1.2 关键特性与核心优势

1.2 关键特性与核心优势

数字先说话：在微软公开的多智能体基准里，用"写代码 Agent + 执行 Agent"协作的方式，比单 Agent 直接给答案的任务完成率高出一截，尤其在需要多步推理的代码任务上。但数字只是结果，我们更关心它靠什么拿到这个结果。这一节拆开 AutoGen 的几个关键特性，并讲清每个特性背后的工程取舍。

特性一：可对话的智能体是第一公民

传统框架里，调用大模型往往是"函数调用"式的——你传 prompt，它返 completion。AutoGen 反过来，Agent 是对象，对话是方法。这意味着你能给不同 Agent 配不同模型、不同系统提示、不同记忆，而不用在一大段字符串里切分角色。我们判断：当角色数超过两个、或角色职责差异明显时，这种"对象化"带来的清晰度远超它引入的复杂度。

# 给不同 Agent 配不同模型：写代码的用强模型，跑代码的用便宜模型
strong = {"model": "gpt-4o", "api_key": "YOUR_KEY"}
cheap = {"model": "gpt-4o-mini", "api_key": "YOUR_KEY"}

writer = ConversableAgent("writer", llm_config=strong,
                          system_message="你写高质量 Python。")
runner = ConversableAgent("runner", llm_config=cheap,
                          system_message="你只负责执行代码并返回输出。")
# 强弱模型分工，成本可控，质量不塌
​

注释里的意图是：把"贵"的推理留给真正需要创造力的环节，把"便宜"的留给机械执行。这种分工在单提示里很难做干净。

特性二：函数调用是 Agent 的手

Agent 默认只能在语言空间里说话，但挂上函数后它能查数据库、算指标、调 API。AutoGen 的函数调用回路把"模型想调函数 → 实际执行 → 结果塞回对话"做成自动闭环，你不用手写解析。代价是执行代码有风险，需要沙箱或人工确认，第五章会讲。

# 注册一个真实函数：把自然语言问题转成可执行的本地计算
def calc_area(length: float, width: float) -> float:
    """计算矩形面积。"""
    return length * width

# 把函数描述交给 Agent，模型会在需要时自动发起调用
assistant = ConversableAgent(
    "assistant",
    llm_config={"model": "gpt-4o-mini", "api_key": "YOUR_KEY"},
    functions=[calc_area],
)
# 当用户问"长3宽4的面积"，模型会生成调用 calc_area(3,4)，框架执行后把 12.0 塞回对话
​

特性三：群聊让协作涌现

GroupChat 把多个 Agent 放进共享历史，管理器按策略选下一发言者。你不需要写"先让 coder 说，再让 reviewer 说"的流程，群组自己轮转。优势是灵活，劣势是可能不收敛——第四章专门处理终止条件。

特性四：人机协作可插拔

human_input_mode 三个档（ALWAYS / TERMINATE / NEVER）让你决定人在哪一环出现。调试阶段开 ALWAYS 最稳，上线切 NEVER 最快。这是 AutoGen 在"完全自动"和"全程人工"之间留的调节阀。

和其他方式比，它强在哪

我们主张：选框架看任务形态，不是看谁更"先进"。AutoGen 的甜区是多角色协作且流程难提前写死的任务。

特性之间的协同，而非堆砌

单个特性不算稀奇，真正有用的是它们叠加。比如"函数调用"加上"群聊"，Agent 不仅能调工具，还能在多人讨论里决定谁去调；"人机协作"加上"终止条件"，人只在一句话就能叫停，而不是全程盯屏。我们建议初学者先体会两两组合，再谈全局。

# 函数调用 + 强弱分工的组合：贵模型决策调哪个函数，便宜模型执行
strong = {"model": "gpt-4o", "api_key": "YOUR_KEY"}
cheap = {"model": "gpt-4o-mini", "api_key": "YOUR_KEY"}

def fetch(url: str) -> str:
    """抓取网页标题。"""
    return f"标题来自 {url}"

decider = AssistantAgent("decider", llm_config=strong, functions=[fetch],
                         system_message="你决定何时抓网页。")
runner = AssistantAgent("runner", llm_config=cheap,
                        system_message="你复述 decider 的结论，不调函数。")
chat = decider.initiate_chat(runner, message="看下 example.com 的标题。", max_turns=2)
​

一个成本实测的直觉

我们做过粗略对比：同样"写代码并自测"的任务，单 Agent 一次成型但返工多；AutoGen 双 Agent 互审，单次调用多花约一倍 token，但一次跑通率明显更高，总体人工修 bug 的时间反而下降。所以"贵不贵"不能只看单次，要看完整交付成本。这也是为什么我们说选框架看任务形态。

特性五：模型与执行器的可插拔

AutoGen 把「模型」也做成接口而非绑定死某家供应商：OpenAI 之外，Anthropic、Gemini、本地 vLLM 都能通过实现同一个 ModelClient 接口接入，换供应商只改配置不动业务代码。执行端同理，code_executor 可换成 Docker 沙箱、本地进程或远程 Jupyter 内核。这意味着你写好的智能体骨架可以在不同底座间搬运：先用便宜的本地模型调通逻辑，再切强模型上线，成本曲线和迁移成本都明显下降。这也是「可对话智能体是第一公民」之外，AutoGen 容易被低估的第二条设计主线。

本节要点回顾

• 四个关键特性：对象化 Agent、函数调用闭环、群聊涌现、人机档位可调。
• 强弱模型分工是常见降本手段。
• 选框架看任务形态，AutoGen 的甜区是多角色、流程不定。

⚠️ 函数调用能执行任意代码，上生产前必须沙箱化或加人工确认，否则等于把机器交给模型随意操作。

💡 把"贵模型"留给创作、"便宜模型"留给执行，是对话即编排在工程成本上的直接体现。