AutoGen
微软开源多 Agent 对话框架（已进入维护模式），代码驱动 Agent 协作
需要代码级精细控制多 Agent 协作逻辑的研究者和高级开发者曾经的首选，微软背书 + 代码执行 + Group Chat 模式强大。⚠️ 2026-10-13 核对：官方已进入维护模式（不再新增功能、转社区维护），微软指向 Microsoft Agent Framework 作为企业级继任者；新项目不应再从 AutoGen 起步，存量项目应排迁移。
基于官方 README 与文档（2026-10-13 核对）评估：ConversableAgent + Group Chat + 代码执行 + 0.4 事件驱动重构
纯代码、无 GUI、学习曲线陡峭
MIT 开源免费
英文文档、中文社区弱
官方已转入维护模式、不再新增功能与新特性，API 稳定性风险转为「不再演进」，生产需谨慎
- 评分人
- AI 之家编辑部
- 最近复核
- 2026-10-13
- 下次复核
- 2027-04-11 （周期 180 天）
- 利益声明
- 本站不接软文、不卖排名
2026-10-13 更新（一手核对，影响选型结论）：AutoGen 已进入维护模式。 微软官方 GitHub README 顶部现挂 「Maintenance Mode」徽章，警示块原文： 「AutoGen is now in maintenance mode. It will not receive new features or enhancements and is community managed going forward. New users should start with Microsoft Agent Framework. Existing users are encouraged to migrate using the AutoGen → Microsoft Agent Framework migration guide.」 三条可直接执行的结论： ① 新项目不要再从 AutoGen 起步——微软明确指向 Microsoft Agent Framework（MAF），并称其为「enterprise-ready successor」，MAF 1.0 已是 production-ready 发布，提供稳定 API、长期支持承诺、多 provider 模型支持，以及经 A2A 与 MCP 的跨运行时互操作。 ② 存量项目排迁移——官方给出了 AutoGen → MAF 的迁移指南（learn.microsoft.com 托管）。「维护模式」的具体含义是：不再有新功能与新增强，仅社区维护；安全响应与 bug 修复的 SLA 官方未给出，本站列为待核实。 ③ 「微软背书」这条加分项需要重新计权——背书方自己已经把后继产品推到台前。 需区分的是：维护模式 ≠ 停止可用。仓库仍在、MIT 协议不变、仍可 pip 安装。变的是**「未来不会再变好」**。
TL;DR
AutoGen 是微软研究院开源的多 Agent 对话框架（MIT 协议），用 Python 代码定义 Agent 角色、对话流程和工具调用。核心是 ConversableAgent + Group Chat 模式——多个 Agent 自动对话协作完成任务，支持代码执行、工具调用、人在回路（human-in-the-loop）。AutoGen 0.4+ 重构为事件驱动架构，性能和扩展性大幅提升。
适合：AI 研究者、需要精细控制 Agent 协作逻辑的高级开发者、多 Agent 实验项目。不适合：快速原型验证（用 CrewAI）、非技术用户（用 Dify / Flowise）、需要 GUI 的场景、追求 API 稳定性的生产项目。
AutoGen 核心能力
- 多 Agent 对话：Group Chat 模式，多个 Agent 自动对话协作完成任务
- 代码执行：内置 Docker 代码执行器，Agent 可写代码 + 运行 + 调试
- 工具调用：自定义函数工具，Agent 自动选择和调用
- 人在回路：Human-in-the-loop 模式，关键决策需人工确认
- 事件驱动架构：0.4+ 重构为 async 事件驱动，支持分布式 Agent
- 可定制 Agent：system message / 工具集 / 终止条件全可自定义
- 多模型支持：OpenAI / Claude / Azure / Ollama / Gemini 等
- Agent 可组合：嵌套 Agent、层级 Agent、条件路由
- 可观测性：集成 OpenTelemetry / LangSmith 追踪 Agent 行为
AutoGen 价格
完全免费、MIT 开源、商用免费。运行成本仅来自所接入的 LLM API 调用费用。
AutoGen 体验与评测
说明：本节基于官方文档与公开评测整理，非本站独立实测环境，具体数据请以官方为准。 亮点：
- Group Chat 模式让多 Agent 协作真正"自动化"，代码 reviewer + coder + tester 角色分工清晰
- Docker 代码执行器安全隔离，Agent 写的代码在沙箱中运行
- 0.4+ 的事件驱动架构性能提升明显，异步并发能力强
- 自定义工具集成灵活，Python 函数加
@user_function装饰器即可 - 微软背书，学术认可度高，论文引用多
- 人在回路模式适合需要人工把关的高风险场景
踩坑：
- 学习曲线非常陡峭，文档虽全但概念密集，新手容易劝退
- 0.2 → 0.4 API 大改，迁移成本高，网上旧教程大量失效
- Agent 对话容易"跑飞"——无限循环 / 偏离主题，需仔细设计终止条件
