CrewAI 与 AutoGen

from crewai import Agent, Task, Crew, Process
from crewai_tools import SerperDevTool, FileReadTool

# ==================== 定义工具 ====================
search_tool = SerperDevTool()
file_tool = FileReadTool()

# ==================== 定义 Agent ====================
researcher = Agent(
    role="资深行业研究员",
    goal="深入研究指定主题，提供全面、准确的信息和分析",
    backstory="""你是一位在科技行业有 15 年经验的高级研究员。
    你擅长从多个信息源收集和整合信息，发现行业趋势和关键洞察。
    你的研究报告以数据驱动、逻辑严密著称。""",
    tools=[search_tool],
    llm="gpt-4o",
    verbose=True,
    allow_delegation=True,  # 可以将子任务委派给其他 Agent
    max_iter=10             # 最大迭代次数
)

analyst = Agent(
    role="商业分析师",
    goal="从研究数据中提取商业洞察，提出可行的战略建议",
    backstory="""你是一位顶级咨询公司的商业分析师，擅长 SWOT 分析、
    市场定位和竞争分析。你能将复杂数据转化为清晰的战略建议。""",
    tools=[search_tool, file_tool],
    llm="gpt-4o",
    verbose=True
)

writer = Agent(
    role="商业报告撰写专家",
    goal="将分析结果转化为专业、有说服力的商业报告",
    backstory="""你是一位资深商业报告撰写专家，为财富 500 强企业
    撰写战略报告。你的报告结构清晰、数据充分、结论有力。""",
    llm="gpt-4o",
    verbose=True
)

# ==================== 定义任务 ====================
research_task = Task(
    description="""深入研究 2025 年 AI Agent 市场：
    1. 市场规模和增长预测
    2. 主要玩家和产品
    3. 技术趋势和突破
    4. 关键挑战和机遇""",
    expected_output="详细的市场研究报告，包含数据、案例和趋势分析",
    agent=researcher
)

analysis_task = Task(
    description="""基于研究报告，进行商业分析：
    1. SWOT 分析
    2. 竞争格局分析
    3. 市场进入策略建议
    4. 风险评估""",
    expected_output="结构化的商业分析报告，包含可行的战略建议",
    agent=analyst,
    context=[research_task]  # 依赖研究任务的输出
)

writing_task = Task(
    description="""将分析结果撰写成专业的商业报告：
    - 3000 字左右的深度报告
    - 包含执行摘要
    - 数据可视化建议
    - 结论和下一步行动""",
    expected_output="专业的商业报告文档",
    agent=writer,
    context=[research_task, analysis_task],
    output_file="ai_agent_market_report.md"  # 输出到文件
)

# ==================== 组建团队并执行 ====================
crew = Crew(
    agents=[researcher, analyst, writer],
    tasks=[research_task, analysis_task, writing_task],
    process=Process.sequential,  # 顺序执行
    verbose=True,
    memory=True,  # 启用记忆
    cache=True    # 启用缓存（减少重复的 LLM 调用）
)

result = crew.kickoff()
print(result)

# 管理者 Agent 自动分配任务
manager = Agent(
    role="项目经理",
    goal="高效协调团队完成复杂任务",
    backstory="经验丰富的项目经理，擅长任务分配和进度管理"
)

crew = Crew(
    agents=[researcher, analyst, writer],
    tasks=[research_task, analysis_task, writing_task],
    process=Process.hierarchical,  # 层级模式
    manager_llm="gpt-4o",          # 管理者使用的模型
    # 管理者会自主决定：谁做什么、什么顺序、是否需要返工
)

# 1. 任务委派（Delegation）
# Agent 可以将部分工作委派给其他 Agent
researcher.allow_delegation = True
# 研究员可以将"查找竞品价格"委派给其他 Agent

# 2. 异步执行
import asyncio
result = await crew.kickoff_async()

# 3. 回调函数
def task_callback(task_output):
    print(f"任务完成: {task_output.description[:50]}...")

research_task.callback = task_callback

# 4. 自定义 LLM
from langchain_openai import ChatOpenAI
custom_llm = ChatOpenAI(model="gpt-4o", temperature=0.3)
researcher = Agent(role="...", goal="...", llm=custom_llm)

