论文背景
该论文介绍的是微软的一个多智能体框架，曾经获得了ICLR2024大会LLM智能体专题研讨会最佳论文。
在开发基于LLM的复杂应用程序时遇到了很多问题：
-
以往的研究往往基于单个LLM 智能体，但这无法解决复杂任务，因为它可能缺乏特定领域的知识、工具使用能力或持续的推理和纠错机制。
如autogpt，langchain等大多是围绕单智能体设计的，缺乏对多智能体协作的原生支持
-
基于多智能体系统的通用性不足
如metagpt和软件开发流程深度耦合
框架方法
在顶部的子图中，可以看到autogen内置了一些代理，其中conversableagent是最高级的抽象类，而Assistantagent和UserProxyAgent都是它的子类，除此之外还有统一的对话接口和参数，如send，receive等，还可以对代理进行定制，从而实现多样化的代理模式。GroupChatManager可以看成是一个扩展，使用这个功能可以解决更加复杂的任务。
在中间的子图中展现了一个双代理系统中对话编程的示例，我们可以自定义回复函数，如图中当没有人类输入时，会执行消息中的代码进行回复，如果有人类输入，就把人类输入当作回复。这里其实有个疑问，如果没有人类输入并且消息中也没有代码，是不是就返回空消息了。其实这里是一个高度简化的代码示例，如果出现这样的情况会自动回退到默认的回复机制，调用LLM进行自然语言回复。通过这样的设置可以让两个智能体进行自然的对话，相当于控制流在驱动对话。在启动initiate函数时，默认是在A与B之间对话，在自定义的generate函数中，可以通过对话内容，异常或者LLM推理动态决定下一个接收者。它可以主动暂停当前对话流，并通过init函数发起和另一个智能体的对话， 那么控制流就都在每个智能体内部。而不用额外的控制平面来进行调度，大大简化了开发。
底部的子图展现了对话的进行，可以看到刚开始useragent发送给assistant画图的消息，然后assistant调用generate函数产生代码和回复，在人类没有输入的情况下，useragent自动执行代码产生报错并进行回复，assistant继续调用generate生成纠正，整个对话自主进行，无需额外的控制模块。
数据集说明
autogen的应用领域非常广泛，论文中有7个例子，可以开发基于数学问题求解，检索增强聊天（Rag），多代理编码，对话式国际象棋等应用。不同的应用对应的autogen智能体设计框架也有区别，这里主要介绍数学问题求解和rag系统两个实验以及结果。
在数学问题求解实验中，主要使用了MATH 数据集。它包括代数、计数与概率、几何、中级代数、数论、预备代数和预微积分等领域的题目，每个领域都包含问题和对应的解答。还提供问题的难度等级和类型信息。
在rag系统实验中主要使用了Natural Questions数据集，这个数据集包含真实用户向 Google 搜索提出的问题，以及从 Wikipedia 中找到的答案。
格式如图所示。
除此之外，还会标注出文档中的长答案和短答案。
实验结果
在数学问题求解实验中采用了定性和定量评估。
对于所有评估，都使用GPT-4作为基础模型
在定性评估中，采用了MATH数据集中的两个5级问题，分别涉及简化平方根分数和数论问题，每个问题测试三次。上图中展示了相关评估结果。可以看到autogen表现得最好，其他框架都存在各种各样得问题。
定量评估如上图所示，一共两组实验，一组是涉及120个5级数学问题，涵盖6个类别，第二组是对整个测试集进行的实验。其中Chatgpt+code和+plugin都是商业级的应用，只能在网页端测试，只能手动操作，并且有每小时消息量限制。所以测试只测试了120个5级数学问题。在debate和langchain中，由于其在小数据集上表现都不太好，所以没有进行更进一步的测试。可以看到autogen在解决数学问题上的表现非常不错。
在autogen开发的rag系统中采用了两个代理之间的交互式检索，以上是交互式检索和单次检索的对比。因为检索时会寻找和问题向量相似度最匹配的文本。当第一次没找到时，用户代理会反馈update，这样会去寻找向量数据库中下一条最相似的文档片段，整个过程可以重复多次。
如上图所示，红色表示没有使用交互式检索的表现，DPR是一种基线方法。可以看到autogen在rag系统上的表现也很不错，交互式检索对系统也有一定的提升。
下图是autogen和其他多智能体框架的对比
有些多智能体框架只适合解决特定的问题
在autogen中，可以根据当前的对话内容或任务进展，动态地选择下一个发言者或调整对话流程。
