AG2：开源智能体操作系统
一个用于构建AI智能体并支持多智能体协作解决复杂任务的开源编程框架。
证据显示：README 强调 API 密钥通过环境变量传递，避免硬编码，这体现了最小权限原则（least_privilege）的部分实践，但未提供更细粒度的权限控制文档，故给 1 分。用户确认（user_confirmation）方面，README 展示了 human-in-the-loop 模式，通过 context.input 暂停运行并请求人工确认，证据充分，给 2 分。数据流透明性（data_flow_transparency）方面，README 提到 hub 有 write-ahead log 和 audit trail，但未详细说明数据流向和日志内容，证据不足，给 1 分。敏感数据处理（sensitive_data_handling）方面，仅提及密钥通过环境变量，未涉及其他敏感数据（如用户数据）的处理策略，给 1 分。依赖安全（dependency_security）方面，pyproject.toml 列出了依赖和版本范围，但未提及安全审计或漏洞扫描，给 1 分。外部影响（external_effects）方面，工具可调用外部 API，但未说明副作用控制，给 1 分。回滚（rollback）方面，未提及任何回滚机制，给 1 分。来源归属（source_attribution）方面，README 和 LICENSE 明确了版权归属和贡献者，但发布者未验证，给 2 分。
自洽性（self_consistency）方面，README 和 pyproject.toml 在版本、依赖和功能描述上基本一致，但存在一些不一致，如 README 提到 'AG2 Classic' 而 pyproject.toml 未提及，给 2 分。依赖可用性（dependency_availability）方面，依赖列表完整，但未提供依赖的可用性保证，给 2 分。失败消息（failure_messages）方面，代码中可能有错误处理，但未在文档中明确，给 1 分。
受众和场景（audience_and_scenarios）方面，README 面向开发者，提供了多种场景示例，给 2 分。能力边界（capability_boundaries）方面，README 区分了 AG2 和 AG2 Classic，但未明确所有能力边界，给 2 分。触发精度（trigger_precision）方面，工具调用和事件触发有明确说明，给 2 分。环境适配（environment_fit）方面，支持多种 Python 版本和操作系统，但未提及特定环境限制，给 2 分。
信息架构（information_architecture）方面，README 结构清晰，有目录和链接，给 2 分。安装说明（install_notes）方面，提供了 pip 安装命令和依赖说明，给 2 分。命名稳定性（naming_stability）方面，版本 1.0.1 表明稳定，但未提及命名约定，给 2 分。示例和 FAQ（examples_and_faq）方面，README 提供了多个代码示例，但未提供 FAQ，给 2 分。已知限制（known_limitations）方面，未明确列出，给 1 分。许可证（license）方面，Apache-2.0 许可证完整，给 3 分。版本和变更日志（versioning_changelog）方面，pyproject.toml 有版本号，但未提供变更日志，给 1 分。维护责任（maintenance_responsibility）方面，README 提到维护者，但未明确责任分工，给 2 分。
输出可用性（output_usability）方面，代码示例展示了如何获取回复，但未说明输出格式的多样性，给 2 分。边际价值（marginal_value）方面，框架提供了多智能体协作、工具调用等特性，具有较高价值，给 2 分。成本效益（cost_benefit）方面，开源免费，但未提供性能或成本分析，给 2 分。
声明可追溯性（claim_traceability）方面，README 中的声明未提供具体证据或链接，给 1 分。跨来源佐证（cross_source_corroboration）方面，仅依赖 README 和 pyproject.toml，缺乏其他来源，给 1 分。事实与推断分离（fact_inference_separation）方面，文档中事实和推断混合，未明确区分，给 1 分。
- 发布者身份未验证，需谨慎对待。
- 依赖安全未提及审计或漏洞扫描，需自行检查。
- 敏感数据处理策略不明确，特别是用户数据。
- 回滚机制缺失，需注意。
- 已知限制未列出，可能隐藏问题。
这个 Agent 能做什么，适合哪些场景？
AG2（原AutoGen）是一个开源编程框架，用于构建AI智能体并促进多个智能体之间的合作以解决任务。AG2 v1.0重写了核心架构：采用协议驱动的设计，顶层包名改为`ag2`，核心智能体类为`Agent`，支持异步操作，通过`Hub`和`channel`实现多智能体网络编排，取代了经典的`GroupChat`。它还提供了`@tool`装饰器、人类参与循环（`hitl_hook`）和知识存储与压缩等高级功能。该框架需要Python 3.10+，且支持多种模型提供商（如OpenAI, Anthropic, Gemini等）。AG2 Classic（即原来的`autogen`导入命名空间）已迁移到单独仓库，但仍在维护。
AG2允许开发者创建Agent实例，这些实例通过ask()方法进行对话，使用@tool装饰的函数作为工具，并支持人类参与（通过context.input暂停等待输入）。它通过Hub和不同类型的channel（如conversation、consulting、discussion、workflow）实现多智能体协调，并记录写入日志。框架还提供KnowledgeStore（如DiskKnowledgeStore）和SummarizeCompact压缩策略来管理记忆和历史。安装后，可通过pip install ag2[openai]并使用OpenAI API密钥来运行第一个智能体。
- 开发者需要一个灵活的多智能体框架来开发涉及多个AI代理协同工作的应用。
- 需要实现工具调用（tool calling）和人类审批流程（human-in-the-loop）的AI助手。
- 需要一个支持记忆持久化（如跨会话记住用户偏好）的AI系统。
- 希望将AI代理编排成网络（如使用
conversation或workflowchannel）以解决复杂任务。 - 研究者需要测试不同的模型提供商（如OpenAI、Anthropic、Gemini）但希望保持代码统一。
这个 Agent 有哪些优点和局限？
- 协议驱动的多智能体网络（Hub和channels）提供了比传统GroupChat更灵活、可扩展的编排方式。
- 内置工具调用、人类参与循环和知识存储（KnowledgeStore）等高级功能。
- 支持多种主流LLM提供商（OpenAI、Anthropic、Gemini等），可灵活切换。
- 活跃的社区和详细的文档（docs.ag2.ai）。
- 从AutoGen迁移需要重构代码：导入、类名和编排模式均改变（例如，
ConversableAgent→Agent）。 - 核心使用异步API，对于不熟悉asyncio的开发者有学习成本。
- 文档主要针对Python，可能不适合非Python开发者。
- 依赖外部LLM API，需要网络连接和API密钥，可能产生费用。
如何安装或部署这个 Agent？
在Windows/Linux上运行pip install ag2[openai]，在Mac上运行pip install 'ag2[openai]'，或根据模型提供商选择其他extra（如ag2[anthropic], ag2[gemini], ag2[ollama]）。需要Python 3.10+。
如何使用这个 Agent？
设置API密钥：export OPENAI_API_KEY="<your-api-key>"（或ANTHROPIC_API_KEY等）。使用ag2包导入Agent和OpenAIConfig。创建一个Agent实例，使用await agent.ask("your question")进行对话。要使用工具，用@tool装饰异步函数并传递给tools参数。对于多智能体，使用Hub.open和hub.register创建网络，并通过channel.send发送消息。参考文档和示例应用程序。
这个 Agent 与同类方案有什么区别？
与AutoGen（经典）相比，AG2 v1.0引入了全新的网络编排模型，更强调协议驱动。
常见问题
AG2与AutoGen有什么区别？
autogen → ag2，ConversableAgent → Agent）。古典AutoGen已移至单独仓库ag2-classic，仍可安装使用。