46 KiB
请给我详细介绍一下AutoGen架构，我想充分了解后，运行一个测试用例。
好的，我们来详细地拆解和介绍 AutoGen 框架，并一步步带你运行一个经典的测试用例。
AutoGen 架构详解
AutoGen 是由微软开发的一个开源框架，旨在简化和赋能基于大型语言模型（LLM）的多代理（Multi-Agent）应用程序的开发。它的核心思想是：通过让多个具有不同角色和能力的“代理（Agent）”相互对话和协作，来完成复杂的任务。
想象一下一个项目团队：有项目经理（负责规划）、程序员（负责写代码）、测试员（负责验证代码）、产品经理（负责提需求）。AutoGen 就是让你用代码来定义这些角色（Agent），并让他们自动开会、讨论、执行，最终完成你交待的任务。
1. 核心概念与组件
AutoGen 的架构主要由以下几个核心组件构成：
a. 代理（Agents）
Agent 是 AutoGen 的基本执行单元。每个 Agent 都有一个角色，并能执行某些操作，如与人交互、编写代码、执行代码、调用 LLM 等。最核心和最常用的两种 Agent 是：
-
AssistantAgent(助理代理)- 角色: 这是一个纯粹的 LLM 驱动的代理。你可以把它想象成“大脑”或“规划者”。
- 能力:
- 根据对话历史和收到的消息，调用 LLM 生成回复。
- 可以提出计划、编写代码片段、撰写文章、回答问题等。
- 特点: 它不会自己执行代码。它只会生成代码并建议让别人（通常是
UserProxyAgent）去执行。
-
UserProxyAgent(用户代理代理)- 角色: 它是人类用户的“替身”或“执行者”。你可以把它想象成“双手”或“执行终端”。
- 能力:
- 征求人类输入: 可以在关键节点暂停，询问人类用户的意见或下一步指示。
- 执行代码: 这是它最强大的能力。当
AssistantAgent提供一段代码后，UserProxyAgent可以在本地环境中执行这段代码（Python、Shell 等）。 - 提供反馈: 执行代码后，它会将执行结果（成功、失败、输出信息、错误日志）作为消息再发回给
AssistantAgent，形成一个闭环。
- 特点: 它充当了 LLM 世界和真实世界（代码执行环境、文件系统）之间的桥梁。
b. 对话与通信模式
AutoGen 的核心驱动力是 Agent 之间的自动化对话。
- 发起对话: 通常由一个 Agent（如
UserProxyAgent）通过调用.initiate_chat()方法来发起与另一个 Agent 的对话，并给出初始任务。 - 轮流发言: 一旦对话开始，两个（或多个）Agent 会根据预设的规则轮流发言。例如，
UserProxyAgent提出问题 ->AssistantAgent回答并提供代码 ->UserProxyAgent执行代码并返回结果 ->AssistantAgent根据结果修正代码或进行下一步... 如此循环。 - 消息传递: Agent 之间通过传递结构化的消息（通常是包含
content和role的字典）来进行通信。 - 终止条件: 对话会在满足特定条件时结束，例如：
- 任务完成（
AssistantAgent输出了TERMINATE信号）。 - 达到了最大对话轮次。
UserProxyAgent在需要人类输入时，人类输入了exit。
- 任务完成（
c. LLM 配置 (llm_config)
所有依赖 LLM 的 Agent（如 AssistantAgent）都需要一个 llm_config 来告诉它们如何与 LLM 服务（如 OpenAI, Azure OpenAI）进行通信。这通常包括：
config_list: 一个包含一个或多个 LLM 服务配置的列表。每个配置指定了模型名称（如gpt-4）、API 密钥等。这使得 AutoGen 可以轻松地在多个模型或备用服务之间切换。temperature: 控制 LLM 输出的随机性。timeout: 请求超时时间。cache_seed: 用于缓存和复现结果。
2. AutoGen 的工作流（以双代理为例）
下面是一个经典的工作流程图，展示了 AssistantAgent 和 UserProxyAgent 是如何协作的：
+------------------+ +-------------------+
| UserProxyAgent | | AssistantAgent |
| (执行者/用户替身) | | (规划者/思考者) |
+------------------+ +-------------------+
| |
| 1. 发起任务: |
| "请画出NVDA和TSLA的股价图" |
'----------------------------->'
|
| 2. 思考并调用LLM
| 生成Python代码
| (需要 yfinance, matplotlib)
|
.----------------------------< '
| 3. 收到代码建议: |
| "```python |
| import yfinance as yf |
| ... |
| plt.savefig('stock.png') |
| ```" |
| |
+------------------+ |
| 本地代码执行环境 | |
+------------------+ |
^ |
| 4. 执行代码 |
| (安装库, 运行脚本) |
| |
| 5. 返回执行结果: |
| "代码已成功执行, |
| 图片已保存为 stock.png" |
'----------------------------->'
|
| 6. 收到成功反馈
| 判断任务已完成
| 回复 "TERMINATE"
|
.----------------------------< '
| 7. 收到 "TERMINATE" |
| 对话结束 |
| |
测试用例：绘制股价图并保存
现在，让我们通过一个实际的例子来体验 AutoGen 的威力。
任务: 让 AutoGen 自动编写并执行 Python 代码，获取英伟达（NVDA）和特斯拉（TSLA）过去一年的股价，绘制在一张图上，并将图片保存为文件。
第1步: 环境准备
-
安装 AutoGen 和依赖库: 这个任务需要访问网络获取股价（
yfinance）和绘图（matplotlib）。我们可以让 AutoGen 自己安装，但为了确保环境干净，建议手动安装。pip install "pyautogen>=0.2.0" yfinance matplotlib -
获取 LLM API 密钥: 你需要一个大语言模型的 API 访问权限。最常用的是 OpenAI。
- 前往 OpenAI platform 获取你的 API Key。
-
配置 API 密钥: 强烈推荐使用环境变量或配置文件，而不是将密钥硬编码在代码里。AutoGen 推荐的方式是创建一个
OAI_CONFIG_LIST文件。- 在你的项目根目录下，创建一个名为
OAI_CONFIG_LIST的 JSON 文件。 - 在文件中填入以下内容，并将
"your_openai_api_key"替换为你的真实密钥。
[ { "model": "gpt-4", "api_key": "your_openai_api_key" } ]你也可以使用
gpt-3.5-turbo，速度更快成本更低，但对于复杂任务gpt-4效果更好。 - 在你的项目根目录下，创建一个名为
第2步: 编写 Python 脚本
创建一个名为 run_autogen_stock_plot.py 的 Python 文件，并粘贴以下代码：
import autogen