# 5. 记忆系统
crew = Crew(
    memory=True,              # 启用短期+长期记忆
    memory_backend="rag",     # 使用 RAG 作为记忆后端
)

from autogen import AssistantAgent, UserProxyAgent

# 创建助手
assistant = AssistantAgent(
    name="AI助手",
    system_message="你是一位 Python 专家，帮助用户解决编程问题。",
    llm_config={
        "model": "gpt-4o",
        "api_key": "sk-...",
        "temperature": 0
    }
)

# 创建用户代理（可以执行代码）
user_proxy = UserProxyAgent(
    name="用户",
    human_input_mode="NEVER",     # 不需要人类输入
    max_consecutive_auto_reply=5, # 最大自动回复次数
    code_execution_config={
        "work_dir": "coding",
        "use_docker": True         # 在 Docker 中执行代码
    }
)

# 启动对话
user_proxy.initiate_chat(
    assistant,
    message="帮我写一个 Python 脚本，爬取某网站的文章标题并保存为 CSV"
)
# AutoGen 会自动进行多轮对话，包括代码生成、执行、调试

from autogen import GroupChat, GroupChatManager

# 创建多个专业 Agent
planner = AssistantAgent(
    name="规划师",
    system_message="你是项目规划师，负责分解任务和制定计划。"
)

coder = AssistantAgent(
    name="程序员",
    system_message="你是资深程序员，负责编写代码。"
)

reviewer = AssistantAgent(
    name="审查员",
    system_message="你是代码审查专家，负责审查代码质量和安全性。只指出问题，不要夸奖。"
)

# 创建群聊
groupchat = GroupChat(
    agents=[user_proxy, planner, coder, reviewer],
    messages=[],
    max_round=15,
    # 发言选择策略
    speaker_selection_method="auto",  # LLM 自动选择下一个发言者
    # 可选: "round_robin" (轮流), "random", 或自定义函数
)

# 创建群聊管理器
manager = GroupChatManager(
    groupchat=groupchat,
    llm_config={"model": "gpt-4o"}
)

# 启动群聊
user_proxy.initiate_chat(
    manager,
    message="开发一个简单的 TODO 应用，使用 Flask + SQLite"
)

# 1. 嵌套对话（Nested Chat）
# Agent 内部可以启动子对话
def research_task(message):
    researcher = AssistantAgent(name="研究员", ...)
    result = user_proxy.initiate_chat(researcher, message=message, max_turns=3)
    return result.summary

# 2. 工具注册
from autogen import register_function

register_function(
    search_web,
    caller=assistant,
    executor=user_proxy,
    name="search_web",
    description="搜索网页获取最新信息"
)

# 3. 自定义发言选择
def custom_speaker_selector(last_speaker, groupchat):
    """自定义下一个发言者的选择逻辑"""
    messages = groupchat.messages
    
    # 如果上一条消息包含代码，让审查员发言
    if "```" in messages[-1]["content"]:
        return reviewer
    
    # 如果上一条是审查意见，让程序员修改
    if last_speaker.name == "审查员":
        return coder
    
    # 默认轮流发言
    agents = groupchat.agents
    idx = agents.index(last_speaker)
    return agents[(idx + 1) % len(agents)]

groupchat = GroupChat(
    agents=[...],
    speaker_selection_method=custom_speaker_selector
)

选择 CrewAI 当：
✓ 任务可以清晰分解为角色和步骤
✓ 想要快速搭建，不需要太多底层控制
✓ 团队成员是"不同专业的专家"
✓ 类似流水线的工作模式

选择 AutoGen 当：
✓ 任务需要多个 Agent 讨论和辩论
✓ 需要代码执行和验证（内置沙箱）
✓ 需要更细粒度的对话控制
✓ 类似团队会议的工作模式

# OpenAI 的轻量级多 Agent 框架（教学性质）
from swarm import Swarm, Agent

def transfer_to_sales():
    return sales_agent

triage_agent = Agent(
    name="分流 Agent",
    instructions="判断用户需要技术支持还是销售帮助",
    functions=[transfer_to_sales, transfer_to_support]
)

低代码 Agent 开发平台：
- 可视化拖拽式 Agent 构建
- 内置 RAG、工具调用、工作流
- 支持多种 LLM 后端
- 一键部署为 API 或聊天应用
- 适合非开发者快速构建 Agent

字节跳动的 Agent 开发平台：
- 可视化 Bot 构建
- 丰富的插件市场
- 支持知识库、工作流、多 Agent
- 一键发布到飞书、微信、网页等渠道
- 适合快速原型和商业应用