Multi-Agen Berbasis Percakapan (AutoGen)
Microsoft AutoGen memungkinkan beberapa agen berbicara satu sama lain hingga mencapai konsensus.
Multi-Agen Berbasis Percakapan (AutoGen) adalah pelajaran AI Agents gratis di CoddyKit. Ini adalah pelajaran 1 dari 4. Kamu bisa membaca pelajaran lengkapnya di bawah secara gratis — lalu praktikkan langsung di browser dengan editor kode bawaan dan tutor AI 24/7. Ini adalah bagian dari jalur belajar AI Agents, dan progresmu tersinkronisasi di web dan aplikasi CoddyKit. Kursus AI Agents mencakup 4 pelajaran total.
Bagian dari pelajaran ini belum diterjemahkan dan ditampilkan dalam bahasa Inggris.
Mengapa Menggunakan Banyak Agen?
Satu agen dengan semua alat sering kali lebih buruk daripada dua agen khusus yang saling berkomunikasi. Spesialisasi lebih baik daripada generalis.
Contoh:
- Researcher + Penulis — satu mengumpulkan informasi, satu menyusun jawaban
- Coder + Peninjau — satu menulis kode, satu mengkritiknya
- Proksi Pengguna + Assistant — mewakili pengguna dan berbicara dengan pekerja
Pola AutoGen
Microsoft AutoGen memungkinkan agen berkomunikasi: masing-masing merupakan AssistantAgent atau UserProxyAgent. Mereka bertukar pesan hingga mencapai konsensus.
Two-Agent Example
# pip install pyautogen
from autogen import AssistantAgent, UserProxyAgent
llm_config = {'model': 'gpt-4o-mini', 'api_key': '...'}
assistant = AssistantAgent(
name='coder',
system_message='You write Python code. Reply with code only.',
llm_config=llm_config
)
user_proxy = UserProxyAgent(
name='user',
human_input_mode='NEVER',
code_execution_config={'work_dir': './workdir'}
)
user_proxy.initiate_chat(assistant, message='Write a function that returns the factorial of n.')UserProxyAgent
Mewakili manusia (atau skrip). Dapat menjalankan kode yang dikembalikan oleh assistant, mengajukan pertanyaan klarifikasi, dan menentukan kapan tugas selesai.
Agen yang Dapat Berkomunikasi
Semua agen AutoGen mewarisi ConversableAgent. Anda dapat membuat subkelas untuk perilaku khusus.
GroupChat for >2 Agents
class AssistantAgent:
def __init__(self, name, system_message=''):
self.name = name
self.system_message = system_message
def initiate_chat(self, manager, message):
manager.run(self, message)
class GroupChat:
def __init__(self, agents, messages, max_round=12):
self.agents = agents
self.messages = messages
self.max_round = max_round
class GroupChatManager:
def __init__(self, groupchat, llm_config=None):
self.groupchat = groupchat
def run(self, initiator, message):
self.groupchat.messages.append({'role': initiator.name, 'content': message})
for i, agent in enumerate(self.groupchat.agents):
if i >= self.groupchat.max_round:
break
reply = f'{agent.name} contributes to: {message}'
self.groupchat.messages.append({'role': agent.name, 'content': reply})
print(reply)
user_proxy = AssistantAgent(name='user_proxy')
researcher = AssistantAgent(name='researcher')
writer = AssistantAgent(name='writer')
critic = AssistantAgent(name='critic')
group = GroupChat(agents=[user_proxy, researcher, writer, critic], messages=[], max_round=12)
manager = GroupChatManager(groupchat=group, llm_config={})
user_proxy.initiate_chat(manager, message='Write a blog post about RAG.')
