彻底失眠！把Agent拉到一个群干活！跑完实例后emo了！附官方论文官网

更新时间：2024-01-26 03:28:23 浏览：

本数据不是实时数据，仅供参考之用，数据更新请联系06目录网管理员。

进入官网

口碑点评

无联系方式

彻底失眠！把Agent拉到一个群干活！跑完实例后emo了！附官方论文官网介绍

无法预测明天会发生什么事情！技术迭代太快了！微软发布GPT-4V手册！芝浦发射了国内第一发多模态弹CogVLM-17B！LLM，多轮对话，忘了特效药串流-llm！很多东西还没写出来，

新品又来了！每次迭代都是某个领域的飞跃，而且都是碾压！正在磨刀！未来，智能体的终极概率是，一个人、多个AI智能体同时在管理部门工作，人力将得到解放！想象一下，你跷着二郎腿，在一间大办公室里，

只有你一个人喊：“制定月度计划”，他就自动分析上个月的数据，整合现有资源，制定本月计划，为场馆省钱！向你汇报后，你只需要说“好的”，他就会自动发送给老板！但是，

为什么是你跷二郎腿？卷起来！加入学习队列！今天我们就来分享微软的Autogen: 可以实现哪些功能！知道他的延展性在哪里，

从自己的产品中学习；底层技术原理是什么？分析OpenAI的技术文档；运行实例！边跑边聊细节；今天熊哥继续压榨新同事小胖。

基本上是知识星球的皇家技术！他交付了三份Autogen的领域专家代理的代码，用于自由通信和自动连接到API以解决问题！熊哥哥跑完之后，我完成了两份官方文件，我失眠了！

今天熊哥跑了两份代码的官方技术文档，同步上传了知识星球！

第一部分：实现了哪些功能？实际上，AutoGen是一个开发框架，它支持多个代理来开发LLM应用程序，并且这些代理可以以相互对话的方式完成任务。清华之前做过一个ChatDev项目。

开了一家拥有AI智能体的虚拟软件公司，包括高管、技术官、程序员、测试员等等。这些智能体形成了一个多智能体的组织结构，其使命是“通过编程改变数字世界”。

ChatDev中的代理通过参与专业功能研讨会进行协作，包括设计、编码、测试和文档等任务。许多开发人员基于该项目进行了大量扩展。阅读完整文章后，您可以在此处查看：

https://github.com/OpenBMB/ChatDev/blob/main/Contribution.md's自动生成代理是可定制的，对话式的，人类可以无缝参与，给出干预或新目标。

除了人类的参与，LLM作为大脑，独立匹配和调用合适的工具来实现目标！

第二部分：底层技术的原理和逻辑？说到底层技术，不得不说FLAML项目。AutoGen实际上是它的衍生项目。简介：FLAML是一个轻量级Python库，用于高效地自动化机器学习和AI操作。

它基于大规模语言模型、机器学习模型等实现工作流自动化并优化其性能。这是官方地址。稍后阅读全文后，您可以扩展它：

如果https://microsoft.github.io/FLAML/说旋翼机是一辆汽车，那么弗洛尔就是推动他前进的潜在动力。这里熊哥直接上传一段代码，我们访问ChatGLM2-6B。

实现直线电机自动传输；

从弗拉姆尔导入oai#创建一个文本完成请求响应=审调处。完成。create（config _ list=【{‘model‘:‘chatglm 2-6b‘，‘API _ base‘:‘http://localhost:8000/v1‘，‘API _ type‘:‘open _ ai‘，‘API _ key‘:‘NULL‘，#只是一个占位符}】，prompt=‘Hi’，）print（response）#创建聊天完成请求响应=审调处。聊天完成。create（config _ list=【{‘model’:‘chatglm 2-6b’，‘API _ base’:‘http://localhost:8000/v1’，‘API _ type’:‘open _ ai’，‘API _ key’:‘NULL’，}】，messages=【{‘role’:‘user’，‘content’:‘Hi’}】）print（响应)微软在布一局大棋，

第三部分：运行一个例子，说说运行环境的细节：colab或jupyter-notebook支持LLM:OpenAI，GPT 4（3.5也可以）环境推荐：python3.8以上，共5个文件。

前3份是示例代码！另外两个是论文！

首先，你必须去那个星球才能得到这个代码！价值内容，只对会员开放！

大家都在打卡！添加星球之前需要先添加雄哥微信才可以通过，否则星球会自动退费，所以现在先添加雄哥微信吧！还会有一些折扣！非会员公开回复：“微软AG”。跟着熊哥的colab码走！我们边跑边聊吧！首先，

我们需要先安装pyautogen工具包！

! Pip installation pyautogen~=0.1.0 load it.

