第十阶段：报告生成、SelectorGroupChat 与审核死循环

上一阶段团队只会在终端里打印结论。这一阶段让它画图、写报告、保存文件。下面按实际踩坑的顺序讲。

一、新增 writer，coder 负责画图和存文件

新增 writer（报告撰写员）：根据执行结果写 Markdown 报告，并用 ![说明](图片文件名) 引用图片。
coder 用 matplotlib 画图：
- 开头写 matplotlib.use('Agg')。Agg 是不弹窗口、只输出文件的后端，适合由程序自动执行的代码。
- 中文字体设成 Microsoft YaHei，否则中文会显示成方框。
- 用 plt.savefig 把 png 保存到 output/，不要调用 plt.show()。
- writer 写好报告后，coder 再写代码把它保存为 output/report.md。

二、第一次：RoundRobin、上限 30，修到一半就停了

审核员很尽责，抓出一个矛盾：报告说“2026-04 是全品类共同低点”，但鼠标的销量恰恰在 4 月达到峰值。可是还没修完，消息数就到了 30 条的上限，团队被强制停止。

原因：RoundRobin 是死板的轮流发言。比如只需要 writer 改一句话，也要等 coder、executor 等人依次说完一轮，轮次被白白浪费。

三、第二次：coder 写复杂代码，自己把自己搞崩

这次 coder 自己写了一个通用的表格格式化函数，对每一列都用 :,.0f 格式化，连字符串类型的“月份”列也不例外。结果报错：

ValueError: Unknown format code 'f' for object of type 'str'

脚本报错了，审核员也就不承认 report.md 是有效产出。

修法：在提示词里要求 coder 写简单代码，不要自己写格式化函数，表格直接用 df.to_markdown()。这个方法依赖 tabulate 库：

bash

pip install tabulate

四、换成 SelectorGroupChat

SelectorGroupChat 不再固定轮流，而是让模型根据 selector_prompt 和对话记录挑选下一个发言者。比如代码写好了就选 executor，执行报错了就选 coder，只是措辞有问题就直接选 writer。

allow_repeated_speaker=True 允许同一个人连续发言，比如 coder 可以连续修几次 bug。

五、第三次：审核死循环

流程顺畅了，又出现新问题：审核员每一轮都能挑出新的措辞毛病，比如“幅度接近”不够准确、某句话“过于肯定”、“99.99% 四舍五入”的写法不规范……writer 改一处，审核员又挑另一处，一直不给 APPROVE。

原因：提示词没有告诉审核员什么算“必须改”，它就把所有能挑的毛病都当成不通过的理由。

修法：

区分阻塞问题和建议。只有两类问题会阻塞通过：结论里的数字与执行结果不符或自相矛盾；图片或报告文件没有保存成功。措辞类问题只列为建议，不影响通过。
最多打回 2 次，第 3 次审核只要没有数字错误就 APPROVE。
从源头减少毛病：要求 writer 避免强断言，推测性的内容写成“可能”“需验证”。

六、最终代码与结果

最终版使用 SelectorGroupChat，消息上限是 50 条。10_autogen_report.py：

python

import os, asyncio
from dotenv import load_dotenv
from autogen_agentchat.agents import AssistantAgent, CodeExecutorAgent
from autogen_agentchat.teams import RoundRobinGroupChat
from autogen_agentchat.teams import SelectorGroupChat
from autogen_agentchat.conditions import TextMentionTermination, MaxMessageTermination
from autogen_agentchat.ui import Console
from autogen_ext.models.openai import OpenAIChatCompletionClient
from autogen_ext.code_executors.local import LocalCommandLineCodeExecutor

load_dotenv()

# 模型客户端：非 OpenAI 官方的模型要写 model_info，告诉 AutoGen 这个模型具备哪些能力
model = OpenAIChatCompletionClient(
    model=os.getenv("LLM_MODEL"),
    base_url=os.getenv("LLM_BASE_URL"),
    api_key=os.getenv("LLM_API_KEY"),
    model_info={"vision": False, "function_calling": True, "json_output": True,
                "family": "unknown", "structured_output": False},
)

# 1. 分析师：拆解任务、提出分析思路
analyst = AssistantAgent("analyst", model_client=model, system_message=
    "你是数据分析师。根据任务提出清晰的分析步骤，交给 coder 写代码。看到执行结果后给出业务结论。")