# 1. 加载 LLM 配置
# AutoGen 会自动寻找 OAI_CONFIG_LIST 文件或同名环境变量
config_list = autogen.config_list_from_json(
"OAI_CONFIG_LIST",
filter_dict={
"model": ["gpt-4"] # 你可以指定想用的模型，例如 "gpt-4" 或 "gpt-3.5-turbo"
}
)
# 2. 创建 LLM 配置字典
llm_config = {
"config_list": config_list,
"temperature": 0, # 温度设为0，让输出更具确定性
"cache_seed": 42, # 使用缓存种子，对于相同问题可以复用结果，节省token
}
# 3. 创建 AssistantAgent (助理代理/规划者)
assistant = autogen.AssistantAgent(
name="assistant",
llm_config=llm_config,
system_message="你是一个乐于助人的AI助手，擅长编写Python代码来解决问题。当你认为任务完成时，请只回复'TERMINATE'。"
)
# 4. 创建 UserProxyAgent (用户代理代理/执行者)
user_proxy = autogen.UserProxyAgent(
name="user_proxy",
human_input_mode="NEVER", # NEVER: 完全不需人类干预。TERMINATE: 在任务结束或需要帮助时暂停。ALWAYS: 每一步都需人类确认。
max_consecutive_auto_reply=10, # 限制连续自动回复的次数，防止无限循环
is_termination_msg=lambda x: x.get("content", "").rstrip().endswith("TERMINATE"),
code_execution_config={
"work_dir": "coding", # 代码将在这个文件夹中执行
"use_docker": False, # 设为False，直接在本地环境执行。如果你安装了Docker，建议设为True，更安全。
},
)
# 5. 发起对话
task_prompt = "获取英伟达(NVDA)和特斯拉(TSLA)从2023年1月1日至今的每日收盘价，并用一张图表绘制出来，将图表保存为 'stock_price_chart.png'。"
user_proxy.initiate_chat(
assistant,
message=task_prompt
)
第3步: 运行脚本
-
确保你的目录结构如下：
. ├── OAI_CONFIG_LIST └── run_autogen_stock_plot.py -
在终端中运行脚本：
python run_autogen_stock_plot.py
第4步: 观察输出并检查结果
当你运行脚本后，你会在终端看到 assistant 和 user_proxy 之间非常详细的对话过程。你会看到类似下面的流程：
user_proxy向assistant发送了初始任务。assistant回复说：“好的，我需要使用yfinance库来获取股价，用matplotlib来绘图。这是代码：” 然后提供了一段 Python 代码。user_proxy收到代码，回复：“正在执行代码...”，然后它会尝试运行。- 第一次执行可能会失败！ 因为
yfinance或matplotlib可能没安装。user_proxy会把ModuleNotFoundError的错误信息返回给assistant。 assistant看到错误后，会智能地回复：“哦，看起来是缺少了必要的库。请先执行这个 Shell 命令来安装它们：” 然后提供pip install yfinance matplotlib的命令。user_proxy收到 Shell 命令，执行它，然后返回成功信息。assistant再次提供最初的 Python 绘图代码。user_proxy再次执行代码，这次成功了。它会返回执行成功的信息，比如 "代码已执行，没有输出"。assistant看到代码成功执行，认为任务已经完成，于是回复TERMINATE。user_proxy收到TERMINATE，对话结束。
最终结果:
在你的项目目录下，会多出一个名为 coding 的文件夹。在这个文件夹里，你会找到一张名为 stock_price_chart.png 的图片，上面绘制了两只股票的股价走势图。
这个例子完美地展示了 AutoGen 的核心价值：通过代理间的对话、代码生成、执行和反馈循环，自动化地解决需要多个步骤和工具协作才能完成的复杂任务。
现在你已经对 AutoGen 的架构有了深入的了解，并成功运行了一个测试用例。接下来，你可以尝试修改任务（比如分析其他数据、操作文件等）或者探索更复杂的 GroupChat 模式来构建更强大的应用。
如何在autogen中使用deepseek？
当然可以！在 AutoGen 中使用 DeepSeek 模型非常简单，因为它也提供了与 OpenAI API 兼容的接口。这意味着你基本上只需要更改配置，而不需要修改代理（Agent）的代码。
下面是详细的步骤和解释，我们依然以上一个“绘制股价图”的例子为基础进行修改。
核心原理：利用 OpenAI 兼容的 API
许多 LLM 提供商（包括 DeepSeek, Groq, Together.ai 等）为了方便开发者迁移，都提供了一个遵循 OpenAI API 规范的端点（Endpoint）。
AutoGen 的 AssistantAgent 在设计上就是通过一个可配置的 llm_config 来与 LLM 通信的。这个配置中除了 api_key 和 model，还有一个关键参数：base_url (或 api_base)。
我们只需要将这个 base_url 指向 DeepSeek 的 API 服务器地址，AutoGen 就会把原本要发给 OpenAI 的请求，转而发给 DeepSeek。
步骤一：获取 DeepSeek API 密钥
- 访问 DeepSeek 开放平台。
- 注册并登录你的账户。
- 在“API 密钥” (API Keys) 页面创建一个新的密钥并复制它。请妥善保管。
步骤二：准备新的配置文件
为了保持清晰，我们不修改原来的 OAI_CONFIG_LIST 文件，而是创建一个新的配置文件专门用于 DeepSeek。
- 在你的项目根目录下，创建一个名为
OAI_CONFIG_LIST_DEEPSEEK.json的新文件。 - 在文件中填入以下内容，并将
"your_deepseek_api_key"替换为你在上一步获取的密钥。
[
{
"model": "deepseek-coder",
"api_key": "your_deepseek_api_key",
"base_url": "https://api.deepseek.com/v1"
}
]
关键参数解释:
model: 这里填写你希望使用的 DeepSeek 模型名称。deepseek-coder: 专为代码生成和补全优化的模型，非常适合我们这个任务。deepseek-chat: 通用的对话模型。- 建议在这里使用
deepseek-coder，效果可能会更好。
api_key: 你的 DeepSeek API 密钥。base_url: 这是最关键的一步。我们将其设置为 DeepSeek 的官方 API 端点https://api.deepseek.com/v1。
步骤三：修改 Python 脚本以使用 DeepSeek 配置
