AutoGen实战应用

+代码生成、执行和调试

0、前言（自己做的笔记，方便自己理解，可以忽略）

==================================================================
1.什么是Agent?
2.Agent和大模型的关系

1.大模型本质就是一个很大的深度学习模型(理解数据特征)
 模型只具备感知层能力，无逻辑判断能力
 大模型数据非常大，文本过大，训练出现交叠，出现幻觉
 用户提问包含较复杂的逻辑时候，大模型无法给到满意答复，因为无法判断。
 在大模型架构中接入Agent来进行判断，来解决幻觉问题。
 用户提出需求后，交给中间的代理 Agent，Agent分解用户需求，指定需求分解后新的标准，
 将分解的续期交给大模型去执行，大模型给出执行结果交给Agent判断（对结果评分）是否符合逻辑判断
 如果不符合则再次交给大模型执行，如果符合将结果给用户输出。
 
 还不够好、有不实信息、存在偏见歧视、与问题无关
 内容不准确、错误的价值观导向、侵犯他人权益、不我要吐槽
 
 提示词最好给一个案例；
 
 
 
 Agent仅能评判特征的价值，Agent是不需要训练的，因为Agent只是一个算法(贝尔曼方程-即价值最大化)而已 
 所谓的训练Agent，指的是训练Agent背后的模型，即特征提取器 
 Agent不具备数据的理解能力，因为背后是一个模型 
 Agent是用来做决策的。
 
 例如：输入文本--Agent背后的模型(Agent大脑)将文本转化为特征-
 
2.Agent来源于强化学习(AI的分支)
   1.图像
   2.语音
   3.自然语义
   4.强化学习
   1-3解决的是感知层问题（让计算机理解人类社会中的真实数据）
   4 研究的是逻辑问题（人类为啥会产生各种行为）-- 价值问题
   
3.工作流：将工作流程化
 例如：
 甲方：要求帮助开发一款线上小程序（前端页面、后端管理）
 乙方：进行任务拆解（前端开发需求和后端开发需求）
       任务下发：给前端部门和后端部门
       前端部门：部门经理--管理小组1、2、3-小组1、2、3分别完成不同需求部分1、2、3
       后端部门：部门经理--管理小组1、2、3-小组1、2、3分别完成不同需求部分1、2、3
  ===========================================
  |            任务下发                      |
  ==========================================
  |  前端部门         |    后端部门          |
  | 部门经理(管理者） |    部门经理(管理者)  |
  --------------------------------------------
  | 小组1:需求1       |    小组1:需求1       |
  | 小组2:需求2       |    小组2:需求2       |
  | 小组3:需求3       |    小组3:需求3       |
  =========================================== 

   上面改为Agent
   
  ===========================================
  |            Agent                     |
  ==========================================
  |  Agent group1     |   Agent group1     |
  | 部门经理(管理者） |  部门经理(管理者)  |
  --------------------------------------------
  | Agent1:需求1      |    Agent1:需求1    |
  | Agent2:需求2      |    Agent2:需求2    |
  | Agent3:需求3      |    Agent3:需求3    |
  =========================================== 

1、AutoGen简介

       AutoGen Studio是一个开发框架，专注于自动化代码生成及辅助智能应用开发。它旨在通过集成先进的自动化工具和利用AI技术来加速软件开发流程，提高开发效率，并减少人为错误。

2、AutoGen的安装

前提：安装python环境，版本为 python3.11
在python环境下，执行下面代码进行安装，如下图所示

 pip install autogenstudio==0.1.5 -i https://mirrors.aliyun.com/pypi/simple

3、AutoGen的启动

在python环境下，执行下面代码进行启动：

 autogenstudio ui --port 8081

参数说明：

--host <host>  : 指定host地址，默认为 localhost ；
--port <port>  : 指定端口号，默认为8080 ；
--reload : 当代码发生改变时，服务器自动重新加载，默认不自动加载；
--appdir <appdir> : 指定文件存放位置（如产生的用户文件），默认为 ~/.autogenstudio ;
--database-uri <uri> : 指定数据库uri，例如PostgreSQL数据库可设置为 postgresql+psycopg://user:password@localhost/dbname

启动后，在浏览器内访问http://localhost:8081/即可开始使用AutoGen Studio。启动页面如下：

4、页面工作内容介绍

在这里我们可以看到5个tab：

Skills：AutoGen的技能，里面默认的有根据用户的查询生成并保存图像、根据提供的输入部分生成并保存PDF 。

Models：语言模型都是在这里设置的（设置本地模型或在线模型）

Agents：配置Agent代理，每个代理处理不同的事情

Workflows：工作流的配置，使用过程中哪个代理调用哪个代理的流程配置。

BackGround：用户创建会话，调用工作流。 

5、页面配置应用

5.1 配置Models

简单理解就是配置人的大脑。

然后我们选择OpenAI选项 ，填入模型名称、key值、baseurl（官网或本地模型url）。例如

如果是使用本地模型则先启动本地模型的服务。例如使用 ollama run deepseek-r1:7b

本地模式案例如下：

5.2 配置Agents 的代理

01 UserProxy 

user_proxy只是前端接待和指令执行者，不需要动脑子。因此不需要配置。

 02 创建 Primary Assistant

 创建第一个 Primary Assistant ，角色是 教师 Teacher

为 Teacher 选择模型 配置大脑

 创建第二个 Primary Assistant ，角色是 教师 Student

为 Studnet 选择模型

03 创建groupchat_assistant

这个主要是管理  Teacher 和 Student 的Agent

为 groupchat_assistant添加管理的Agent

为 groupchat_assistant 选择模型

5.3 配置Workflows

待续