第九阶段：AutoGen 多 Agent 团队

本阶段开始项目 3：AutoGen 多 Agent 数据分析。我们让 4 个 Agent 组成一个小团队，协作分析一份销售数据。

一、多 Agent 原理

一个 Agent 既要想思路、又要写代码、还要自查，容易出错。多 Agent 的做法是分工 + 互相检查：

角色	职责
analyst（分析师）	拆解任务、提出分析步骤，看到结果后给业务结论
coder（程序员）	按要求写 pandas 代码
executor（执行器）	真的运行代码，把输出交回群聊
reviewer（审核员）	检查结论是否有数字支撑，通过就输出 `APPROVE`

RoundRobinGroupChat 让它们轮流发言：analyst → coder → executor → reviewer → analyst …… 所有人共享同一份对话记录。

终止条件：TextMentionTermination("APPROVE") | MaxMessageTermination(20)，意思是审核员说出 APPROVE 就结束，或者总消息数超过 20 条强制结束（| 表示“任一满足”），防止无限对话烧钱。

二、安装

bash

pip install autogen-agentchat "autogen-ext[openai]" pandas

如果看到 googleapis-common-protos ... requires protobuf<8.0.0,>=6.33.5, but you have protobuf 5.29.6 这类依赖冲突警告，可以忽略：安装已经成功，我们的代码用不到那个包。

三、非 OpenAI 模型要写 model_info

AutoGen 认识 OpenAI 官方的模型名（如 gpt-4o），知道它们能不能调工具、能不能看图。deepseek-flash 它不认识，所以必须用 model_info 告诉它：不支持图像（vision False）、支持函数调用（function_calling True）、支持 JSON 输出等。不写会直接报错。

四、代码

1. 生成示例数据 `make_data.py`

生成 6 个月 × 3 个产品共 18 行的销售汇总表，保存到 data/sales.csv。

python

import pandas as pd, numpy as np
np.random.seed(0)
df = pd.DataFrame({
    "月份": np.repeat([f"2026-{m:02d}" for m in range(1, 7)], 3),
    "产品": ["折叠键盘", "鼠标", "耳机"] * 6,
    "销量": np.random.randint(50, 300, 18),
    "单价": [199, 89, 299] * 6,
})
df["销售额"] = df["销量"] * df["单价"]
df.to_csv("data/sales.csv", index=False, encoding="utf-8-sig")
print(df)

2. 多 Agent 团队 `09_autogen_team.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.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 输出结果，不要画图。")

# 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="."))

# 4. 审核员：检查结论是否有数据支撑
reviewer = AssistantAgent("reviewer", model_client=model, system_message=
    "你是审核员。检查分析师的结论是否都有执行结果中的数字支撑。"
    "有问题就指出让大家修改；没问题就总结最终报告，并在最后单独写一行 APPROVE。")

# 终止条件：审核员说 APPROVE，或者总共超过 20 条消息（防止无限对话烧钱）
stop = TextMentionTermination("APPROVE") | MaxMessageTermination(20)

# 轮流发言：analyst → coder → executor → reviewer → analyst ...
team = RoundRobinGroupChat([analyst, coder, executor, reviewer], termination_condition=stop)

async def main():
    await Console(team.run_stream(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，不是订单明细。
问题：1）哪个产品总销售额最高；2）各产品的月度销量趋势；3）给出一条经营建议。"""))

asyncio.run(main())

运行：

bash

python make_data.py
python 09_autogen_team.py

五、第一次运行：互相纠错

第一次的 task 里没写表结构。分析师看不到数据，只能盲猜有个 date 列；程序员照着写代码，执行器一跑就报：

KeyError: 'date'

审核员对照输出里真实的列名 ['月份','产品','销量','单价','销售额'] 指出问题，判不通过。这正好演示了多 Agent 的价值：一个人犯错，另一个人拦住。

根本原因是分析师在盲猜表结构。两种修法：

把表结构写进 task（最简单，本节采用，见上面代码里的 task）。
先探查再分析：规定第一轮只看 df.head() 和列名，之后再分析。

六、第二次运行：APPROVE

写明表结构后，团队很快拿到正确数字，审核员输出 APPROVE。结论：

耳机总销售额最高：338,767（占 55.69%）；折叠键盘 191,637；鼠标 77,875。
趋势：鼠标销量上升，耳机和折叠键盘首末对比下滑。

七、指标打架：审核员的局限

耳机的首末变化率是 -35.33%，平均月环比却是 +27.22%，方向相反。原因是数据波动大时，个别月份的暴涨会把环比平均值拉高。

审核员却通过了。因为审核员只查提示词让它查的东西（“结论有没有数字支撑”），没要求它检查指标口径是否一致。真实业务里应该把“指标冲突时要说明使用哪个口径”写进审核员的提示词。

八、安全提醒：代码执行器

LocalCommandLineCodeExecutor 会直接在你的电脑上执行 LLM 写的代码。学习时没问题，但生产环境必须换成 Docker 沙箱（如 DockerCommandLineCodeExecutor），否则模型写出删文件之类的代码就会真的执行。

下一阶段预告

第十阶段：给团队加上画图 + 生成报告文件，让分析结果变成图表和可交付的报告。

👉 下一阶段：第十阶段：报告生成、SelectorGroupChat 与审核死循环

第九阶段：AutoGen 多 Agent 团队 ​

一、多 Agent 原理 ​

二、安装 ​

三、非 OpenAI 模型要写 model_info ​

四、代码 ​

1. 生成示例数据 make_data.py ​

2. 多 Agent 团队 09_autogen_team.py ​

五、第一次运行：互相纠错 ​

六、第二次运行：APPROVE ​

七、指标打架：审核员的局限 ​

八、安全提醒：代码执行器 ​

下一阶段预告 ​