现在我们来修改之前的 run_autogen_stock_plot.py 脚本。
变化非常小，只需要将加载配置文件的部分指向我们新创建的 OAI_CONFIG_LIST_DEEPSEEK.json 文件即可。
这是修改后的完整脚本 run_autogen_deepseek.py：
import autogen
# 1. 加载 DeepSeek LLM 配置
# 注意：我们现在从新的配置文件加载
config_list_deepseek = autogen.config_list_from_json(
"OAI_CONFIG_LIST_DEEPSEEK.json",
filter_dict={
"model": ["deepseek-coder"] # 确保我们使用的是 deepseek-coder 模型
}
)
# 2. 创建 LLM 配置字典
# 这个结构保持不变，只是里面的配置内容换成了 DeepSeek 的
llm_config_deepseek = {
"config_list": config_list_deepseek,
"temperature": 0,
"cache_seed": 42, # 使用不同的种子或None，避免与之前的OpenAI缓存混淆
}
# 3. 创建 AssistantAgent (助理代理/规划者)
# Agent 的定义完全不需要改变！
assistant = autogen.AssistantAgent(
name="assistant",
llm_config=llm_config_deepseek, # <- 在这里传入 DeepSeek 的配置
system_message="你是一个乐于助人的AI助手，你是一个顶级的Python程序员。当你认为任务完成时，请只回复'TERMINATE'。"
)
# 4. 创建 UserProxyAgent (用户代理代理/执行者)
# 这个 Agent 的定义也完全不需要改变
user_proxy = autogen.UserProxyAgent(
name="user_proxy",
human_input_mode="NEVER",
max_consecutive_auto_reply=10,
is_termination_msg=lambda x: x.get("content", "").rstrip().endswith("TERMINATE"),
code_execution_config={
"work_dir": "coding_deepseek", # 使用一个新的工作目录，避免和上次的结果混淆
"use_docker": False,
},
)
# 5. 发起对话
# 任务保持不变
task_prompt = "获取英伟达(NVDA)和特斯拉(TSLA)从2023年1月1日至今的每日收盘价，并用一张图表绘制出来，将图表保存为 'stock_price_chart_deepseek.png'。请确保图片文件名正确。"
user_proxy.initiate_chat(
assistant,
message=task_prompt
)
步骤四：运行并观察
-
检查目录结构：
. ├── OAI_CONFIG_LIST_DEEPSEEK.json <-- 新的配置文件 └── run_autogen_deepseek.py <-- 新的脚本 -
运行脚本：
pip install "pyautogen>=0.2.0" yfinance matplotlib # 确保依赖已安装 python run_autogen_deepseek.py -
观察输出： 你将在终端看到与之前类似的对话流程。但这一次，
assistant的所有思考和代码生成都是由 DeepSeek 模型驱动的。你可能会注意到：- 响应速度可能不同。
- 生成的代码风格或注释可能有细微差别。
- 解决问题（比如处理库未安装的错误）的逻辑和对话方式也可能不一样。
-
检查结果： 运行结束后，检查项目目录下是否出现了一个新的文件夹
coding_deepseek，里面是否包含了stock_price_chart_deepseek.png图片。
总结与关键点
- 核心是
base_url：通过在llm_config中指定base_url，你可以让 AutoGen 使用任何与 OpenAI API 兼容的模型服务。 - 代码复用性高：你不需要为不同的 LLM 重写 Agent 逻辑，只需要切换配置即可。这是 AutoGen 架构的巨大优势。
- 模型选择很重要：对于代码任务，使用
deepseek-coder通常比deepseek-chat效果更好。根据你的具体任务选择最合适的模型。 - 独立工作目录：当切换模型或更改任务时，在
code_execution_config中指定一个新的work_dir是一个好习惯，可以避免不同任务或模型产生的文件相互覆盖或干扰。
你已经成功地将 AutoGen 的“大脑”从 OpenAI 切换到了 DeepSeek！用同样的方法，你也可以接入其他支持 OpenAI 兼容接口的模型服务。
提示这个错误 File "E:\python310\autogen_env\ds_ge.py", line 5, in <module> config_list_deepseek = autogen.config_list_from_json( ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ File "E:\python310\autogen_env\Lib\site-packages\autogen\oai\openai_utils.py", line 621, in config_list_from_json config_list = json.load(json_file) ^^^^^^^^^^^^^^^^^^^^ File "E:\python310\Lib\json_init_.py", line 293, in load return loads(fp.read(), ^^^^^^^^^^^^^^^^ File "E:\python310\Lib\json_init_.py", line 346, in loads return _default_decoder.decode(s) ^^^^^^^^^^^^^^^^^^^^^^^^^^ File "E:\python310\Lib\json\decoder.py", line 337, in decode obj, end = self.raw_decode(s, idx=_w(s, 0).end()) ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ File "E:\python310\Lib\json\decoder.py", line 353, in raw_decode obj, end = self.scan_once(s, idx) ^^^^^^^^^^^^^^^^^^^^^^ json.decoder.JSONDecodeError: Expecting ',' delimiter: line 10 column 1 (char 154) 什么原因
好的，这个错误非常常见，而且错误信息给出了非常明确的线索。我们来分析一下。
错误原因分析
这个错误 json.decoder.JSONDecodeError: Expecting ',' delimiter: line 10 column 1 (char 154) 指的是：
