AutoGen est un multi- open source de Microsoft Research qui permet aux développeurs de créer des systèmes dans lesquels plusieurs agents IA peuvent communiquer entre eux et collaborer pour effectuer des tâches complexes. Il prend en charge les modèles grand public tels que GPT-4, Claude et Gemini, et intègre des capacités d'exécution de code, d'appel d'outils et d'interaction homme-machine. Avec plus de 30 000 étoiles GitHub, il s’agit de l’un des frameworks de programmation multi-agents d’IA les plus populaires.

AutoGen — Le cadre de dialogue multi-agent open source de Microsoft

Paramètres et statistiques de base

Paramètres	Détails
Publié	septembre 2023
Organisation de développement	Recherche Microsoft (Recherche Microsoft)
Auteur principal	Chi Wang, Qingyun Wu et l'équipe de recherche Microsoft
Licence Open Source	Licence MIT
étoiles GitHub	35 000+ (à partir de 2025)
Langages de programmation	Python (principal), version expérimentale .NET
Modèles pris en charge	OpenAI, Azure OpenAI, Anthropic, Google, Mistral, Ollama, etc.
Méthode d'installation	pip installe automatiquement
Fonctionnalités principales	Dialogue multi-agents, exécution automatique de code, invocation d'outils, interaction homme-machine
Champs d'application	Exécution automatisée de tâches, analyse de données, agent de développement de logiciels, automatisation de la recherche

L'innovation principale d'AutoGen est d'utiliser « plusieurs agents d'IA parlant entre eux » comme paradigme de base pour résoudre des problèmes complexes : différents agents jouent différents rôles (tels que planificateurs, exécuteurs, réviseurs) et accomplissent de manière itérative des tâches complexes au-delà des capacités d'un seul LLM grâce à un dialogue structuré, tout en conservant la capacité des humains à intervenir et à fournir des commentaires à tout moment.

Reconnaissance des utilisateurs et du marché

AutoGen est l'un des frameworks d'IA multi-agents les plus cités dans le monde universitaire et industriel. Son article « AutoGen : Enabling Next-Gen LLM Applications via Multi-Agent Conversation » a été cité plus d'un millier de fois quelques mois après sa publication, devenant ainsi une référence de base pour la recherche sur les systèmes multi-agents. Plus de 35 000 étoiles et des centaines de forks sur GitHub valident sa large influence au sein de la communauté des développeurs.

Au niveau des applications industrielles, AutoGen est utilisé par un grand nombre de startups et d'équipes d'IA d'entreprise comme cadre de base pour créer des flux de travail d'automatisation de l'IA, en particulier dans des scénarios tels que l'automatisation de l'analyse des données, la génération et les tests de code et le traitement de documents. Microsoft lui-même a également intégré le concept d'AutoGen dans les fonctions multi-agents d'Azure AI Studio et de Microsoft Copilot Studio, qui constituent un pilier technique important de la stratégie d'IA de Microsoft.

Avantage de coût

Planifier	Prix ​​	Principaux avantages	Utilisateurs cibles
Cadre open source	Entièrement gratuit	Toutes les fonctionnalités du framework AutoGen	Développeurs, chercheurs
Studio AutoGen	Entièrement gratuit	Interface de création d'agent visuel	Utilisateurs low-code
Intégration Azure AI	Facturation par appel LLM	Prise en charge au niveau de l'entreprise pour l'intégration de l'écosystème Azure	Utilisateurs d'entreprise

Le framework AutoGen lui-même est entièrement gratuit et open source, et les utilisateurs ne doivent supporter que le coût des appels d'API vers le LLM de leur choix. AutoGen offre la plus grande flexibilité et personnalisation à un coût de framework nul par rapport aux agents Salesforce Einstein ou à d'autres plateformes multi-agents commerciales, ce qui en fait le premier choix pour les chercheurs et les équipes de développement aux budgets limités.

