在构建大语言模型应用时，单纯的文本对话往往无法满足复杂的业务需求，我们通常需要模型能够调用外部工具、执行代码甚至与用户进行多轮交互。AutoGen框架正是为此而生，它通过多Agent对话机制，将复杂的任务拆解给不同角色的智能体。其中，AssistantAgent和UserProxyAgent是最基础也是最重要的两个角色，它们的配置直接决定了整个工作流的执行效率与安全性。
一、理解AutoGen多Agent框架的核心设计
AutoGen的核心理念是通过可定制的对话型智能体来构建复杂的LLM应用。在多Agent对话模式中，任务不是由单个模型一次性完成的，而是通过多个Agent之间的协作与交互来逐步推进。这种设计极大地提高了任务完成的准确性和灵活性，使得系统能够自我纠错并适应各种突发情况。
在这个框架中，AssistantAgent主要扮演AI助手的角色。它接收指令，利用大语言模型的推理能力生成解决方案或编写代码。而UserProxyAgent则作为用户的代理，它不仅能够代替用户向AssistantAgent发送指令，更重要的是，它可以在本地环境中执行AssistantAgent生成的代码，并将执行结果自动反馈给AssistantAgent，从而形成一个闭环的交互流程。这种机制使得大模型不再局限于纸上谈兵，而是能够真正地操作计算机、处理数据并解决实际问题。
二、AssistantAgent的配置与提示词定制
AssistantAgent的配置主要集中在模型选择和系统提示词定制上。在初始化时，我们需要为其指定一个大语言模型配置列表，这通常包含模型名称、API密钥以及基地址等信息。AutoGen支持多种模型接入方式，包括OpenAI的API以及通过自定义接口接入的开源模型，这为不同算力环境的开发者提供了极大的便利。
除了模型配置，系统提示词是控制AssistantAgent行为的关键。默认情况下，AssistantAgent被设定为一个擅长编写Python代码的助手。但在特定场景下，比如我们需要它编写SQL查询或者生成Shell脚本时，就必须修改其系统提示词。通过调整system_message参数，我们可以精确地定义Agent的角色定位、输出格式以及行为边界，从而避免模型输出无关紧要的废话，直接给出可执行的代码块。
from autogen import AssistantAgent
# 配置大语言模型
llm_config = {
"config_list": [
{
"model": "gpt-4",
"api_key": "your-api-key"
}
]
}
# 初始化AssistantAgent并定制系统提示词
assistant = AssistantAgent(
name="coding_assistant",
llm_config=llm_config,
system_message="你是一个专业的Python开发工程师。当遇到需要计算或逻辑处理的需求时，请始终使用Python代码块给出解决方案，并确保代码包含详细的中文注释。"
)
在上述代码中，我们创建了一个名为coding_assistant的助手，并通过system_message强制其以Python代码块的形式输出结果。这种定制化配置能够有效约束模型的行为，减少无效的对话轮次，提高代码生成的质量和针对性。
三、UserProxyAgent的执行环境与功能配置
UserProxyAgent是连接大模型与本地物理环境的桥梁。它的配置项比AssistantAgent更为丰富，主要涉及代码执行能力、人工干预模式以及终止条件等。默认情况下，UserProxyAgent具备在本地执行Python代码的能力，这依赖于Docker容器或本地Python环境。
在配置代码执行功能时，我们需要关注work_dir参数，它指定了代码执行的工作目录，所有生成的脚本和输出文件都会保存在这里。同时，use_docker参数决定了代码是否在Docker容器中隔离执行。对于生产环境，强烈建议开启Docker执行以防止模型生成恶意代码对宿主机造成破坏。此外，通过设置human_input_mode参数，我们可以控制代理在何种情况下请求真实用户的输入，例如设置为NEVER则完全自动化运行，设置为ALWAYS则每次回复前都会等待用户确认。
from autogen import UserProxyAgent
# 初始化UserProxyAgent
user_proxy = UserProxyAgent(
name="user_proxy",
human_input_mode="NEVER", # 完全自动化，不请求人工干预
max_consecutive_auto_reply=10, # 最大连续自动回复次数
is_termination_msg=lambda msg: "TERMINATE" in msg.get("content", ""), # 终止条件判断
code_execution_config={
"work_dir": "coding_workspace", # 代码执行工作目录
"use_docker": False # 为了演示方便关闭Docker，生产环境建议为True
},
system_message="你是用户代理。接收到代码后，请在本地执行并将结果反馈给助手。如果任务完成，请回复TERMINATE。"
)
这段代码展示了一个典型的UserProxyAgent配置。我们通过is_termination_msg设置了一个终止条件，即当对话消息中包含TERMINATE字符串时，对话自动结束。这通常与AssistantAgent的系统提示词配合使用，指示模型在完成任务后输出该终止信号，从而避免对话无限进行下去。
四、构建多Agent对话流程与终止条件控制
完成两个Agent的独立配置后，下一步是构建它们之间的对话流程。AutoGen提供了简洁的API来发起对话。通常由UserProxyAgent主动发起请求，AssistantAgent响应，随后UserProxyAgent执行代码并反馈，如此循环直到满足终止条件。
对话的终止控制是多Agent系统稳定运行的关键。除了前面提到的通过消息内容判断终止，AutoGen还提供了max_consecutive_auto_reply参数来防止无限循环。如果模型陷入死循环，或者代码执行一直报错导致模型不断尝试修复，该参数能够强制中断对话。合理设置这个数值，既能保证任务有足够的尝试次数，又能避免Token资源的无谓浪费。
# 发起对话
user_proxy.initiate_chat(
assistant,
message="请帮我编写一个Python脚本，计算斐波那契数列的前20项，并将结果保存到fibonacci.txt文件中。"
)
当这行代码执行后，你将看到控制台输出两个Agent之间的完整对话过程。AssistantAgent会生成代码，UserProxyAgent会在coding_workspace目录下创建并执行该脚本，如果执行报错，错误信息会被自动发送回AssistantAgent进行代码修正。这种自动化的试错与修复机制，正是AutoGen多Agent框架的强大之处，它极大地降低了开发门槛，让AI真正成为了解决问题的利器。
AutoGenAssistantAgentUserProxyAgent修改时间：2026-08-26 09:21:22