一个项目，用了短短两个星期的时间，星标量从 390 狂增到 10K，并在 Discord 上吸引了 5000 多名成员，如此爆火的项目便是微软最近发布的全新工具 AutoGen。

我们可以将 AutoGen 理解为一个框架，其允许多个 LLM 智能体通过聊天来解决任务。LLM 智能体可以扮演各种角色，如程序员、设计师，或者是各种角色的组合，对话过程就把任务解决了。

不仅如此，AutoGen 是可定制的、可对话的，并且允许人类参与。AutoGen 的运作方式包括借助 LLM 完成任务、人类输入和各种工具的相互组合。

项目地址：https://github.com/microsoft/autogen

有用过该项目的用户给与了极高的评价，表示道：「给出需求，敲下回车，中间过程完全不用管……」

还有网友表示：「AutoGen 在几秒钟内帮我制作了一个贪吃蛇游戏」。

那么大家纷纷叫好的项目，到底有哪些优点呢，具体来说：

• AutoGen 基于多智能体对话可以轻松构建下一代 LLM 应用程序，它简化了复杂 LLM 的工作流程，最大限度地提高了 LLM 模型的性能并克服了它们的弱点。
• AutoGen 支持多种对话模式，因而开发人员基于 AutoGen 可以构建广泛的对话模式。
• AutoGen 提供了一系列具有不同复杂性的工作系统，不同领域和各种应用都包含在内。
• AutoGen 提供了 openai.Completion 或 openai.ChatCompletion 的直接替代，作为增强推理的 API。

另外，项目中也给出了许多示例来帮助大家更好的运用 AutoGen。举例来说，根据一位网友的说法，假如想要实现一个爬虫程序，并且抓取并保存网页图片。用 ChatGPT 来实现的话，会返回执行代码，一般来说代码不能直接使用，需要人类进行修正。但是，如果将这个任务交给 AutoGen，你只需要定义几个智能体就可以实现了。

如下示例展示了借助 AutoGen 框架，使用 MathChat 解决数学问题时，运行代码中出现了构建智能体这一步骤，并对其进行了初始化：

下图显示了使用 AutoGen 构建的六个应用程序示例，包括数学问题解决、多智能体编码、在线决策制定、检索增强聊天、动态群聊以及对话式国际象棋。

AutoGen 还有助于最大限度地提高 ChatGPT 和 GPT-4 等 LLM 的效用。就如前面提到的，AutoGen 提供了 openai.Completion 或 openai.ChatCompletion 的直接替代，还添加了更多功能，如调优、缓存、错误处理和模板。例如，用户可以使用自己的调优数据，在预算范围内来优化 LLM 的生成内容。

# perform tuning
config, analysis = autogen.Completion.tune (
    data=tune_data,
    metric="success",
    mode="max",
    eval_func=eval_func,
    inference_budget=0.05,
    optimization_budget=3,
    num_samples=-1,
)
# perform inference for a test instance
response = autogen.Completion.create (cnotallow=test_instance, **config)

以上这些用例显示了 AutoGen 在解决各种问题上的广泛适用性，使其成为开发者的宝贵工具。还没体验的小伙伴，根据官方提供的安装步骤，可以上手一试了。