🎯 О чём этот конспект: Разбор создания автономной системы из нескольких AI-агентов на базе фреймворка Autogen от Microsoft. Система имитирует работу Senior-команды: один агент проверяет код, второй делает рефакторинг, третий пишет тесты — и всё это работает 100% локально через Ollama и Llama 3.

👤 Кому будет полезно: Вайбкодерам, разработчикам и системным архитекторам, которые хотят внедрить автоматическое код-ревью в свой рабочий процесс без отправки данных в облако.

✨ Что получите: Готовую архитектуру многоагентной системы, которую можно интегрировать в CI/CD или использовать локально для повышения качества кода и автоматического написания тестов.

1. Концепция Autogen: Больше чем просто промпт

Контекст: Большинство AI-приложений работают по принципу «вопрос-ответ», но реальные задачи требуют обсуждения, итераций и разных ролей. Autogen — это фреймворк для оркестрации агентов, который позволяет создавать «групповые чаты» для AI. Вместо одной длинной инструкции вы создаете команду специалистов (Reviewer, Refactorer, Tester), где каждый имеет свою узкую специализацию и системную роль. Это позволяет избежать «галлюцинаций» и повышает качество результата за счет взаимной критики агентов.

Выгода: Гибкость в настройке ролей, локальный запуск (приватность данных) и возможность моделировать сложные человеческие рабочие процессы.

Как применить:

• Шаг 1: Установка среды — Создайте виртуальное окружение и установите pyautogen.
• Шаг 2: Настройка модели — Используйте Ollama для запуска Llama 3 локально.
• Шаг 3: Определение агентов — Создайте AssistantAgent для каждой роли (ревьюер, разработчик, тестировщик).

2. Настройка локального LLM-бекенда через Ollama

Контекст: Для работы системы без OpenAI используется Ollama. Важно правильно настроить конфиг, чтобы Autogen понимал, куда отправлять запросы. Автор подчеркивает, что при локальном запуске критически важны параметры timeout и context size, так как локальное железо может отвечать медленнее облачных API.

Выгода: Полная независимость от платных подписок и безопасность кода (код не покидает ваш компьютер).

Как применить:

• Шаг 1: Запуск Ollama — Убедитесь, что модель загружена в память:

ollama run llama3

• Шаг 2: Конфигурация в коде — Создайте словарь настроек для агентов:

config_list = [
    {
        "model": "llama3",
        "base_url": "http://localhost:11434/v1",
        "api_key": "ollama", # Ollama не требует ключа, но поле должно быть заполнено
    }
]

3. Создание команды: Роли и системные промпты

Контекст: Эффективность агентов напрямую зависит от качества их системных сообщений. В видео создается три ключевых агента:

1. Senior Code Reviewer: Ищет баги, "запахи кода" (code smells) и проверяет стандарты.
2. Code Correction Agent: Исправляет код на основе фидбека первого агента.
3. Test Case Agent: Генерирует Unit-тесты для финальной версии кода.

Также используется UserProxyAgent, который выступает в роли человека, подающего код на вход.

Выгода: Разделение ответственности позволяет каждому агенту фокусироваться на одной задаче, что дает более глубокую проработку, чем один запрос к ChatGPT.

Как применить:

• Шаг 1: Создание Reviewer-агента — Используйте детальный промпт для задания личности:

reviewer = autogen.AssistantAgent(
    name="Reviewer",
    system_message="Ты - строгий Senior Engineer. Твоя задача: найти баги, ошибки типизации и проблемы с производительностью. Будь критичен.",
    llm_config={"config_list": config_list}
)

• Шаг 2: Создание Refactor-агента — Настройте его на принятие правок:

refactorer = autogen.AssistantAgent(
    name="Refactorer",
    system_message="Ты - эксперт по Python. Исправляй код, основываясь ТОЛЬКО на замечаниях Reviewer. Сохраняй логику, улучшай структуру.",
    llm_config={"config_list": config_list}
)

4. Групповой чат и управление процессом

Контекст: Чтобы агенты не говорили одновременно и соблюдали порядок, используется GroupChat и GroupChatManager. Менеджер решает, кто говорит следующим (например: сначала Reviewer, потом Refactorer, потом Tester). Это превращает линейный скрипт в динамическое обсуждение.

Выгода: Автоматизация всей цепочки от сырого кода до протестированного результата за один запуск.

Как применить:

• Шаг 1: Инициализация чата — Соберите всех агентов в один объект:

groupchat = autogen.GroupChat(
    agents=[user_proxy, reviewer, refactorer, tester], 
    messages=[], 
    max_round=10
)
manager = autogen.GroupChatManager(groupchat=groupchat, llm_config={"config_list": config_list})

• Шаг 2: Запуск процесса — Передайте исходный код через user_proxy:

user_proxy.initiate_chat(
    manager,
    message="Проведи ревью и исправь этот код: [ВАШ КОД ЗДЕСЬ]"
)

FAQ

В: Почему Autogen, а не CrewAI или LangChain? О: Autogen лучше всего подходит для задач, где важен диалог и взаимодействие между агентами. Он более гибкий в управлении очередностью ходов и лучше имитирует человеческое общение в команде.

В: Можно ли использовать другие модели вместо Llama 3? О: Да, Autogen — model-agnostic. Вы можете подключить любую модель через Ollama (Mistral, Phi-3, Qwen) или использовать OpenAI/Anthropic API, просто изменив config_list.

В: Что делать, если локальная модель выдает ошибку Timeout? О: При работе с локальными LLM нужно увеличить параметр timeout в конфиге (например, до 600 секунд) и убедиться, что модели хватает оперативной или видеопамяти (минимум 8-16 ГБ для Llama 3 8B).

В: Как передать агенту правила моей компании по оформлению кода? О: Добавьте эти правила в system_message агента Reviewer. Например: "Функции не должны превышать 50 строк" или "Обязательно наличие Docstrings в стиле Google".

В: Можно ли автоматизировать запуск тестов, которые создал агент? О: Да, в Autogen есть возможность выполнения кода. Для этого нужно настроить code_execution_config у UserProxyAgent, чтобы он мог запускать сгенерированные тесты в локальной песочнице (Docker или локальная папка).

Конспект создан на основе видео «Multi-Agent AI System with Autogen and Llama 3» канала Code Rash with Gaurav. Все права на оригинальный материал принадлежат авторам. Источник: https://www.youtube.com/watch?v=UTQOf8mDHFo