AG2：开源多智能体 AgentOS 框架

想象一下，你正在管理一支高效的软件开发团队。团队里每个人都有明确的职责：有人负责写代码，有人负责 code review，有人负责部署，还有人在旁边盯着质量。这样的团队协作模式，在真实软件开发中早已成熟——而 AG2（曾经的 AutoGen）正是将这套逻辑移植到 AI 世界的框架：让多个 AI Agent 像团队成员一样分工协作，共同完成复杂任务。

AG2 由微软研究院发起，由 Chi Wang 和 Qingyun Wu 两位学者主导，是最早一批开源多智能体 AI 框架之一。2024 年 11 月，因与微软官方维护的 AutoGen v0.4+ 产生路线分歧，社区主导分支正式更名为 AG2，继续沿用经过生产验证的 v0.2 代码基线，并宣布向 v1.0 演进。这是一个关于开源治理的经典案例：框架的生命力不在于某一个商业公司的意志，而在于社区的持续投入。

背景：为什么需要多智能体框架？

大语言模型（LLM）虽然强大，但单次调用往往难以完成复杂的多步骤任务。以"分析某只股票并生成投资报告"为例：模型需要先联网查行情数据，再调用财务分析工具，最后生成结构化报告——这超出了单次 API 调用的能力边界。

传统解决方案是让开发者手动编排 Prompt 链，但这很快会遇到维护噩梦：Prompt 耦合在业务代码里，修改一个环节可能影响全局，且难以处理 Agent 之间的动态对话和状态传递。

AG2 提出的核心理念是多智能体对话编排（Multi-Agent Conversation）：框架自动管理多个 Agent 之间的消息传递、状态维护和协作流程，开发者只需声明"有哪些 Agent、各自负责什么"即可。这种思路极大降低了复杂 AI 应用开发门槛，也与 2025-2026 年 Google ADK、OpenAI Agents SDK 等大厂产品的设计哲学不谋而合。

核心架构：Agent 如何协作？

AG2 的架构可以类比为"AI 团队 + 工作流引擎"。系统由以下几个核心组件构成：

1. ConversableAgent：智能体基类

所有 Agent 的父类。一个 Agent 本质上是一个可以收发消息、执行工具的实体。AG2 内置了 AssistantAgent（专职执行者）和 UserProxyAgent（人类代理，可人工介入）两种常见类型：

• AssistantAgent：调用 LLM 执行任务，内置系统提示词和工具注册接口。
• UserProxyAgent：代表人类用户，可自动执行代码、搜索信息，或在关键时刻暂停等待人工确认。

2. GroupChat：群聊协作

多个 Agent 之间可以通过群聊模式（GroupChat）协作。在群聊中，消息在所有参与者之间广播，由内置的聊天管理器决定消息的传播顺序和路由策略。AG2 支持多种群聊策略，包括轮询（round_robin）、自动（auto）等，开发者可以根据任务特性选择合适的协作模式。

3. AgentChat：任务级编排

比群聊更结构化的是 AgentChat，它是 AG2 v1.0 beta 的核心 API。相比于早期版本中 Agent 直接互发消息的松散模式，AgentChat 提供了更清晰的边界：每个 Chat（对话实例）有独立的上下文生命周期，支持持久化、多轮交互和状态恢复，更适合生产环境。

4. 工具生态与 MCP 集成

AG2 原生支持函数调用（Function Calling），Agent 可以声明和调用任意 Python 函数。更值得关注的是对 MCP（Model Context Protocol） 的内置支持：开发者可以通过 MCP 协议连接外部工具服务器（如文件系统、数据库、API），让 Agent 具备真正的"动手能力"。项目仓库中的 autogen/mcp/ 目录提供了完整的 MCP 客户端实现。

5. A2A（Agent-to-Agent）协议

AG2 率先支持 Google 主导的 A2A 协议，允许不同框架实现的 Agent 之间相互通信。这意味着 AG2 构建的 Agent 可以与 LangChain Agent、Vertex AI Agent 互通，是走向真正互操作性的重要一步。仓库 examples/a2a/ 目录下有完整的 A2A 客户端和服务器示例。

关键功能：从研究原型到生产级应用

支持主流 LLM

AG2 对 LLM 后端保持了极大的灵活性。项目原生支持 OpenAI GPT 系列、Anthropic Claude 系列、Google Gemini、本地模型（通过 Ollama 或 LiteLLM），以及任何兼容 OpenAI API 格式的推理端点。这种灵活性让 AG2 在不同场景下都能找到用武之地：从调用 GPT-4 处理复杂任务，到完全本地化部署保护数据隐私。

