Multi-agent op basis van gesprekken (AutoGen)
Met Microsoft AutoGen kunnen meerdere agents met elkaar chatten totdat ze consensus bereiken.
Multi-agent op basis van gesprekken (AutoGen) is een gratis AI-agenten-les op CoddyKit. Dit is les 1 van 4. Je kunt de volledige les hieronder gratis lezen en daarna in de browser praktisch oefenen met een ingebouwde code-editor en een AI-begeleider die 24/7 beschikbaar is. Deze les maakt deel uit van het leertraject AI-agenten. Je voortgang wordt gesynchroniseerd op het web en in de CoddyKit-app. De cursus AI-agenten bevat in totaal 4 lessen.
Delen van deze les zijn nog niet vertaald en worden in het Engels weergegeven.
Waarom meerdere agents?
Eén agent met alle tools is vaak slechter dan twee gespecialiseerde agents die met elkaar praten. Specialisatie is beter dan een generalist.
Voorbeelden:
- Onderzoeker + schrijver — de een verzamelt informatie, de ander stelt het antwoord samen
- Programmeur + beoordelaar — de een schrijft code, de ander bekritiseert die
- Gebruikersproxy + assistent — de een vertegenwoordigt de gebruiker en praat met de uitvoerende agent
AutoGen-patroon
Met Microsoft AutoGen kunnen agents met elkaar praten: elke agent is een AssistantAgent of UserProxyAgent. Ze wisselen berichten uit totdat ze consensus bereiken.
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
Vertegenwoordigt een mens of een script. Kan code uitvoeren die de assistent teruggeeft, verduidelijkende vragen stellen en bepalen wanneer de taak klaar is.
Agents die gesprekken kunnen voeren
Alle AutoGen-agents erven van ConversableAgent. Je kunt een subklasse maken voor aangepast gedrag.
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.')
Spreker selecteren
De GroupChatManager bepaalt wie er als volgende spreekt. Strategieën:
- round_robin — vaste rotatie
- auto — de LLM kiest op basis van het gesprek
- manual — de mens kiest
Beëindigingsvoorwaarden
Gesprekken eindigen wanneer:
- Een agent het sleutelwoord TERMINATE uitstuurt
- max_round is bereikt
- UserProxyAgent beslist dat de taak klaar is
Code uitvoeren
UserProxyAgent kan alle code uitvoeren die de assistent in codeblokken uitstuurt. Gebruik een sandbox:
user_proxy = UserProxyAgent(
name='user',
code_execution_config={
'work_dir': './workdir',
'use_docker': True # safer
}
)Houd de kosten in de gaten
Gesprekken met meerdere agents zijn duur — N agents × M rondes = N×M LLM-aanroepen per taak. Beperk het aantal rondes streng.
Wanneer gebruiken
- Taken met een duidelijke rolverdeling (onderzoek, code, beoordeling)
- Taken waarbij kritiek de kwaliteit verbetert
- Taken die te complex zijn voor één prompt van één agent
Wanneer niet gebruiken
- Eenvoudige vraag-en-antwoordtaken — één agent is sneller en goedkoper
- Paden waarbij latentie kritiek is
- Taken die één agent volledig goed kan uitvoeren
AutoGen versus LangGraph
AutoGen = gespreksgestuurd (vrije gesprekken tussen agents). LangGraph = graafgestuurd (expliciete toestandsmachine). Beide zijn geschikt; kies op basis van hoe natuurlijk je taak in de aanpak past.
AutoGen-patroon
Wat is de centrale abstractie in AutoGen?
Samenvatting
AutoGen = agents met rollen die met elkaar praten. Ideaal voor taken waarbij één agent toezicht houdt en andere agents gespecialiseerd zijn. Let op de kosten en beperk het aantal rondes.
Leer AI-agenten met een AI-tutor — gratis
Schrijf echte code en voer die uit in je browser, krijg direct hulp van een AI-tutor die 24/7 beschikbaar is en ga verder waar je gebleven bent op het web of in de app.
- Cursussen
- 60
- Lessen
- 239
Veelgestelde vragen
Is de les “Multi-agent op basis van gesprekken (AutoGen)” gratis?
Ja — de volledige tekst van “Multi-agent op basis van gesprekken (AutoGen)” kun je hier gratis op het web lezen. Als je interactief wilt oefenen met een ingebouwde code-editor en een AI-begeleider die 24/7 beschikbaar is, en de rest van de cursus AI-agenten wilt ontgrendelen, kun je upgraden naar CoddyKit PRO. De cursus AI-agenten bevat in totaal 4 lessen.
Wat leer ik in “Multi-agent op basis van gesprekken (AutoGen)”?
Met Microsoft AutoGen kunnen meerdere agents met elkaar chatten totdat ze consensus bereiken. Je oefent met AI-agenten door code rechtstreeks in de browser uit te voeren. Een AI-begeleider die 24/7 beschikbaar is beantwoordt je vragen terwijl je de les doorwerkt.
Heb ik ervaring nodig om met AI-agenten te beginnen?
Ervaring vooraf is niet nodig. AI-agenten op CoddyKit is opgebouwd voor beginners tot gevorderden, zodat je hier of bij het begin kunt starten en in je eigen tempo kunt leren. Dit is les 1 van 4.
Hoe lang duurt de les “Multi-agent op basis van gesprekken (AutoGen)”?
De meeste lessen van CoddyKit duren ongeveer 5–10 minuten. Elke les is kort en interactief, zodat je gestaag vooruitgaat en op het web en in de app precies verdergaat waar je was gebleven.
Kan ik code schrijven en uitvoeren in deze les over AI-agenten?
Ja. Elke les over AI-agenten bevat een ingebouwde code-editor, zodat je rechtstreeks in je browser echte code kunt schrijven en uitvoeren en direct feedback van AI krijgt — lokale installatie is niet nodig.
Alle lessen in deze cursus
- Multi-agent op basis van gesprekken (AutoGen)
- Hiërarchische supervisors (orchestrator + workers)
- Agentrollen en specialisaties
- Communicatieprotocollen (message buses)