AG2

一句话定位

AutoGen 创始团队（Chi Wang / Qingyun Wu）从微软分叉并完全开源的”AgentOS”，以 可对话 Agent（ConversableAgent）+ 多 Agent 会话编排 为核心范式：所有 Agent 都能收发消息、用 LLM/工具/人类输入生成回复，靠 GroupChat、Swarm、Group（handoff）、Nested/Sequential chat 等内建对话模式协作；包名仍叫 autogen（PyPI 双发 ag2/autogen）。

设计理念 / 顶层架构

AG2 的内核信条是 “一切皆可对话的 Agent”：ConversableAgent 是所有 Agent 的基类，自身不内嵌固定的 ReAct 循环，而是维护一个有序的”回复函数（reply func）“列表，generate_reply() 按序尝试每个 reply func，谁先返回 final=True 就用谁的回复。LLM 推理、工具执行、代码执行、终止/人类输入都只是注册进来的 reply func，因此推理流程是可插拔、可重排、可排除的。设计取舍：

• 会话即编排：协作不是图或 DAG，而是”Agent 互相 send/receive 消息”。两 Agent 用 a.initiate_chat(b) / a.run(b)；多 Agent 用 GroupChat + GroupManager（一个 manager Agent 负责选下一个发言者）。
• 包结构（autogen/ 即 ag2）：agentchat/ 是骨架（conversable_agent.py 220KB 巨型基类、groupchat.py、assistant_agent.py、user_proxy_agent.py、chat.py）；agentchat/group/ 是新一代 handoff 式编排（patterns、handoffs、on_condition、targets、context_variables）；agentchat/contrib/ 是电池（swarm_agent、captainagent、retrieve_*、capabilities/teachability 等）。oai/ 是多 provider model client（openai/anthropic/gemini/bedrock/mistral/groq/cohere/ollama/together/cerebras 等）；llm_config/ 定义 LLMConfig 与 ModelClient Protocol；tools/ 是工具抽象（Tool、依赖注入）；coding/ 是代码执行器（local/docker/jupyter/daytona 等）；logger/、opentelemetry/、cache/、mcp/、interop/（与 langchain/crewai/pydantic-ai 互操作）。
• 入口 API：from autogen import ConversableAgent, AssistantAgent, UserProxyAgent, GroupChat, GroupChatManager, LLMConfig。新式运行返回 RunResponse（agent.run(…).process()）。
• 演进信号：README 声明正走向 v1.0，当前框架将进入维护期，autogen.beta 将成为官方版本（待确认其稳定性）。

最小示例（取自 README，两 Agent 对话）：

import logging
from autogen import ConversableAgent, LLMConfig

llm_config = LLMConfig.from_json(path="OAI_CONFIG_LIST")

coder = ConversableAgent(
    name="coder",
    system_message="You are a Python developer. Write short Python scripts.",
    llm_config=llm_config,
)
reviewer = ConversableAgent(
    name="reviewer",
    system_message="You are a code reviewer. Suggest improvements; do not generate code.",
    llm_config=llm_config,
)

# reviewer 主动发起，与 coder 来回最多 10 轮
response = reviewer.run(recipient=coder,
                        message="Write a Python function that computes Fibonacci numbers.",
                        max_turns=10)
response.process()                       # 驱动事件流 / 打印对话
logging.info("Final:\n%s", response.summary)

组件实现（横向逐项）

设计权衡与特性

• 与 autogen 的关系与异同：AG2 是 AutoGen 创始团队从 microsoft/autogen 分叉的延续，包名、ConversableAgent/GroupChat/UserProxyAgent 核心 API 与早期 AutoGen(0.2.x) 基本一致，迁移成本低（NOTICE.md 保留 MIT 归属）。分歧点：微软主线 AutoGen 0.4+ 重写为 event-driven 的 autogen-core/autogen-agentchat 异步 actor 架构；AG2 选择保留并演进经典的”reply-func 列表 + 会话”模型，再叠加新的 group/ handoff 编排、Swarm、CaptainAgent、interop、a2a 等，定位为”AgentOS”而非重写运行时。简言之：AG2 = 经典 AutoGen 内核 + 持续社区扩展；微软 AutoGen = 全新 actor 内核。（两者具体版本对齐情况待确认）
• reply-func 列表是最大特色：推理循环不写死，而是一串可注册/排除/重排的函数，终止、人类、工具、代码、LLM 都平权可插拔——极灵活，但行为分散、conversable_agent.py 膨胀到 220KB（远超 800 行规范），新手不易一眼看清”一次回复到底发生了什么”。
• 两套多 Agent 编排并存：老的 GroupChat（中心化 manager 选 speaker）与新的 group/（去中心化 handoff + Pattern + ContextVariables）同时存在，能力重叠，选型需看文档（新代码倾向 group）。
• provider 覆盖广、统一 OpenAI 格式：一套 config_list 即可多模型/故障转移，但内部一律转 OpenAI ChatCompletion schema，非 OpenAI 模型的高级特性可能被抹平。
• 代码执行是一等公民：UserProxyAgent + code executor 让”Agent 写代码 → 执行 → 看结果”成为内建闭环，Docker/Jupyter/Daytona 可选；但 use_docker=False 时是本机执行，有安全风险（需自行隔离）。
• 生态互操作强：interop/ 直接吃 LangChain/CrewAI/PydanticAI 工具，mcp/ 接 MCP，a2a/ag_ui 出协议——融入而非自封闭。
• 待确认/坑：①README 称当前框架将进入维护期、autogen.beta 升为 v1.0 官方版，长期 API 可能迁移；②oai/client.py 含大量 _v2/responses_v2 分支，新旧 client 并行，行为差异需查文档；③巨型基类与双套编排带来学习曲线。

关联

• component-taxonomy · single-vs-multi-agent · multi-agent-orchestration
• 同源/同范式（multi）：autogen · 源码：agents-example/ag2/