群聊与发言者选择

10 minIntermediate2026/6/15

AutoGen GroupChat 和 AG2 GroupChat 在 N 个 Agent 之间共享一个对话；选择器函数（LLM、轮询或自定义）选择下一个发言者。这是涌现式多 Agent 对话的原型——Agent 不知道自己在静态图中的角色，它们只是对共享池做出反应。AutoGen v0.2 ...

群聊与发言者选择

AutoGen GroupChat 和 AG2 GroupChat 在 N 个 Agent 之间共享一个对话；选择器函数（LLM、轮询或自定义）选择下一个发言者。这是涌现式多 Agent 对话的原型——Agent 不知道自己在静态图中的角色，它们只是对共享池做出反应。AutoGen v0.2 的 GroupChat 语义在 AG2 分支中保留；AutoGen v0.4 将其重写为事件驱动 Actor 模型。Microsoft 于 2026 年 2 月将 AutoGen 置于维护模式，并与 Semantic Kernel 合并为 Microsoft Agent Framework (RC 2026 年 2 月)。GroupChat 原语在 AG2 和 Microsoft Agent Framework 中都存活——学一次，到处用。

类型： 学习 + 构建 语言： Python (stdlib) 前置条件： Phase 16 · 04 (原语模型) 时间： ~60 分钟

问题

静态图 (LangGraph) 在工作流已知时很好。真实对话不是静态的：有时编码者问审查员，有时问研究员，有时问作者。硬编码每个可能的交接会产生边爆炸。你想要Agent 对共享池做出反应，由某个函数决定谁下一个发言。

这正是 AutoGen GroupChat 所做的。

概念

形状

graph TD
    Pool["共享池<br/>m1 m2 m3 ..."]
    A["Agent A"]
    B["Agent B"]
    C["Agent C"]
    D["Agent D"]
    Selector["选择器"]
    Pool --> A
    Pool --> B
    Pool --> C
    Pool --> D
    Pool --> Selector
    Selector -->|"下一个发言者 = C"| C

每个 Agent 看到每条消息。每轮调用选择器函数选择下一个发言者。

三种选择器风格

轮询。 固定循环。确定性。按 N 线性扩展但忽略上下文——即使主题是法律审查，编码者也获得发言权。

LLM 选择。 调用 LLM 读取最近的池并返回最佳下一个发言者。上下文感知但慢：每轮增加一次 LLM 调用。AutoGen 的默认。

自定义。 带有任何你想要的逻辑的 Python 函数。典型：LLM 选择带回退规则（例如，“编码者之后总是给验证者发言权”）。

ConversableAgent API

agent = ConversableAgent(
    name="coder",
    system_message="You write Python.",
    llm_config={...},
)
chat = GroupChat(agents=[coder, reviewer, tester], messages=[])
manager = GroupChatManager(groupchat=chat, llm_config={...})

GroupChatManager 持有选择器。当 Agent 完成一轮时，管理器调用选择器，返回下一个 Agent。循环继续直到终止条件。

终止

三种常见模式：

最大轮次。 总轮次的硬上限。
“TERMINATE” 令牌。 Agent 可以发出哨兵消息；管理器在出现一个时停止。
目标达成检查。 轻量级验证者每轮运行，完成时停止聊天。

AutoGen → AG2 分裂和 Microsoft Agent Framework 合并

2025 年初，Microsoft 开始围绕事件驱动 Actor 模型对 AutoGen (v0.4) 进行重大重写。社区将 AutoGen v0.2 的 GroupChat 语义分支为 AG2，保留了早期采用者已集成的 API。

2026 年 2 月，Microsoft 宣布 AutoGen 进入维护模式，事件驱动 Actor 模型合并到 Microsoft Agent Framework (RC 2026 年 2 月，现已与 Semantic Kernel 合并)。GroupChat 概念在两条路径中都存活；实现细节不同。AG2 是 v0.2 兼容代码的首选上游。

群聊何时适合

涌现式对话。 你不想预连线每个可能的下一个发言者。
角色混合任务。 编码者问研究员，研究员问档案员，档案员问回编码者。流不是 DAG。
探索性问题解决。 想象”头脑风暴会议”，不是”装配线”。

何时失败

严格确定性。 LLM 选择器可能不一致。相同提示，不同运行，不同下一个发言者。
谄媚级联。 Agent 服从说话最自信的人。显式对抗提示。
上下文膨胀。 每个 Agent 读取每条消息；10 轮后上下文巨大。使用投影 (Lesson 15) 来限定视图。
热门发言者。 一个 Agent 主导对话，因为选择器偏向其专业。引入发言者平衡作为选择器特性。

群聊 vs 监督者

相同原语，不同默认：

监督者：一个 Agent 规划，其他执行。选择器是”问规划者做什么。”
群聊：所有 Agent 是对等的；选择器是共享池上的函数。

两者都使用 Lesson 04 的四个原语。群聊默认为 LLM 选择的编排和全池共享状态。

构建它

code/main.py 用 stdlib 从头实现 GroupChat。三个 Agent（编码者、审查者、管理者），轮询和 LLM 选择变体，以及在 TERMINATE 令牌上终止。

演示打印对话转录以及两种变体的选择器决策追踪。

运行：

python3 code/main.py

使用它

outputs/skill-groupchat-selector.md 为给定任务配置 GroupChat 选择器——轮询 vs LLM 选择 vs 自定义，以及使用什么选择器输入（最近消息、Agent 专业、轮次计数）。

发布它

检查清单：

最大轮次上限。 始终设置。典型任务 10-20 轮。
发言者平衡指标。 追踪每个 Agent 的轮次；不平衡超过阈值时告警。
终止令牌。 TERMINATE 或专用验证者 Agent。
投影或限定内存。 约 10 条消息后，考虑给每个 Agent 限定视图以防止上下文膨胀。
选择器日志。 对于 LLM 选择变体，记录选择器的输入和选择。否则调试不可能。

练习

运行 code/main.py。比较轮询 vs LLM 选择下的对话。哪个 Agent 在每种模式下主导？
在选择器中添加”每个 Agent 最大发言次数”规则。它如何影响转录？
实现目标达成终止：当审查者返回”approved”时停止。它在轮次上限前多久触发？
阅读 AutoGen 稳定文档关于 GroupChat (https://microsoft.github.io/autogen/stable/user-guide/core-user-guide/design-patterns/group-chat.html)。识别 GroupChatManager 使用的默认选择器。
阅读 AG2 仓库 (https://github.com/ag2ai/ag2) 并比较其 v0.2 GroupChat 与 v0.4 事件驱动版本。v0.4 添加了什么具体属性（吞吐量、容错、可组合性）？

关键术语

术语	人们怎么说	实际含义
GroupChat	”一个聊天室里的 Agent”	共享消息池 + 选择器函数。AutoGen / AG2 原语。
发言者选择	”谁下一个说话”	选择下一个 Agent 的函数。轮询、LLM 选择或自定义。
GroupChatManager	”会议主持人”	拥有选择器并循环轮次的 AutoGen 组件。
ConversableAgent	”基础 Agent”	AutoGen 基类；可以发送和接收消息的 Agent。
终止令牌	“‘停止’词”	结束聊天的哨兵字符串（通常是 `TERMINATE`）。
热门发言者	”一个 Agent 主导”	选择器持续选择同一 Agent 的失败模式。
上下文膨胀	”池无限增长”	每个 Agent 读取每条先前消息；上下文随轮次增长。
投影	”限定视图”	共享池中角色特定的视图，防止上下文膨胀。