- 无 GUI，调试全靠日志和 print，排查多 Agent 对话链路费时
- Token 消耗大——多 Agent 对话轮次多，API 费用叠加明显
- 错误处理不够健壮，LLM 返回格式异常时容易崩溃
- 社区活跃度不如 LangChain / CrewAI，遇到问题搜索不到答案
- 官方已停止功能演进（2026-10-13 核对）：README 明示不再接收新功能与新增强、转社区维护，新用户被导向 Microsoft Agent Framework
AutoGen 上手 5 分钟
pip install autogen-agentchat autogen-ext（0.4+ 新包名）- 配置 LLM：设置
OPENAI_API_KEY环境变量或代码内传入 - 定义 Agent：
AssistantAgent(name="coder", system_message="...", model_client=...) - 创建 Group Chat：
RoundRobinGroupChat(agents=[agent1, agent2]) - 发起任务：
result = await team.run(task="写一个贪吃蛇游戏") - 进阶：加 Docker 代码执行器 + 自定义工具 + 人在回路
AutoGen 与同类对比
| 维度 | AutoGen | CrewAI | LangGraph | Dify |
|---|---|---|---|---|
| 形态 | Python 框架 | Python 框架 | Python 框架 | 可视化平台 |
| 上手难度 | 高 | 中 | 高 | 低 |
| 多 Agent | Group Chat | Crew 角色 | 图编排 | 工作流 |
| 代码执行 | Docker 沙箱 | 需自定义 | 需自定义 | 沙箱 |
| GUI | 有 CrewAI Studio） | |||
| API 稳定性 | 一般（大改过） | 较好 | 好 | 好 |
| 适合场景 | 研究 / 复杂协作 | 业务自动化 | 精确流程控制 | 应用构建 |
AutoGen 避坑清单
- 锁定版本：0.2 和 0.4 API 不兼容，
pip install时务必指定版本 - 设计终止条件：Group Chat 不设终止条件会无限对话，设 max_turns + 终止关键词
- Token 成本控制：多 Agent 对话 token 消耗是单 Agent 的 3-5 倍，用 GPT-4 级模型注意费用
- 代码执行器一定要用 Docker：直接本地执行 Agent 生成的代码有安全风险
- 别指望第一次跑通：system message 调试 + 工具定义 + 终止条件需要反复迭代
- 错误处理要完善：LLM 返回异常格式时手动 catch + 重试
- 不要用旧教程：0.4+ 完全重构，网上大部分 AutoGen 教程是 0.2 版本的
适合 / 不适合
- AI 研究者实验多 Agent 协作模式
- 需要代码级精细控制 Agent 行为
- 需要 Agent 代码执行 + 自动调试
- 人在回路的高风险决策场景
- 学术项目 / 论文复现
- 快速原型验证（用 CrewAI，API 更简洁）
- 非技术用户（用 Dify / Flowise）
- 追求 API 稳定性的生产项目（版本变动大）
- 需要可视化调试（无 GUI，全靠日志）
- 预算敏感场景（多 Agent 对话 token 消耗大）
FAQ
Q: AutoGen 和 CrewAI 怎么选？ A: AutoGen 更底层、更灵活，适合研究和复杂多 Agent 协作实验，但学习成本高。CrewAI API 更简洁直观，角色 + 任务 + 流程的概念更易理解，适合业务自动化场景。研究选 AutoGen，做产品选 CrewAI。
Q: AutoGen 0.2 和 0.4 有什么区别？
A: 0.4 是完全重构版本——从同步改为异步事件驱动架构，包名从 pyautogen 改为 autogen-agentchat + autogen-ext，API 全面更新。性能和扩展性大幅提升但旧代码无法直接迁移。新项目直接用 0.4+。
Q: 多 Agent 对话成本高吗？ A: 高。多 Agent 每轮对话都消耗 token，一个任务 5-10 轮对话是常态，使用 GPT-4 级模型单个任务可能花费 $0.5-2。建议开发调试用便宜模型（GPT-4o-mini），生产再切高级模型。
Q: 可以接入本地模型吗？
A: 可以。通过 autogen-ext 的 OpenAI 兼容客户端接入 Ollama / vLLM / LM Studio 的本地模型端点。但本地模型能力有限，复杂多 Agent 协作效果可能不如 GPT-4 / Claude。
相关阅读
Long-tail quick picks
长尾检索速查：下面三项对应「AutoGen 开源版 / 免费版 / 国内可用」等搜索意图，方便直接跳转。
Open-source alternatives
Free tier
China availability
相关替代品：
来源
本文的价格、版本号与性能数据均参考以下官方渠道整理，可能随时间变动，请以官方实时信息为准。
- · AI 研究者
- · 需要精细控制 Agent 协作逻辑的高级开发者
- · 多 Agent 实验项目
- · 快速原型验证（用 CrewAI）
- · 非技术用户（用 Dify / Flowise）
- · 需要 GUI 的场景
- · 追求 API 稳定性的生产项目
可接入 / 兼容以下大模型 API（在设置中配置 key 即可切换底座）：