Import drivedrive.mount ("/content/drive") from google.colab and then configure the OpenAI key. Here, when Brother Xiong is running,

如果你发现令牌不够，你就像这样填写LLM模型，它会自动切换！先用GPT4！

import autoenconconfig _ LIST=autogen。CONFIG _ LIST _ from _ JSON（‘OAI _ CONFIG _ LIST’，filter _ dict={‘model’:{‘GPT-4’，‘GPT 4’，‘GPT-4-32k’，‘GPT-4-32k’，‘GPT-0314’，‘GPT-4-32k-v 0314’，‘GPT-3.5-turbo’，‘GPT-3.5-turbo-16k’，‘GPT-3.5-turbo-0301’，‘聊天GPT-35-turbo’然后，

打开（‘/content/drive/my drive/key。txt，‘r’）as f:key=f . read（）config _ list=【{‘model:‘‘GPT-4‘，‘API _ key‘:key，}】from autogen。代理聊天。贡献。math _ user _ proxy _ agent导入MathUserProxyAgentautogen。聊天完成。start _ logging（）# 1创建一个名为“助理”助理=自动发电机的辅助代理实例助理代理（name=‘assistant‘，system _ message=‘你是一个很有帮助的助手LLM _ config={‘request _ time out‘:600，‘seed‘:42，‘config _ list‘:config _ list，}）# 2。创建名为“mathproxyagent“的MathUserProxyAgent实例#默认情况下，人类输入模式为“从不”，这意味着代理不会要求人工输入math proxy agent=math user proxy agent（name=“math proxy agent“，human _ input _ mode=“NEVER“，code _ execution _ config={“use _ docker“:False }，）然后我们开始上主题，

代码是这样的：

# Given a math problem, we use mathproxyagent to generate a prompt and send it to the assistant as an initial message. # Assistant receives the message and generates a response. The response will be sent back to mathproxyagent for processing. # The conversation continues until the termination condition is met. In MathChat, the termination condition is that "\ boxed {0}" is detected in the response. Math _ problem="Find all the contents of $x$ that satisfy the inequality $(2x 10)(x 3)(3x 9)(x 8). Use interval symbols to indicate your answers. As soon as the mathproxyagent. initiate _ chat (assistant, problem=math_problem) code runs,

输出应使用“打印”功能，并使用分数/偏旁形式而不是小数。您可以使用sympy之类的软件包来帮助解决这个问题。编写代码时必须遵循特定的格式。有必要先说明解决问题的主要思路。

解决问题的方法有三种：一步一步解决问题（步骤不要太细分）。删除任何可以通过Python询问的查询（例如，任何可以计算的计算或方程）。等待答案。如果结果正确，则继续。如果结果无效或出乎意料，

需要修改查询或推理。情况1:如果问题可以直接用Python代码解决，则编写一个程序来解决它。情况二：如果问题主要是投机性的，可以直接解决。情况3:如果问题无法通过上述两种方式处理，

然后需要按照以下步骤进行处理：然后助手将整个计算过程返回给mathproxyagent，包括它是如何计算的，调用了哪些模块进行处理，最后验证结果：

看看他们的解题过程，越看越会！整个过程是基于微软的开发框架，其简单性，定义角色，输入问题，然后按enter！

后来熊哥打开他的技术文档发现！AutoGen一直强调将复杂的LLM应用工作流简化为多代理对话。因此，AutoGen采用了一种以这些代理之间的对话为中心的编程范式。

我们将这种范式称为对话式编程，它通过两个主要步骤简化了复杂应用程序的开发：（1）定义一组对话代理；具有特定的能力和角色；（2）通过以对话为中心的计算和控制，智能体之间的交互行为被程序化。

这两个步骤可以通过集成自然语言和编程语言来构建具有各种对话模式和代理行为的应用程序来实现。AutoGen提供了一种现成的实现方法，并允许轻松扩展和实验这两个步骤。这里，

熊哥发了一张思维导图，也在文档里帮你理清思路：