群聊与发言者选择

群聊与发言者选择

本节摘要:共享会话编排把 N 个 Agent 放进一个会话,由选择函数(LLM、轮询或自定义)决定下一个谁说。这是「涌现式多智能体会话」的原型——Agent 不知自己在静态图里的角色,只对共享池做反应。AutoGen GroupChat 与 AG2 GroupChat 是参考实现:AutoGen v0.2 的 GroupChat 语义被社区 fork 成 AG2 保留;AutoGen v0.4 重写为事件驱动 actor 模型;微软 2026/02 把 AutoGen 转维护模式并并入 Microsoft Agent Framework(RC 2026/02,与 Semantic Kernel 合并)。GroupChat 原语在 AG2 与 MAF 两条线都活着——学一次,处处用。本节用标准库从零实现 GroupChat,讲透三种选择器、终止条件、四类失败(确定性、谄媚、上下文膨胀、热点发言者),以及它与监督者的同构关系。

学习目标

阅读完本节,你应当能够:

1. 说清群聊的形状(共享消息池 + 选择函数)与它在 AutoGen/AG2/Microsoft Agent Framework 中的演化谱系。
2. 区分三种选择器(轮询、LLM 选择、自定义)的取舍。
3. 实现三种终止模式(最大轮数、TERMINATE 哨兵、目标达成检查)。
4. 识别四类失败(确定性不稳、谄媚级联、上下文膨胀、热点发言者)及其缓解。
5. 解释群聊与监督者的同构性(同四原语、不同默认)。

一、问题与直觉

静态图(LangGraph)在工作流已知时很好。真实会话不是静态的:有时程序员问评审员,有时问研究员,有时问作者。硬编码每种可能交接会产生边爆炸。你想要的是 Agent 对共享池做反应,由某个函数决定下一个谁说话。

这正是 AutoGen GroupChat 做的。

每个 Agent 看到每条消息;每轮调一次选择函数选下一个发言者。

三种选择器

• 轮询(Round-robin):固定循环,确定性,N 线性扩展,但无视上下文——话题是法务评审时程序员也拿话轮。
• LLM 选择:调一次 LLM,读近期池子返回最佳下一个发言者。上下文敏感但慢——每轮多一次 LLM 调用。AutoGen 默认。
• 自定义:任意逻辑的 Python 函数。典型:LLM 选择 + 回退规则(如「程序员之后总把话轮给验证者」)。

ConversableAgent API

agent = ConversableAgent(name="coder",
    system_message="你写 Python 代码。", llm_config={...})
chat = GroupChat(agents=[coder, reviewer, tester], messages=[])
manager = GroupChatManager(groupchat=chat, llm_config={...})
​

GroupChatManager 持有选择器。一个 Agent 完成一轮后,manager 调选择器返回下一个,循环到终止条件。

终止

三种常见模式:

• 最大轮数:总轮数硬上限。
• TERMINATE 哨兵:Agent 可发出哨兵消息;manager 见到即停。
• 目标达成检查:每轮跑一个轻量验证者,完成即停。

谱系:fork 与合并

2025 年初微软围绕事件驱动 actor 模型大改 AutoGen(v0.4)。社区把 v0.2 的 GroupChat 语义 fork 成 AG2,保留早期采用者集成的 API。2026/02 微软宣布 AutoGen 转维护,事件驱动 actor 模型并入 Microsoft Agent Framework(RC 2026/02,与 Semantic Kernel 合并)。GroupChat 概念两条线都活;实现细节不同。AG2 是 v0.2 兼容代码的首选上游。

何时适合

• 涌现式会话:不想预连每种可能的下一个发言者。
• 角色混合任务:程序员问研究员,研究员问档案员,档案员再问程序员。流不是 DAG。
• 探索式解题:想「头脑风暴会议」而非「流水线」。

何时失败

• 严格确定性:LLM 选择器可能不一致——同提示不同运行不同下一位。
• 谄媚级联:Agent 都服从说得最自信的。明确反提示。
• 上下文膨胀:每个 Agent 读每条消息;10 轮后上下文巨大。用投影(第 15 节)限定视图。
• 热点发言者:一个 Agent 因选择器偏爱其专长而主导对话。把发言平衡纳入选择器特征。

⚠️ 群聊是「协调从交互中涌现」的极致形态——好处是不必预连边,坏处是失去确定性,且上下文随轮数线性膨胀。「下一个谁说」看似简单,实则是整个系统行为的控制器。

群聊 vs 监督者

同原语,不同默认:

• 监督者:一个 Agent 规划、其他执行;选择器是「问规划者下一步干啥」。
• 群聊:所有 Agent 对等;选择器是共享池上的函数。

两者都用第 04 节的四原语。群聊默认 LLM 选择编排 + 全量池共享状态。

二、从零实现

code/main.py 用标准库实现 GroupChat:三个 Agent(coder、reviewer、manager),轮询与 LLM 选择两种变体,TERMINATE 哨兵终止。

骨架

class GroupChat:
    def __init__(self, agents, selector, terminator, max_rounds=10):
        self.agents = agents; self.selector = selector
        self.terminator = terminator; self.max_rounds = max_rounds
        self.pool = []
    def run(self, seed_message):
        self.pool.append({"from": "user", "content": seed_message})
        current = self.agents[0]
        for r in range(self.max_rounds):
            reply = current.reply(self.pool)
            self.pool.append({"from": current.name, "content": reply})
            if self.terminator(reply): break
            current = self.selector(self.agents, self.pool, current)
        return self.pool
​

三种选择器

def round_robin(agents, pool, last):
    return agents[(agents.index(last) + 1) % len(agents)]

def llm_selected(agents, pool, last):
    # 真实里:把近 N 条消息 + 各 Agent 专长喂 LLM,返回下一位
    recent = pool[-5:]
    return choose_best_fit(agents, recent)

def custom(agents, pool, last):
    if last.name == "coder":               # 程序员之后总给验证者
        return next(a for a in agents if a.name == "reviewer")
    return llm_selected(agents, pool, last)
​

设计要点:轮询确定性但无视上下文;LLM 选择上下文敏感但每轮多一次调用且不稳定。生产里最常用的是自定义 = LLM 选择 + 回退规则,既保留上下文敏感又有可控的强制交接。

三、框架对比

💡 心法:群聊适合涌现,图适合确定性。 同一个多智能体问题,要可审计可重放就用 LangGraph 的图;要头脑风暴式的灵活就用 GroupChat。别用群聊去硬凑一个本该是 DAG 的流程。

四、可复用产物

outputs/skill-groupchat-selector.md:为给定任务配置 GroupChat 选择器——轮询 vs LLM 选择 vs 自定义,以及用什么选择器输入(近期消息、Agent 专长、话轮计数)。

五、练习

1. 对比选择器:跑 code/main.py,对比轮询 vs LLM 选择下的会话。每种下哪个 Agent 主导?
2. 话轮上限:在选择器里加「每 Agent 最多发言 N 次」规则。它如何改变转写?
3. 目标达成终止:实现「评审员返回 approved 即停」。它在轮数上限前多常触发?
4. 读 AutoGen 文档:读 AutoGen GroupChat 文档,识别 GroupChatManager 的默认选择器。
5. v0.2 vs v0.4:读 AG2 仓库,对比 v0.2 GroupChat 与 v0.4 事件驱动版。v0.4 增加了什么具体属性(吞吐、容错、可组合)?

本节要点回顾

1. 群聊 = 共享消息池 + 选择函数:Agent 对共享池做反应,由选择函数决定下一个谁说;不必预连每种交接。
2. 三种选择器:轮询(确定但无视上下文)、LLM 选择(上下文敏感但慢且不稳)、自定义(最常用,LLM + 回退规则)。
3. 三种终止:最大轮数、TERMINATE 哨兵、目标达成检查。
4. 谱系:AutoGen v0.2 → AG2 fork;v0.4 → actor 模型 → Microsoft Agent Framework(2026/02 RC,与 Semantic Kernel 合并);GroupChat 原语两条线都活。
5. 四类失败:确定性不稳、谄媚级联、上下文膨胀(用投影缓解)、热点发言者(纳入话轮平衡)。
6. 与监督者同构:同四原语不同默认——监督者默认一个规划者,群聊默认全 Agent 对等 + LLM 选择 + 全量池。
7. 工程清单:最大轮数上限(10~20)、话轮平衡指标、终止哨兵、10 条后投影限视图、选择器输入与选择都记日志。
8. 群聊 vs 图:群聊适合涌现式会话,图适合确定性流程——别用群聊硬凑 DAG。

下一节,我们聚焦 OpenAI Swarm 提出的轻量协调原语——交接与例行程序,看一种刻意无状态的编排如何用工具调用实现控制转移。