Fonctions principales

• ConversableAgent Framework : abstraction de base, chaque agent est une entité conversationnelle avec ses propres invites système, son ensemble d'outils et sa stratégie de réponse, et peut mener plusieurs cycles de dialogue structuré avec d'autres agents ou humains.
• Collaboration multi-agents GroupChat : plusieurs agents forment un groupe et le prochain agent parlant est déterminé par rotation ou par un mécanisme de sélection intelligent pour réaliser une décomposition automatique et une exécution collaborative de tâches complexes en plusieurs étapes.
• Code Execution Sandbox : grâce aux capacités d'exécution de code intégrées, le code Python/Shell généré par l'agent peut être automatiquement exécuté dans un conteneur Docker sécurisé ou dans un environnement local, et les résultats sont vérifiés et renvoyés à l'agent pour des améliorations itératives.
• Utilisation de l'outil : prend en charge la configuration des fonctions d'outils personnalisées (telles que la recherche sur le Web, la requête de base de données, l'exploitation de fichiers) pour l'agent. L'Agent peut décider indépendamment quand appeler quel outil pour élargir son champ d'action.
• Human-in-the-Loop : configurez de manière flexible le timing de l'intervention humaine via UserProxyAgent - de l'exécution complètement autonome (JAMAIS) à la confirmation de chaque étape (TOUJOURS) pour répondre aux exigences des tâches de différents niveaux de confiance.
• Conception indépendante du modèle : prend en charge presque tous les modèles courants tels que OpenAI, Azure OpenAI, Anthropic Claude, Google Gemini, Mistral, Ollama, etc. via une interface de configuration LLM unifiée pour faciliter le changement de modèle et l'optimisation des coûts.
• Interface visuelle AutoGen Studio : un outil de conception visuelle d'agent basé sur le Web qui permet la configuration graphique des rôles, des outils et des flux de travail d'agent, et prend en charge le débogage et l'exécution en ligne.
• Exécution asynchrone (AsyncIO) : la version 0.4 adopte une architecture asynchrone, prend en charge l'exécution simultanée de plusieurs agents et améliore considérablement l'efficacité d'exécution des flux de travail complexes.

Evolution du modèle et de la version

Version	Temps	Changements majeurs
Articles et avant-premières	2023-08	Publication d'un article académique AutoGen, paradigme de dialogue multi-agent proposé pour la première fois
version publique v0.2	2023-09	PyPI officiellement publié, framework ConversableAgent, sandbox d'exécution de code
Studio AutoGen	2024-02	Interface de construction de Visual Agent publiée
v0.3	2024-06	Plus de prise en charge des modèles, gestion améliorée de GroupChat
v0.4 Reconstruction architecturale	2025-03	Architecture à trois niveaux AgentChat/Core/Extensions, première conception asynchrone

Avantages techniques

Philosophie de conception du dialogue en tant que primitive : AutoGen élève le « dialogue multi-agents » au rang de primitive informatique de base pour résoudre des problèmes complexes. Chaque Agent est à la fois un émetteur et un récepteur de message, et le processus de résolution de problèmes est modélisé comme un processus d'évolution du dialogue entre Agents. Ce paradigme permet d'exprimer la décomposition, l'exécution et la vérification de tâches complexes à l'aide d'un modèle de dialogue unifié, réduisant ainsi la complexité de conception des systèmes multi-agents.

Code Executor Agent : un avantage technique clé d'AutoGen est la combinaison transparente de la génération de code LLM et de l'exécution réelle du code : AssistantAgent génère du code, UserProxyAgent (ou un CodeExecutorAgent spécialisé) exécute le code et renvoie les résultats, formant un cycle automatique de « générer-exécuter-observer-améliorer » jusqu'à ce que la tâche soit terminée. Cette fonctionnalité rend AutoGen particulièrement adapté à l'analyse de données, à la mise en œuvre d'algorithmes et à d'autres tâches de programmation nécessitant une vérification.

Conception flexible d'interaction homme-machine : contrairement à de nombreux frameworks d'agents qui recherchent une "automatisation complète", AutoGen a considéré l'intervention humaine comme une fonction essentielle dès le début de la conception, permettant aux développeurs de contrôler finement quelles étapes de l'agent nécessitent une confirmation humaine, en tenant compte des exigences de sécurité en matière d'efficacité de l'automatisation et de supervision humaine, et est plus conforme aux exigences de déploiement réelles des systèmes d'IA actuels.

Communauté active à double voie recherche-ingénierie : AutoGen sert à la fois les chercheurs universitaires (vérification rapide des prototypes de la nouvelle architecture d'agent) et les développeurs techniques (construction de systèmes d'agent au niveau de la production), formant un écosystème unique où l'innovation académique et la pratique de l'ingénierie se favorisent mutuellement. Les nouveaux résultats de recherche (tels que les nouveaux modèles de collaboration entre agents) peuvent être rapidement mis en œuvre et vérifiés dans le cadre.

