06-03-02 — AutoGen: origens e contribuições para multi-agent

A linha do tempo

AutoGen v0.2 — o modelo clássico

O modelo v0.2 introduziu os conceitos que definiram multi-agent:

from autogen import AssistantAgent, UserProxyAgent, GroupChat, GroupChatManager

# Agente assistente (usa LLM)
assistente = AssistantAgent(
    name="Assistente",
    llm_config={"model": "gpt-4o", "api_key": "..."},
    system_message="Você é um especialista em análise de contratos."
)

# Agente proxy (pode executar código, simula usuário)
usuario = UserProxyAgent(
    name="Usuario",
    human_input_mode="NEVER",  # totalmente automático
    code_execution_config={"work_dir": "./workspace"}
)

# Conversa direta entre dois agentes
chat_result = usuario.initiate_chat(
    assistente,
    message="Analise o contrato e identifique cláusulas de risco."
)

GroupChat — múltiplos agentes

from autogen import AssistantAgent, UserProxyAgent, GroupChat, GroupChatManager

pesquisador = AssistantAgent("Pesquisador", llm_config=llm_cfg,
    system_message="Você pesquisa fatos e dados.")

escritor = AssistantAgent("Escritor", llm_config=llm_cfg,
    system_message="Você escreve relatórios claros e objetivos.")

revisor = AssistantAgent("Revisor", llm_config=llm_cfg,
    system_message="Você revisa e critica o trabalho.")

usuario = UserProxyAgent("Usuario", human_input_mode="NEVER")

# GroupChat: define quem pode falar e em que ordem
groupchat = GroupChat(
    agents=[pesquisador, escritor, revisor, usuario],
    messages=[],
    max_round=10,
    speaker_selection_method="auto"  # LLM decide quem fala
)

manager = GroupChatManager(groupchat=groupchat, llm_config=llm_cfg)
usuario.initiate_chat(manager, message="Escreva um relatório sobre IA em logística")

AutoGen v0.4 — reescrita com actor model

A v0.4 foi uma reescrita completa motivada por limitações de produção da v0.2:

• Runtime assíncrono: agents rodam em paralelo via actor model (inspirado em Erlang/Akka)
• Mensagens tipadas: comunicação via dataclasses tipadas, não strings
• Distribuído por design: agentes podem rodar em processos/máquinas diferentes
• Observabilidade: OpenTelemetry nativo

from autogen_agentchat.agents import AssistantAgent
from autogen_agentchat.teams import RoundRobinGroupChat
from autogen_ext.models.openai import OpenAIChatCompletionClient

# v0.4: modelo novo de API
modelo = OpenAIChatCompletionClient(model="gpt-4o-mini")

agente1 = AssistantAgent("Analista", model_client=modelo,
    system_message="Analisa dados financeiros")
agente2 = AssistantAgent("Reporter", model_client=modelo,
    system_message="Gera relatórios executivos")

# Teams: abstração de alto nível sobre GroupChat
team = RoundRobinGroupChat([agente1, agente2], max_turns=4)

import asyncio
resultado = asyncio.run(team.run(task="Analise Q1 2026 e gere relatório"))

Por que convergiu com Semantic Kernel?

AutoGen e SK tinham sobreposição significativa:

A união foi lógica: SK trouxe plugins maduros, suporte .NET e integração enterprise; AutoGen trouxe multi-agent, actor model e graph workflow. O resultado é o Agent Framework 1.0.