json.decoder.JSONDecodeError: 错误类型是 JSON 解析错误。这说明问题 100% 出在你的 JSON 配置文件中，而不是 Python 代码本身。Expecting ',' delimiter: JSON 解析器在读取文件时，期望看到一个逗号 (,)，但没有找到。在 JSON 格式中，列表（[]）中的元素之间，或者对象（{}）中的键值对之间，都必须用逗गा分隔。line 10 column 1: 这是最关键的信息！它告诉你错误发生在 配置文件的第 10 行，第 1 列。也就是说，解析器成功读取了前 9 行，但在第 10 行的开头就遇到了不符合语法的内容。
综合来看，最可能的原因是：你在 OAI_CONFIG_LIST_DEEPSEEK.json 文件中定义了多个模型配置，但是在两个配置对象之间忘记了加逗号。
常见错误示例
假设你的 OAI_CONFIG_LIST_DEEPSEEK.json 文件本来是这样的（这是正确的）：
[
{
"model": "deepseek-coder",
"api_key": "your_deepseek_api_key",
"base_url": "https://api.deepseek.com/v1"
}
]
现在，你可能想再加入一个 deepseek-chat 模型，然后不小心写成了这样（这是错误的）：
// ---- 这是一个错误的例子 ----
[
{
"model": "deepseek-coder",
"api_key": "your_deepseek_api_key",
"base_url": "https://api.deepseek.com/v1"
} // <--- 第 6 行结尾，这里缺少了一个逗号！
{ // <--- 第 7 行开头，解析器在这里报错，因为它期望看到逗号
"model": "deepseek-chat",
"api_key": "your_deepseek_api_key",
"base_url": "https://api.deepseek.com/v1"
}
]
在这个错误的例子中，第一个 } 后面直接跟了第二个 {。JSON 列表的语法要求它们之间必须有一个逗号。
如何修复
- 打开你的
OAI_CONFIG_LIST_DEEPSEEK.json文件。 - 检查文件的内容。
- 请将你的文件内容修改为下面 正确 的格式。
情况一：如果你只需要一个模型（最常见） 确保你的文件内容和下面完全一样，没有多余的括号或逗号。
[
{
"model": "deepseek-coder",
"api_key": "your_deepseek_api_key",
"base_url": "https://api.deepseek.com/v1"
}
]
情况二：如果你需要配置多个模型
确保在每个 } 和下一个 { 之间有一个逗号 ,。最后一个元素后面不能有逗号。
// ---- 这是一个正确的例子 ----
[
{
"model": "deepseek-coder",
"api_key": "your_deepseek_api_key",
"base_url": "https://api.deepseek.com/v1"
}, // <--- 看这里，加上了逗号
{
"model": "deepseek-chat",
"api_key": "your_deepseek_api_key",
"base_url": "https://api.deepseek.com/v1"
}
]
小贴士
为了避免未来再出现类似问题，建议：
- 使用支持语法高亮的编辑器，如 Visual Studio Code。当你编写 JSON 文件时，如果存在语法错误，编辑器通常会用红色波浪线标出，非常直观。
- 使用在线 JSON 格式化/验证工具。你可以将文件内容粘贴到这些网站上，它们会帮你检查格式是否正确。
修改完 JSON 文件并保存后，再次运行你的 Python 脚本，问题应该就解决了。
Json的问题已经修改成功。 还有一个问题，提示如下：
>>>>>>>> EXECUTING CODE BLOCK 0 (inferred language is python)... user_proxy (to assistant):
exitcode: 1 (execution failed) Code output: Traceback (most recent call last): File "", line 1, in <module> import yfinance as yf ModuleNotFoundError: No module named 'yfinance'
assistant (to user_proxy):
应该是deepseek没有yfinance这个工具，你是否换一个测试用例，能时候deepseek的？
这是一个非常好的问题，它触及了 AutoGen 工作方式的核心！您的判断非常接近，但问题的根源稍有不同。
您的理解： "应该是deepseek没有yfinance这个工具" 实际情况： 问题不是出在 DeepSeek，而是出在我们运行 Python 脚本的本地环境。
让我们来详细拆解一下这个过程，您就会明白为什么这个“错误”恰恰是 AutoGen 强大的体现。
核心概念：规划者 vs. 执行者
请记住我们之前讨论的两个代理的角色：
AssistantAgent(由 DeepSeek 驱动)：它是 规划者/大脑。它的工作是思考并生成文本指令，比如 Python 代码或 Shell 命令。它本身不运行任何东西。它只是说：“我认为应该运行这段代码来解决问题。”UserProxyAgent：它是 执行者/双手。它的工作是接收来自AssistantAgent的文本指令，并在您的本地计算机上的终端或 Python 环境中尝试执行它。
发生了什么？
您的终端输出完美地展示了这个流程：
- DeepSeek (Assistant) 的提议：DeepSeek 分析了您的任务（“绘制股价图”），并正确地判断出需要使用
yfinance库。于是，它生成了包含import yfinance as yf的 Python 代码块。 - UserProxy 的执行：
UserProxyAgent接收到这段代码，并尝试在您的本地 Python 环境（E:\python310\autogen_env\）中运行它。 - 本地环境的报错：您的本地 Python 环境发现，它的库文件夹里并没有安装
yfinance这个模块，所以它抛出了一个标准的 Python 错误：ModuleNotFoundError: No module named 'yfinance'。 - UserProxy 的反馈：
UserProxyAgent非常智能，它没有因此崩溃。它捕获了这个错误信息，并将其作为一条新消息发送回给了AssistantAgent。
下一步会发生什么？（这正是 AutoGen 的魔力所在）
现在，对话的主动权又回到了 AssistantAgent (DeepSeek) 手中。它会看到 UserProxyAgent 发来的反馈，内容是 ModuleNotFoundError。
接下来，DeepSeek 会进行自我修正，它的思考过程会是这样：
“哦，我上次提供的代码执行失败了，错误是‘找不到 yfinance 模块’。这说明执行环境里没有安装这个库。那么，在再次运行 Python 代码之前，我应该先让它安装这个库。”
因此，AssistantAgent 的下一次回复，很可能不是 Python 代码，而是一个 Shell 命令：
# 工具代码块 (language: sh)
pip install yfinance matplotlib