Comment utiliser

Entrée	Descriptif
Installation de PyPI	pip install autogen ou pip install pyautogen
Documentation officielle	https://microsoft.github.io/autogen/
Dépôt GitHub	https://github.com/microsoft/autogen
Studio AutoGen	pip installe autogenstudio && autogenstudio ui

Étapes d'utilisation typiques (API Python) :

1. Installez : pip install autogen, définissez OpenAI ou Anthropic API Key comme variable de contexte.
2. Configurez LLM : créez une « config_list » pour spécifier le fournisseur de modèle et la clé API.
3. Créer un agent : définissez « AssistantAgent » (assistant AI) et « UserProxyAgent » (exécuteur/agent humain).
4. Configurez les outils pour l'agent : enregistrez la fonction Python en tant qu'outil et l'agent peut l'appeler indépendamment.
5. Démarrez la conversation : appelez user_proxy.initiate_chat(assistant, message="Description complète de la tâche").
6. Observez le processus de dialogue des agents : plusieurs agents collaborent automatiquement, le code s'exécute automatiquement et les tâches sont progressivement accomplies.

Prix des produits

AutoGen est un logiciel open source entièrement gratuit (licence MIT) sans aucun forfait payant :

• Framework : entièrement gratuit et open source, avec une utilisation illimitée de toutes les fonctions.
• AutoGen Studio : entièrement gratuit, pas besoin de payer pour l'interface visuelle et les outils de débogage.
• Frais API LLM : L'utilisateur en est responsable. Ils peuvent choisir des API commerciales telles que OpenAI, Anthropic et Google (facturées par token), ou utiliser le modèle Ollama local (coût nul).
• Intégration Azure (option Entreprise) : lorsqu'il est utilisé via Azure OpenAI, le coût est inclus dans votre facture Azure, mais il n'y a pas de frais supplémentaires au niveau du framework AutoGen.

Dans l'ensemble, AutoGen est actuellement le framework multi-agent gratuit et open source avec les fonctions les plus complètes et la communauté la plus active. Les entreprises peuvent créer des systèmes d'agents de niveau production basés sur celui-ci sans payer de frais de licence cadre.

Scénarios d'application

1. Automatisation de l'analyse des données L'équipe de science des données configure « Data Analyst Agent » et « Code Execution Agent » pour former un flux de travail et utilise le langage naturel pour décrire les exigences d'analyse. L'agent génère automatiquement du code de traitement de données Python, l'exécute, analyse les résultats et génère des rapports, compressant ainsi l'analyse manuelle qui prenait initialement des heures en quelques minutes.

2. Système d'agent de développement logiciel Créez un pipeline de développement multi-agents comprenant « l'agent d'analyse des exigences », « l'agent de génération de code », « l'agent de test » et « l'agent de révision de code » pour terminer automatiquement le cycle de développement complet, des exigences au code exécutable, ce qui est particulièrement adapté aux tâches de développement de modules fonctionnels standardisés.

3. Automatisation de la recherche Les chercheurs en IA utilisent AutoGen pour créer un système multi-agents composé d'un « agent de récupération de papier », d'un « agent d'extraction de données » et d'un « agent d'analyse et de synthèse » afin d'effectuer automatiquement des tâches auxiliaires de recherche telles qu'une revue systématique de la littérature et un résumé des données expérimentales, améliorant ainsi considérablement l'efficacité de la recherche.

4. Questions et réponses sur la base de connaissances d'entreprise Combiné avec RAG (Retrieval Augmented Generation), un système de questions et réponses de connaissances d'entreprise multi-agents est construit. Un agent est chargé de comprendre les questions des utilisateurs, un autre est responsable de la récupération de la base de connaissances et le troisième est responsable des réponses complètes. La qualité des réponses à des questions complexes est améliorée grâce à la collaboration multi-agents.

5. Automatisation du flux de travail Intégrez AutoGen aux API d'outils externes pour créer un flux de travail d'agent capable d'appeler de manière autonome les systèmes d'entreprise tels que CRM, ERP et bases de données afin d'automatiser de bout en bout les processus métier, tels que le traitement des contrats, la saisie de données, la génération de rapports et d'autres tâches répétitives.