CLI 工具：ag2

项目包含独立的 CLI 模块（cli/），通过 pip install ag2 安装后，可以使用 ag2 命令行工具快速初始化项目、查看配置和运行示例。这降低了入门门槛——用户不需要深入阅读源码，30 秒内就能跑通一个多智能体对话示例。

实时交互（Live）

examples/live_playground/ 目录下包含多个实时交互示例，支持语音输入输出、实时工具调用和流式响应。这展示了 AG2 在更沉浸式应用场景（语音助手、实时客服）中的潜力。

代码执行能力

UserProxyAgent 内置代码执行功能，Agent 可以自主生成、运行和调试 Python 代码。这让 AG2 不只是"聊天"，而是真正具备"执行"能力——可以写代码解决问题，可以操作文件，可以用代码验证自己的想法。

部署方式：如何跑起来？

AG2 是一个 Python 库，通过 pip 安装即可使用：

pip install ag2

安装完成后，你可以立即创建一个最简单的多智能体对话：

from autogen import ConversableAgent

assistant = ConversableAgent("assistant", system_message="你是一个有帮助的助手。")
user_proxy = ConversableAgent("user_proxy", ishuman=True)

chat_result = assistant.initiate_chat(user_proxy, message="你好，介绍一下你自己。")

硬件需求极低：AG2 本身是纯 Python 包，不依赖 GPU，只负责编排和消息传递。所有 LLM 推理通过 API 调用完成（也可以连接本地 Ollama）。在树莓派级别的硬件上也能流畅运行。

生产部署建议：由于无内置 Web UI，生产环境通常需要：

1. 通过 FastAPI/Flask 包装成 REST API
2. 对接 LangServe 或类似工具提供 Web 接口
3. 配置认证和限流机制

需要注意的是，项目不包含根目录 Dockerfile，官方也不提供一键部署方案。对习惯 Docker 化部署的团队来说，这是一个需要自行解决的问题——好在项目本身结构清晰，Docker 化难度不大。

局限与争议：不能回避的问题

与微软 AutoGen 的分裂

这是 AG2 发展史上最大的阴影。微软在 AutoGen v0.4 进行了彻底的重写，而 AG2 社区坚持沿用 v0.2 的成熟代码路线。两者的 API 设计理念差异巨大，导致社区分裂、文档混乱，新手容易在"该用哪个版本"的问题上困惑。AG2 官方坦诚面对这一现实，在文档中明确标注了版本演进路线，但这个历史包袱依然影响着项目生态。

文档质量参差不齐

AG2 的 API 文档和示例覆盖较全，但部分高级功能（如 GroupChat 策略定制、MCP 深度集成）的文档仍然薄弱。beta API 与 stable API 的边界有时模糊，对新手不够友好。

生产治理挑战

作为一个"社区主导"的 fork 项目，AG2 的长期治理依赖于志愿者 Maintainer 的持续投入。项目设定了申请加入核心维护团队的渠道（联系 Chi Wang 和 Qingyun Wu），但相比商业公司主导的项目，其稳定性和响应速度存在不确定性。

性能开销

多智能体架构天然比单 Agent 调用有更高的延迟（消息在多个 Agent 间流转）和成本（多次 LLM 调用）。对于简单任务，使用 AG2 反而是"杀鸡用牛刀"。最佳实践是：简单任务用单 Agent，复杂任务才动用多智能体协作。

行业意义：多智能体赛道的先行者

从 2023 年 AutoGen 论文发布，到 2026 年 AG2 演进至 v1.0 路线，AG2 经历了 AI Agent 领域最剧烈的发展期。它的意义不仅在于框架本身，更在于验证了几个关键命题：

1. 多智能体协作是可落地的：不是纸上谈兵，在代码生成、数据分析、客服自动化等领域已有实际应用。
2. 开源社区可以维护一个商业竞品 fork：证明了开源治理模式的韧性。
3. 互操作性是行业趋势：A2A 协议的率先支持，体现了 AG2 团队对技术演进方向的判断。

当前（2026年），多智能体框架赛道竞争激烈：OpenAI Agents SDK、Google ADK、LangChain Agents、CrewAI 都在争夺开发者心智。AG2 作为最早的开源多智能体框架之一，在学术影响力和先发优势上仍有独特地位——GitHub 超 4600 颗星、来自微软研究院的学术论文引用、以及 DeepLearning.ai 官方课程背书，都是其护城河。