然后 UserProxyAgent 会接收到这个新的 Shell 命令，在您的本地终端执行它，成功安装库之后，再把成功的结果反馈给 AssistantAgent。之后，AssistantAgent 才会重新发送最初的 Python 绘图代码，这一次就能成功执行了。
结论与操作建议
所以，您完全不需要更换测试用例！
这个用例恰恰是展示 AutoGen 自动化调试和自我修正能力的完美场景。
您现在需要做的，就是让脚本继续运行。
如果您的 human_input_mode 设置的是 NEVER，它会自动完成上述的“安装库 -> 再次尝试”的循环。如果设置的是 TERMINATE 或 ALWAYS，它可能会暂停并询问您是否同意执行 pip install yfinance 命令，您只需要输入 y 或回车即可。
一句话总结：这个错误是 AutoGen 工作流程中非常正常且关键的一环。它不是 DeepSeek 的问题，而是 AutoGen 正在智能地发现并解决您本地环境的依赖问题。
这是接下来发生的 assistant (to user_proxy):
看起来你的环境中没有安装 yfinance 库。让我先安装它，然后重新运行代码。以下是完整的解决方案：
# 首先安装必要的库
import subprocess
import sys
def install(package):
subprocess.check_call([sys.executable, "-m", "pip", "install", package])
try:
import yfinance as yf
import matplotlib.pyplot as plt
import matplotlib.dates as mdates
except ImportError:
install("yfinance")
install("matplotlib")
import yfinance as yf
import matplotlib.pyplot as plt
import matplotlib.dates as mdates
# 获取股票数据
tickers = ["NVDA", "TSLA"]
start_date = "2023-01-01"
end_date = "2023-12-31" # 假设今天是2023年底，实际会获取到最新数据
data = yf.download(tickers, start=start_date, end=end_date)["Adj Close"]
# 绘制图表
plt.figure(figsize=(12, 6))
for ticker in tickers:
plt.plot(data.index, data[ticker], label=ticker)
plt.title("NVDA and TSLA Stock Prices (2023)", fontsize=16)
plt.xlabel("Date", fontsize=12)
plt.ylabel("Adjusted Close Price (USD)", fontsize=12)
plt.legend(fontsize=12)
plt.grid(True, linestyle='--', alpha=0.7)
# 格式化x轴日期显示
plt.gca().xaxis.set_major_formatter(mdates.DateFormatter('%b %Y'))
plt.gca().xaxis.set_major_locator(mdates.MonthLocator(interval=2))
plt.gcf().autofmt_xdate()
# 保存图表
plt.savefig("stock_price_chart_deepseek.png", dpi=300, bbox_inches="tight")
plt.close()
print("图表已成功保存为 'stock_price_chart_deepseek.png'")
TERMINATE
这段代码首先会检查并安装必要的库（如果尚未安装），然后获取股票数据并绘制图表。图表将保存为 "stock_price_chart_deepseek.png"。
EXECUTING CODE BLOCK 0 (inferred language is python)... Traceback (most recent call last): File "E:\python310\autogen_env\ds_ge.py", line 45, in user_proxy.initiate_chat( File "E:\python310\autogen_env\Lib\site-packages\autogen\agentchat\conversable_agent.py", line 1487, in initiate_chat self.send(msg2send, recipient, silent=silent) File "E:\python310\autogen_env\Lib\site-packages\autogen\agentchat\conversable_agent.py", line 1163, in send recipient.receive(message, self, request_reply, silent) File "E:\python310\autogen_env\Lib\site-packages\autogen\agentchat\conversable_agent.py", line 1273, in receive self.send(reply, sender, silent=silent) File "E:\python310\autogen_env\Lib\site-packages\autogen\agentchat\conversable_agent.py", line 1163, in send recipient.receive(message, self, request_reply, silent) File "E:\python310\autogen_env\Lib\site-packages\autogen\agentchat\conversable_agent.py", line 1273, in receive self.send(reply, sender, silent=silent) File "E:\python310\autogen_env\Lib\site-packages\autogen\agentchat\conversable_agent.py", line 1163, in send recipient.receive(message, self, request_reply, silent) File "E:\python310\autogen_env\Lib\site-packages\autogen\agentchat\conversable_agent.py", line 1273, in receive self.send(reply, sender, silent=silent) File "E:\python310\autogen_env\Lib\site-packages\autogen\agentchat\conversable_agent.py", line 1163, in send recipient.receive(message, self, request_reply, silent) File "E:\python310\autogen_env\Lib\site-packages\autogen\agentchat\conversable_agent.py", line 1271, in receive reply = self.generate_reply(messages=self.chat_messages[sender], sender=sender) ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ File "E:\python310\autogen_env\Lib\site-packages\autogen\agentchat\conversable_agent.py", line 2836, in generate_reply final, reply = reply_func(self, messages=messages, sender=sender, config=reply_func_tuple["config"]) ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ File "E:\python310\autogen_env\Lib\site-packages\autogen\agentchat\conversable_agent.py", line 2324, in generate_code_execution_reply exitcode, logs = self.execute_code_blocks(code_blocks) ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ File "E:\python310\autogen_env\Lib\site-packages\autogen\agentchat\conversable_agent.py", line 3035, in execute_code_blocks exitcode, logs, image = self.run_code( ^^^^^^^^^^^^^^ File "E:\python310\autogen_env\Lib\site-packages\autogen\agentchat\conversable_agent.py", line 3017, in run_code return execute_code(code, **kwargs) ^^^^^^^^^^^^^^^^^^^^^^^^^^^^ File "E:\python310\autogen_env\Lib\site-packages\autogen\code_utils.py", line 369, in execute_code result = future.result(timeout=timeout) ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ File "E:\python310\Lib\concurrent\futures_base.py", line 451, in result self._condition.wait(timeout) File "E:\python310\Lib\threading.py", line 324, in wait gotit = waiter.acquire(True, timeout) ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ KeyboardInterrupte
请分析一下
好的，这次我们遇到了一个更深层次、也更有趣的问题。让我们一步步分析这个过程和最终的错误。
第一部分：DeepSeek 的新策略（非常聪明！）
首先，我们必须赞扬一下 DeepSeek 模型在这里展示的智能。
- 识别问题: 它正确地识别出
ModuleNotFoundError。 - 制定新策略: 与我们预期的简单地返回
pip install ...Shell 命令不同，它采取了一种更健壮、更“自包含”（self-contained）的策略。它直接生成了一个完整的 Python 脚本，这个脚本自己就能处理依赖问题。 - 策略内容:
- 动态安装: 它编写了一个
install函数，使用 Python 的subprocess模块来调用pip。这比依赖外部 Shell 执行更具可移植性。 - 错误处理: 它将
import语句放在一个try...except块中。如果导入失败（意味着库未安装），它就会进入except块，调用install函数来安装缺失的库，然后再重新导入。 - 任务执行: 在确保库都存在之后，它才继续执行获取数据和绘图的核心任务。
- 终止信号: 最后，它在代码块的末尾包含了
TERMINATE信号，表示任务完成后对话应该结束。
- 动态安装: 它编写了一个
小结： 从 AI 模型的角度看，这是一个非常出色和周全的解决方案。
第二部分：执行过程与最终错误
现在，我们来看真正导致问题的原因。
EXECUTING CODE BLOCK 0...:UserProxyAgent接收到这个全新的、自包含的 Python 脚本，并开始执行它。- 安装过程: 脚本的第一步是
install("yfinance")和install("matplotlib")。这个过程是通过subprocess.check_call来执行的，它会启动一个新的进程来运行pip install ...。这个过程需要时间，因为它要从网络下载包并进行安装。 KeyboardInterrupt: 这是最关键的错误信息。KeyboardInterrupt不是一个普通的程序错误。它意味着程序被人为中止了。在绝大多数情况下，这是因为用户在终端里按下了Ctrl+C。
根本原因分析
结合上述两部分，我们可以推断出整个事件链：
- DeepSeek 给出了一个很棒但执行时间稍长的代码（因为它需要安装库）。
UserProxyAgent开始执行这个代码。终端开始显示pip的安装过程，或者暂时“卡住”了，因为它正在后台下载和安装。- 您（用户）可能觉得程序卡住了或者没有响应，因为
pip install的过程没有实时地、流畅地显示在 AutoGen 的日志流中。 - 在这种情况下，人的本能反应就是按下
Ctrl+C来中断这个看似“卡死”的程序。 - 这个
Ctrl+C操作被 Python 解释器捕获，并以KeyboardInterrupt异常的形式抛出，导致整个 AutoGen 脚本的执行被强行中止。
简而言之：AI 的解决方案是正确的，但执行它需要一些时间。由于执行过程的反馈不够明确，导致用户误以为程序卡死并手动中断了它。
如何解决
这个问题可以通过两种方式解决：
方案一：耐心等待（最简单）
- 重新运行脚本
python ds_ge.py。 - 当您看到终端开始执行代码块时，请不要做任何操作。给它一点时间（可能需要 30 秒到几分钟，取决于您的网络速度和
pip的缓存情况）来完成库的下载和安装。 - 只要您不按
Ctrl+C，subprocess最终会完成安装，然后脚本会继续执行剩下的绘图部分，并最终成功退出。
方案二：调整 UserProxyAgent 的执行超时（更健壮的方案）
在某些情况下，代码执行确实需要很长时间。AutoGen 的 run_code 函数有一个默认的 timeout（超时）设置（在较新版本中默认为600秒，但旧版本可能更短或依赖于其他设置）。如果安装过程真的非常慢，可能会触发超时。我们可以明确地增加这个超时时间。