Pemilihan Pembicara
GroupChatManager menentukan siapa yang berbicara berikutnya. Strateginya:
- round_robin — rotasi tetap
- auto — LLM memilih berdasarkan percakapan
- manual — manusia memilih
Kondisi Penghentian
Percakapan berakhir ketika:
- Agen mengeluarkan kata kunci TERMINATE
- max_round tercapai
- UserProxyAgent memutuskan bahwa tugas telah selesai
Eksekusi Kode
UserProxyAgent dapat menjalankan kode apa pun yang dikeluarkan assistant dalam blok kode. Gunakan kotak pasir:
user_proxy = UserProxyAgent(
name='user',
code_execution_config={
'work_dir': './workdir',
'use_docker': True # safer
}
)Memantau Biaya
Percakapan banyak agen mahal — N agen × M putaran = N×M panggilan LLM per tugas. Batasi putaran secara ketat.
Kapan Menggunakannya
- Tugas dengan pemisahan peran yang jelas (riset, kode, peninjauan)
- Tugas yang kualitasnya meningkat melalui kritik
- Tugas yang terlalu rumit untuk satu instruksi agen
Kapan TIDAK Menggunakannya
- Tanya jawab sederhana — satu agen lebih cepat dan lebih murah
- Jalur yang kritis terhadap latensi
- Tugas yang dapat diselesaikan dengan baik oleh satu agen
AutoGen vs LangGraph
AutoGen = digerakkan oleh percakapan (percakapan bebas antargen). LangGraph = digerakkan oleh graf (mesin keadaan eksplisit). Keduanya valid; pilih berdasarkan pendekatan yang paling sesuai secara alami dengan tugas Anda.
Pola AutoGen
Apa abstraksi utama dalam AutoGen?
Ringkasan
AutoGen = agen berbasis peran yang saling berkomunikasi. Sangat cocok untuk tugas ketika satu agen mengawasi dan agen lainnya berspesialisasi. Perhatikan biaya; batasi putaran.
Pertanyaan yang Sering Diajukan
Apakah pelajaran “Multi-Agen Berbasis Percakapan (AutoGen)” gratis?
Ya — teks lengkap “Multi-Agen Berbasis Percakapan (AutoGen)” gratis dibaca di sini di web. Untuk praktiknya secara interaktif (editor kode bawaan dan tutor AI 24/7) dan buka sisa kursus AI Agents, upgrade ke CoddyKit PRO. Kursus AI Agents mencakup 4 pelajaran total.
Apa yang akan aku pelajari di “Multi-Agen Berbasis Percakapan (AutoGen)”?
Microsoft AutoGen memungkinkan beberapa agen berbicara satu sama lain hingga mencapai konsensus. Kamu berlatih AI Agents dengan kode praktik yang langsung kamu jalankan di browser, dan tutor AI 24/7 menjawab pertanyaanmu saat kamu mengerjakan pelajaran ini.
Apakah aku perlu pengalaman untuk memulai AI Agents?
Tidak diperlukan pengalaman sebelumnya. AI Agents di CoddyKit dirancang untuk pemula hingga pelajar tingkat lanjut, jadi kamu bisa memulai di sini atau dari awal dan belajar sesuai kecepatan kamu sendiri. Ini adalah pelajaran 1 dari 4.
Berapa lama pelajaran “Multi-Agen Berbasis Percakapan (AutoGen)” memakan waktu?
Sebagian besar pelajaran CoddyKit memakan waktu sekitar 5–10 menit. Setiap pelajaran ringkas dan interaktif, jadi kamu membuat kemajuan stabil dan melanjutkan dari tempat kamu tinggalkan di web dan aplikasi.
Bisakah aku menulis dan menjalankan kode dalam pelajaran AI Agents ini?
Ya. Setiap pelajaran AI Agents menyertakan editor kode bawaan, jadi kamu menulis dan menjalankan kode nyata langsung di browser dan mendapatkan umpan balik AI instan — tidak diperlukan penyiapan lokal.
Semua pelajaran dalam kursus ini
- Multi-Agen Berbasis Percakapan (AutoGen)
- Pengawas Hierarkis (Orkestrator + Pekerja)
- Peran dan Spesialisasi Agen
- Protokol Komunikasi (Bus Pesan)