AutoGen - AWS Conseils prescriptifs
Principales fonctionnalités de AutoGenQuand utiliser AutoGenApproche de mise en œuvre pour AutoGenExemple concret de AutoGen

Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.

AutoGen

AutoGenest un framework open source initialement publié parMicrosoft. AutoGense concentre sur la mise en place d'agents IA autonomes conversationnels et collaboratifs. Il fournit une architecture flexible pour créer des systèmes multi-agents en mettant l'accent sur les interactions asynchrones et pilotées par des événements entre les agents pour des flux de travail autonomes complexes.

Principales fonctionnalités de AutoGen

AutoGenfournit les fonctionnalités clés suivantes :

  • Agents conversationnels : conçus autour de conversations en langage naturel entre agents autonomes, permettant un raisonnement sophistiqué par le biais du dialogue. Pour plus d'informations, consultez la section Multi-agent Conversation Framework dans la AutoGen documentation.

  • Architecture asynchrone — Conception axée sur les événements pour des interactions entre agents autonomes non bloquants, prenant en charge des flux de travail parallèles complexes. Pour plus d'informations, consultez la section Résolution de plusieurs tâches dans une séquence de discussions asynchrones dans la AutoGen documentation.

  • H uman-in-the-loop — Soutien solide à la participation humaine facultative à des flux de travail d'agents par ailleurs autonomes en cas de besoin. Pour plus d'informations, consultez la section Autorisation du feedback humain dans les agents dans la AutoGen documentation.

  • Génération et exécution de code — Fonctionnalités spécialisées pour les agents autonomes axés sur le code qui peuvent écrire et exécuter du code. Pour plus d'informations, consultez la section Exécution du code dans la AutoGen documentation.

  • Comportements personnalisables — Configuration flexible des agents autonomes et contrôle des conversations pour divers cas d'utilisation. Pour plus d'informations, consultez agentchat.conversable_agent dans la documentation. AutoGen

  • Sélection du modèle de base — Support pour différents modèles de base, notamment les modèles Anthropic Claude, Amazon Nova (Premier, Pro, Lite et Micro) sur Amazon Bedrock, et d'autres pour différentes capacités de raisonnement autonome. Pour plus d'informations, consultez la section Configuration LLM dans la AutoGen documentation.

  • Intégration de l'API LLM — Configuration standardisée pour plusieurs interfaces de service LLM, notamment Amazon Bedrock etOpenAI. Azure OpenAI Pour plus d'informations, consultez oai.openai_utils dans le manuel de référence des API. AutoGen

  • Traitement multimodal — Support du traitement du texte et de l'image pour permettre des interactions multimodales riches entre agents autonomes. Pour plus d'informations, consultez la section Engagement avec les modèles multimodaux : GPT-4V dans AutoGen la documentation. AutoGen

Quand utiliser AutoGen

AutoGenest particulièrement bien adapté aux scénarios d'agents autonomes, notamment :

  • Applications qui nécessitent des flux conversationnels naturels entre agents autonomes pour un raisonnement complexe

  • Projets nécessitant à la fois un fonctionnement totalement autonome et des capacités de supervision humaine optionnelles

  • Cas d'utilisation impliquant la génération, l'exécution et le débogage de code autonomes sans intervention humaine

  • Scénarios nécessitant des modèles de communication flexibles et asynchrones avec des agents autonomes

Approche de mise en œuvre pour AutoGen

AutoGenpropose une approche de mise en œuvre conversationnelle pour les parties prenantes de l'entreprise, comme indiqué dans la section Getting Started de la AutoGen documentation. Le cadre permet aux organisations de :

  • Créez des agents autonomes qui communiquent par le biais de conversations en langage naturel.

  • Implémentez des interactions asynchrones pilotées par des événements entre plusieurs agents.

  • Combinez un fonctionnement entièrement autonome avec une supervision humaine optionnelle en cas de besoin.

  • Développez des agents spécialisés pour différentes fonctions commerciales qui collaborent par le biais du dialogue.

Cette approche conversationnelle rend le raisonnement du système autonome transparent et accessible aux utilisateurs professionnels. Les décideurs peuvent observer le dialogue entre les agents pour comprendre comment les conclusions sont tirées et éventuellement participer à la conversation lorsque le jugement humain est requis.

Exemple concret de AutoGen

Magentic-Oneest un système multi-agents généraliste open source conçu pour résoudre de manière autonome des tâches complexes en plusieurs étapes dans divers environnements, comme décrit dans le blog AI Frontiers. Microsoft À la base se trouve l'agent Orchestrator, qui décompose les objectifs de haut niveau et suit les progrès à l'aide de registres structurés. Cet agent délègue des sous-tâches à des agents spécialisés (tels queWebSurfer, FileSurferCoder, etComputerTerminal) et s'adapte dynamiquement en replanifiant si nécessaire.

Le système repose sur le AutoGen framework et est indépendant du modèle, avec GPT‑4o par défaut. Il atteint des performances de pointe sur des critères tels GAIA que, et, le tout sans réglage spécifique à une tâche. AssistantBench WebArena De plus, il prend en charge l'extensibilité modulaire et une évaluation rigoureuse par le biais de AutoGenBench suggestions.