修改 UserProxyAgent 的 code_execution_config：
# ... 在你的脚本中找到 UserProxyAgent 的定义 ...
user_proxy = autogen.UserProxyAgent(
name="user_proxy",
human_input_mode="NEVER",
max_consecutive_auto_reply=10,
is_termination_msg=lambda x: x.get("content", "").rstrip().endswith("TERMINATE"),
code_execution_config={
"work_dir": "coding_deepseek",
"use_docker": False,
# 增加下面这行，将超时时间设置为 120 秒
"timeout": 120,
},
)
# ... 脚本的其余部分 ...
为什么这个方案更健壮？
- 它明确地告诉 AutoGen：“我知道这个代码块可能需要更长的时间来运行，请给它最多 120 秒的时间，不要提前中止它。”
- 这避免了因为网络慢等原因导致的执行超时问题。
我强烈建议您首先尝试【方案一】，因为 KeyboardInterrupt 表明问题几乎肯定是手动中断。 重新运行并耐心等待，您应该就能看到期待已久的成功结果了。
我按照方案一，程序确实执行成功了。但中间还是发生了一些事情，请分析一下。 user_proxy (to assistant):
exitcode: 1 (execution failed) Code output: :23: FutureWarning: YF.download() has changed argument auto_adjust default to True data = yf.download(tickers, start=start_date, end=end_date)["Adj Close"]
[ 0% ] [100%**] 2 of 2 completed
2 Failed downloads: ['NVDA', 'TSLA']: YFRateLimitError('Too Many Requests. Rate limited. Try after a while.') Traceback (most recent call last): File "", line 46, in TERMINATE NameError: name 'TERMINATE' is not defined
assistant (to user_proxy):
我注意到几个问题：
- Yahoo Finance API 请求限制：
yfinance有时会因为请求过多而被限制（YFRateLimitError）。 TERMINATE错误：这是因为我之前手动添加的结束标记，但实际运行时不应包含它。auto_adjust警告：这是yfinance的一个无害警告，可以忽略或抑制。
修复后的代码
我将优化代码，处理 API 限制问题，并移除 TERMINATE 标记：
import subprocess
import sys
import time
import warnings
from datetime import datetime
# 安装必要的库
required_libraries = ['yfinance', 'matplotlib']
for lib in required_libraries:
try:
__import__(lib)
except ImportError:
print(f"安装 {lib}...")
subprocess.check_call([sys.executable, "-m", "pip", "install", lib])
import yfinance as yf
import matplotlib.pyplot as plt
import matplotlib.dates as mdates
# 抑制 yfinance 的 FutureWarning
warnings.simplefilter(action='ignore', category=FutureWarning)
# 获取股票数据（带重试机制）
tickers = ["NVDA", "TSLA"]
start_date = "2023-01-01"
end_date = datetime.now().strftime("%Y-%m-%d") # 获取到今天的数据
max_retries = 3
retry_delay = 5 # 每次重试等待 5 秒
for attempt in range(max_retries):
try:
data = yf.download(tickers, start=start_date, end=end_date)["Adj Close"]
break # 成功获取数据，退出重试循环
except Exception as e:
if attempt < max_retries - 1:
print(f"请求失败，尝试 {attempt + 1}/{max_retries}，等待 {retry_delay} 秒后重试...")