Personnes concernées

• Chercheurs en IA et ingénieurs en algorithmes : pour les chercheurs qui souhaitent vérifier rapidement leurs idées d'architecture multi-agents, AutoGen fournit la plate-forme expérimentale la plus flexible qui peut configurer rapidement divers rôles d'agent et modes de communication.
• Développeur Python : ingénieurs qui disposent d'une base Python et souhaitent créer des flux de travail automatisés par l'IA. La conception de l'API d'AutoGen est simple et intuitive, avec une faible courbe d'apprentissage.
• Enterprise AI Platform Team : pour les équipes cherchant à créer une infrastructure d'agent IA interne au sein de l'entreprise, la flexibilité et l'évolutivité d'AutoGen sont ses principaux avantages par rapport aux plates-formes commerciales.
• Scénarios inappropriés : entreprises critiques pour l'entreprise qui nécessitent des garanties de fiabilité matures au niveau de la production (AutoGen est toujours un cadre axé sur la recherche et la stabilité de la production n'est pas aussi bonne que celle des plates-formes commerciales) ; utilisateurs non techniques (AutoGen Studio offre certaines fonctionnalités low-code, mais il s'agit toujours d'un outil de développement dans son ensemble) ; des tâches simples qui nécessitent un flux de travail fixe et stable plutôt qu'un dialogue adaptatif (une solution d'appel unique Agent + outil est plus adaptée).

Résumé et Outlook

AutoGen a établi une position importante dans le domaine des frameworks d'agents IA avec sa mise en œuvre systématique du paradigme de dialogue multi-agents. L'approbation de Microsoft Research apporte une contribution continue à la recherche universitaire, et la communauté open source active garantit une itération d'ingénierie rapide. La reconstruction architecturale de la version 0.4 montre la détermination de l’équipe à faire passer AutoGen d’un outil de recherche à une plateforme de niveau production. La conception asynchrone et l'architecture modulaire ont établi une base technique plus solide pour le déploiement à grande échelle du système d'agent.

Limites actuelles : la couche d'abstraction du framework est complexe et la courbe d'apprentissage est toujours difficile pour les débutants ; la fiabilité dans les tâches d'exécution ultra-longues (l'agent peut tomber dans des boucles ou produire des comportements inattendus) reste un défi ; l'intégration avec le contexte de production (surveillance, journalisation, récupération d'erreurs) nécessite un investissement d'ingénierie supplémentaire ; la qualité des documents et la vitesse d’itération du framework sont parfois désynchronisées.

Orientations futures : amélioration de la mémoire de l'agent et de l'état de persistance, intégration approfondie avec Model Context Protocol (MCP), construction de la chaîne d'outils d'observabilité et intégration commerciale d'AutoGen dans les produits Microsoft Copilot Studio et Azure AI.

Outils associés : crewai, langchain

Informations de version

• Version stable d'AutoGen 0.4 ：AutoGen 0.4 a achevé une reconstruction architecturale majeure, introduisant une architecture à trois couches d'AgentChat, Core et Extensions, et adoptant une conception asynchrone d'abord pour améliorer les performances de concurrence ; une nouvelle interface visuelle AutoGen Studio est ajoutée, permettant la construction et le débogage sans code des flux de travail d'agent ; et une prise en charge améliorée des services LLM au niveau de l'entreprise tels que Azure OpenAI et Amazon Bedrock. （~2025-03）
• Sortie d'AutoGen 0.2 ：AutoGen a été rendu public pour la première fois, proposant l'abstraction de base de ConversableAgent, prenant en charge plusieurs agents pour former un groupe de conversation (Group Chat) pour une collaboration automatique ; deux types d'agents de base intégrés : UserProxyAgent (représentant les humains) et AssistantAgent (pilote LLM) ; prise en charge du sandbox d'exécution de code (Docker ou local) ; attirant une large attention dans Hacker News et dans le monde universitaire. （2023-09）
• Aperçu d'AutoGen 0.3 ：Sortie d'AutoGen 0.3, introduisant un protocole de communication d'agent plus flexible et prenant en charge le routage personnalisé des messages ; ajout de la prise en charge d'un plus grand nombre de fournisseurs de modèles (y compris les modèles Mistral, Cohere et Ollama locaux) ; amélioration du mécanisme de gestion de GroupChat et ajout de SelectorGroupChat (sélection intelligente du prochain agent parlant). （2024-06）
• Sortie d'AutoGen Studio ：Sortie d'AutoGen Studio - une interface visuelle de création d'agents basée sur le Web qui permet aux développeurs de configurer les rôles, les outils et les flux de travail d'agent via une interface graphique, abaissant ainsi le seuil d'utilisation d'AutoGen et de création d'applications d'agent de base sans écrire de code Python. （2024-02）