1. API 配置：

   • api_base：指向 DeepSeek 的 API 端点
   • api_key：你的 DeepSeek API 访问密钥
   • api_type：设置为 “open_ai” 以使用兼容接口

2. 模型参数：

   • temperature：控制输出随机性（0.0 为确定性输出，1.0 为最大随机性）
   • timeout：设置请求超时时间，避免长时间等待

3. 函数调用：

   • 通过 function_call 参数配置智能体可调用的函数
   • 使用 register_function 注册实际的函数实现

注意事项

1. 确保你的 DeepSeek API 密钥具有足够权限
2. 注意 API 调用频率限制，必要时添加重试机制
3. 对于敏感信息，考虑添加内容过滤或隐私保护措施
4. 复杂任务建议设置合理的 max_consecutive_auto_reply 以避免无限循环

通过以上配置，可以充分利用 DeepSeek 模型的能力，构建强大的多智能体系统，实现从简单问答到复杂问题解决的各种应用场景。