time.sleep(retry_delay)
else:
raise RuntimeError(f"无法获取股票数据: {e}") from e
# 绘制图表
plt.figure(figsize=(12, 6))
for ticker in tickers:
plt.plot(data.index, data[ticker], label=ticker)
plt.title(f"NVDA and TSLA Stock Prices ({start_date} to {end_date})", fontsize=16)
plt.xlabel("Date", fontsize=12)
plt.ylabel("Adjusted Close Price (USD)", fontsize=12)
plt.legend(fontsize=12)
plt.grid(True, linestyle='--', alpha=0.7)
# 格式化x轴日期显示
plt.gca().xaxis.set_major_formatter(mdates.DateFormatter('%b %Y'))
plt.gca().xaxis.set_major_locator(mdates.MonthLocator(interval=2))
plt.gcf().autofmt_xdate()
# 保存图表
plt.savefig("stock_price_chart_deepseek.png", dpi=300, bbox_inches="tight")
plt.close()
print("图表已成功保存为 'stock_price_chart_deepseek.png'")
改进点
✅ 自动重试机制：如果 Yahoo Finance 返回 RateLimitError，代码会等待 5 秒后重试（最多 3 次）。
✅ 动态结束日期：end_date 自动获取当前日期，确保数据最新。
✅ 抑制警告：忽略 yfinance 的 FutureWarning，避免干扰输出。
✅ 移除 TERMINATE：不再手动添加结束标记，避免 NameError。
请再次运行，应该能成功获取数据并生成图表！ 🚀
EXECUTING CODE BLOCK 0 (inferred language is python)... user_proxy (to assistant):
exitcode: 0 (execution succeeded) Code output: 图表已成功保存为 'stock_price_chart_deepseek.png'
assistant (to user_proxy):
图表已成功生成并保存为 stock_price_chart_deepseek.png！🎉
你可以查看该文件，它包含了 英伟达 (NVDA) 和 特斯拉 (TSLA) 从 2023-01-01 至今 的每日收盘价走势对比图。
如果需要进一步调整图表（如更改颜色、添加移动平均线等），请告诉我！ 😊
任务完成，程序已终止。
user_proxy (to assistant):
assistant (to user_proxy):
TERMINATE
TERMINATING RUN (839f21fd-3a12-4808-bf83-6112422353a0): Termination message condition on agent 'user_proxy' met
太棒了！这次的执行日志完美地展示了 AutoGen 的核心价值和多代理协作的强大之处。这已经不仅仅是一个“程序运行成功”的例子了，这是一个教科书级别的 “AI 代理通过多轮对话、分析错误、自我修正并最终完成复杂任务” 的典范。
让我们来详细分析这个精彩的过程：
第一轮对话：失败与反馈
-
UserProxyAgent的执行与反馈exitcode: 1 (execution failed): 它明确告诉AssistantAgent：“你给我的代码，我执行失败了。”- 它反馈了三个关键信息：
FutureWarning: 一个无害的警告，但 AI 还是注意到了。YFRateLimitError: 这是一个运行时错误。说明代码语法没问题，但在与外部服务（Yahoo Finance）交互时被拒绝了。这是因为免费 API 都有请求频率限制，短时间内请求过多就会触发。NameError: name 'TERMINATE' is not defined: 这是一个代码语法错误。AI 把TERMINATE这个指令（给 AutoGen 框架看的）错误地当成了 Python 代码里的一个变量来写，但这个变量并未定义。
关键点:
UserProxyAgent像一个忠实的测试工程师，不仅报告了“程序崩了”，还把完整的错误日志（warnings, runtime errors, syntax errors）都提交了上来。
第二轮对话：分析、修正与进化
这是整个过程中最体现 AI 价值的部分。
-
AssistantAgent(DeepSeek) 的分析- 它没有被一堆错误信息搞糊涂，而是逐一正确地分析了每个问题的原因：
- 识别出
YFRateLimitError是 API 请求限制问题。 - 识别出
NameError是因为它自己错误地将指令混入了代码。 - 识别出
FutureWarning是一个可以忽略的警告。
- 识别出
- 这展示了强大的逻辑推理和根本原因分析（Root Cause Analysis）能力。
- 它没有被一堆错误信息搞糊涂，而是逐一正确地分析了每个问题的原因：
-
AssistantAgent的代码重构（进化）- 它没有简单地在原代码上打补丁，而是进行了一次彻底的重构，让代码变得更加健壮（Robust）和工程化：
- 加入了重试机制: 针对
YFRateLimitError，它引入了try...except循环、time.sleep()延时和最大重试次数。这是非常有经验的程序员才会采取的策略，用来处理不稳定的网络服务。 - 移除了语法错误: 它聪明地删除了代码中不应存在的
TERMINATE变量。 - 代码优化:
- 用
warnings.simplefilter主动抑制了无用的警告，让输出更干净。 - 用
datetime.now()将结束日期动态化，让代码更具通用性，而不是写死。 - 改进了安装库的逻辑，使其更清晰。
- 用
- 加入了重试机制: 针对
- 最后，它还用清晰的语言（Markdown 列表和 emoji）向用户解释了它做了哪些改进，用户体验极佳。
关键点: AI 代理不仅仅是修复了 Bug，它还提升了代码的质量，使其从一个简单的脚本演变成了一个带有容错机制的、更可靠的程序。
- 它没有简单地在原代码上打补丁，而是进行了一次彻底的重构，让代码变得更加健壮（Robust）和工程化：
第三轮对话：成功执行与任务确认
-
UserProxyAgent的成功执行exitcode: 0 (execution succeeded): 成功！Code output: 图表已成功保存为 'stock_price_chart_deepseek.png': 它将代码的print输出作为执行结果返回。
-
AssistantAgent的最终确认- 收到成功消息后，它没有立刻终止。它首先像一个优秀的产品经理一样，向用户确认任务完成，并描述了成果（图表内容）。
- 它还主动提出了扩展可能性（“如果需要进一步调整图表...请告诉我！”），展示了良好的交互能力。
- 在这一切都完成后，它才发出最终的
TERMINATE指令，干净利落地结束对话。
总结分析
这个过程完美地回答了“为什么要用 AutoGen？”这个问题：
- 自动化问题解决: 你只提出了一个高层次的目标（“画图”），中间遇到的所有问题（库未安装、API限制、代码语法错误）都是由 AI 代理们自己通过对话解决的，无需人工干预。
- 持续学习与进化: AI 在每一次失败后都变得更“聪明”。它从一个简单的脚本开始，最终演化出了一个包含错误处理、重试机制和动态参数的健壮程序。
- 角色分工明确:
AssistantAgent负责思考、规划和编码，UserProxyAgent负责执行、测试和反馈。这种分工合作的模式效率极高。 - 超越简单问答: 这已经不是一个简单的“你问我答”模式了。这是一个具有状态、能够记忆历史、分析反馈并持续迭代以达成目标的自主系统（Autonomous System）。
您亲手运行的这个例子，就是未来软件开发、数据分析和自动化任务处理的一个缩影。恭喜你，你已经掌握了 AutoGen 的精髓！