# 2. 程序员：只负责写代码
coder = AssistantAgent("coder", model_client=model, system_message=
    "你是 Python 程序员。按分析师的要求写 pandas 代码，放在 ```python 代码块里。"
    "数据文件是 data/sales.csv（utf-8-sig 编码）。用 print 输出关键数字。"
    "需要画图时用 matplotlib，开头加 import matplotlib; matplotlib.use('Agg')，"
    "中文字体用 plt.rcParams['font.sans-serif']=['Microsoft YaHei']，"
    "图片用 plt.savefig 保存到 output/ 目录（先 os.makedirs('output', exist_ok=True)），不要 plt.show()。"
    "当 writer 给出报告全文时，写代码把它原样保存为 output/report.md（utf-8）。"
    "代码保持简单：不要自己写通用的表格格式化函数，表格用 df.to_markdown()。")

# 3. 执行器：真的去运行 coder 写的代码，结果交回群聊
executor = CodeExecutorAgent("executor",
    code_executor=LocalCommandLineCodeExecutor(work_dir="."))

writer = AssistantAgent("writer", model_client=model, system_message=
    "你是报告撰写员。根据执行结果写 Markdown 报告：标题、数据概况、结论（带数字）、"
    "用 ![说明](图片文件名) 引用 output/ 里的图片、经营建议。"
    "图片路径写相对 report.md 的文件名，如 ![销量趋势](sales_trend.png)。"
    "只陈述数据能直接证明的事实，避免“决定了”“升级为”这类强断言，推测要写“可能”“需验证”。")

reviewer = AssistantAgent("reviewer", model_client=model, system_message=
    "你是审核员。只检查两类【阻塞问题】：1）结论里的数字与执行结果不符或自相矛盾；"
    "2）图片或 output/report.md 没有成功保存。"
    "措辞、语气、四舍五入写法之类属于【建议】，列出来即可，不影响通过。"
    "没有阻塞问题就必须在最后单独写一行 APPROVE。"
    "同一份报告最多打回 2 次，第 3 次审核只要没有数字错误就 APPROVE。")

stop = TextMentionTermination("APPROVE") | MaxMessageTermination(50)

selector_prompt = """你在为数据分析团队选择下一位发言者。成员：
{roles}
规则：analyst 先规划；需要代码时选 coder；coder 写出代码后必须选 executor；
执行报错就选 coder 修复；数据齐全后选 writer 写报告，再选 coder 保存文件、executor 执行；
文件确认保存后选 reviewer；reviewer 指出措辞问题选 writer，指出代码问题选 coder。
对话记录：
{history}
从 {participants} 中只回复一个名字。"""

team = SelectorGroupChat(
    [analyst, coder, executor, writer, reviewer],
    model_client=model,
    selector_prompt=selector_prompt,
    termination_condition=stop,
    allow_repeated_speaker=True,   # 允许同一个人连着说，比如 coder 连续修 bug
)

task = """分析 data/sales.csv（utf-8-sig 编码）。
表结构：列为 月份(字符串, 如 2026-01)、产品、销量、单价、销售额；共 18 行，是“月份×产品”的汇总表。
要求：1）各产品总销售额，画柱状图 output/sales_by_product.png；
2）各产品月度销量趋势，画折线图 output/sales_trend.png；
3）给出经营建议；4）整理成报告保存为 output/report.md。"""
async def main():
    await Console(team.run_stream(task = task))

asyncio.run(main())

运行 python 10_autogen_report.py 后，审核员最终输出 APPROVE，output/ 里生成了 sales_by_product.png、sales_trend.png 和 report.md。

七、不要提交生成的文件

output/ 里都是每次运行重新生成的文件，已经加入 .gitignore，不会提交到仓库。

小结

让 Agent 写简单代码，少出错。
不是严格按顺序干活的流程，用 SelectorGroupChat 按需选人，比 RoundRobin 省轮次。
审核员要有明确的通过标准和打回次数上限，否则会陷入死循环。

下一阶段预告

第十一阶段：给 Agent 加上人类审批（UserProxyAgent / human-in-the-loop），关键步骤由你拍板，然后才继续往下执行。

👉 下一阶段：第十一阶段：人类审批（human-in-the-loop）

第十阶段：报告生成、SelectorGroupChat 与审核死循环 ​

一、新增 writer，coder 负责画图和存文件 ​

二、第一次：RoundRobin、上限 30，修到一半就停了 ​

三、第二次：coder 写复杂代码，自己把自己搞崩 ​

四、换成 SelectorGroupChat ​

五、第三次：审核死循环 ​

六、最终代码与结果 ​

七、不要提交生成的文件 ​

小结 ​

下一阶段预告 ​