AutoGen 2026：微软的多Agent对话框架深度评测

from autogen import ConversableAgent, GroupChat, GroupChatManager
from autogen.graph import ConversationGraph

# 创建具有不同专长的Agent
data_scientist = ConversableAgent(
    name="数据科学家",
    system_message="""你是一位资深数据科学家。
    你负责数据探索、特征工程和模型选择。
    当需要编写代码时，请使用python工具执行。""",
    llm_config={"model": "gpt-4o", "temperature": 0.3},
    code_execution_config={
        "work_dir": "workspace",
        "use_docker": True,        # 2026新增：默认Docker隔离
        "timeout": 60,
        "max_consecutive_auto_reply": 3
    }
)

domain_expert = ConversableAgent(
    name="业务专家",
    system_message="""你是一位金融领域专家。
    你负责理解业务需求、解释数据含义、验证分析结论的合理性。
    你不写代码，但你能判断分析方向是否正确。""",
    llm_config={"model": "claude-sonnet-4", "temperature": 0.5}
)

critic = ConversableAgent(
    name="审查员",
    system_message="""你是代码和分析方法的审查者。
    检查代码的正确性、统计方法是否恰当、结论是否有数据支撑。
    提出具体的改进建议，不做泛泛评价。""",
    llm_config={"model": "gpt-4o", "temperature": 0.2}
)

# GroupChat配置
group_chat = GroupChat(
    agents=[data_scientist, domain_expert, critic],
    messages=[],
    max_round=20,                   # 最大对话轮次
    speaker_selection_method="auto", # 自动选择发言者
    allow_repeat_speaker=False,      # 禁止连续发言
    select_speaker_prompt_template="""根据当前对话历史，选择下一位发言者。
    考虑任务的当前阶段和各Agent的专长。"""
)

manager = GroupChatManager(
    groupchat=group_chat,
    llm_config={"model": "gpt-4o", "temperature": 0.1}
)

# 启动对话
data_scientist.initiate_chat(
    manager,
    message="我们需要分析2025年A股市场科技板块的涨跌因子，数据已准备在data/目录下。"
)

def smart_speaker_selection(last_speaker, messages, groupchat):
    """基于任务阶段的发言者选择"""
    last_msg = messages[-1]["content"].lower()
    
    # 如果上一个消息包含代码，让审查员发言
    if "```python" in last_msg or "def " in last_msg:
        return "审查员"
    
    # 如果讨论业务概念，让业务专家发言
    if any(kw in last_msg for kw in ["业务", "市场", "策略", "风险"]):
        return "业务专家"
    
    # 默认让数据科学家继续
    return "数据科学家"

group_chat = GroupChat(
    agents=[data_scientist, domain_expert, critic],
    speaker_selection_method=smart_speaker_selection,  # 自定义函数
    max_round=20
)

┌─────────────────────────────────┐
│    Level 3: 完全隔离 (推荐)      │
│  Docker容器 + 资源限制 + 网络隔离 │
├─────────────────────────────────┤
│    Level 2: 进程隔离            │
│  subprocess + 超时 + 内存限制   │
├─────────────────────────────────┤
│    Level 1: 命名空间隔离        │
│  Python __main__ + import限制  │
├─────────────────────────────────┤
│    Level 0: 无隔离 (不推荐)      │
│  直接exec()执行                 │
└─────────────────────────────────┘

# 推荐的生产配置
code_execution_config = {
    "work_dir": "/app/agent_workspace",
    "use_docker": {
        "image": "python:3.12-slim",
        "auto_remove": True,
        "network_mode": "none",        # 无网络访问
        "mem_limit": "512m",           # 内存限制
        "cpu_period": 50000,           # CPU限制
        "read_only": False,            # 需要写文件
        "volumes": {
            "/app/workspace": {"bind": "/app/agent_workspace", "mode": "rw"}
        }
    },
    "timeout": 60,
    "max_consecutive_auto_reply": 3
}

from autogen.azure import AzureAIAgent

# 使用Azure OpenAI
azure_agent = ConversableAgent(
    name="azure_agent",
    llm_config={
        "model": "gpt-4o",
        "azure_deployment": "gpt-4o-prod",
        "api_version": "2026-02-01",
        "azure_endpoint": "https://my-resource.openai.azure.com"
    }
)

# 集成Azure AI Search
from autogen.tools import azure_search_tool

search_tool = azure_search_tool(
    endpoint="https://my-search.search.windows.net",
    index_name="knowledge-base",
    api_key="...",
    semantic_search="free"
)

azure_agent.register_tool(search_tool)