باز کردن منوی سایت

پروفایل پروژه

AutoGen

فریم‌ورک متن‌باز Microsoft برای ساخت سیستم‌های agentic با AgentChat، teamهای conversation-driven و Core event-driven که برای هماهنگی چندعامل، experimentation و workflowهای collaborative طراحی شده است.

پروفایل مخزنفریم‌ورک‌های ارکستریشنمتوسط تا پیشرفته
Multi-agent collaborationConversation-drivenDelegationExperimentation
مسیر/projects/autogen
نوعفریم‌ورک‌های ارکستریشن
سطحمتوسط تا پیشرفته
شناسه repoAutoGen

autogen

پروفایل مستقل برای بررسی پروژه، نه مقاله و نه داشبورد ابزار.

سیگنال‌های سریع

Star40k
Fork6k
PR200

خلاصهٔ فوری

AutoGen در اسناد رسمی به‌عنوان یک فریم‌ورک لایه‌بندی‌شده برای ساخت agentها و workflowهای AI معرفی می‌شود که AgentChat سطح بالا را روی Core سطح پایین‌تر بنا می‌کند. نقطه تمایز آن در کتابخانه فعلی، تمرکز روی teamها، الگوهای conversation-driven، design patternهای چندعامل و experimentation مهندسی است؛ نه ادعای ساخت agentهای کاملاً خودمختار یا AGI-like. در عین حال، مخزن رسمی GitHub اکنون AutoGen را در maintenance mode معرفی می‌کند، بنابراین این pack آن را بیشتر به‌عنوان مرجع آموزشی/مهندسی برای الگوهای همکاری و orchestration می‌خواند تا یک verdict قطعی برای مسیر بلندمدت محصول.

Star40k
Fork6k
Commit1k
Issue500

نمای پروژه

نمای پروژه

چیست

AutoGen در اسناد رسمی به‌عنوان یک فریم‌ورک لایه‌بندی‌شده برای ساخت agentها و workflowهای AI معرفی می‌شود که AgentChat سطح بالا را روی Core سطح پایین‌تر بنا می‌کند. نقطه تمایز آن در کتابخانه فعلی، تمرکز روی teamها، الگوهای conversation-driven، design patternهای چندعامل و experimentation مهندسی است؛ نه ادعای ساخت agentهای کاملاً خودمختار یا AGI-like. در عین حال، مخزن رسمی GitHub اکنون AutoGen را در maintenance mode معرفی می‌کند، بنابراین این pack آن را بیشتر به‌عنوان مرجع آموزشی/مهندسی برای الگوهای همکاری و orchestration می‌خواند تا یک verdict قطعی برای مسیر بلندمدت محصول.

نیست

یک chatbot ساده یا runtime production-ready سخت‌گیر نیست.

مناسب برای

مناسب برای
team orchestrationdelegation و handoffmulti-agent experimentsconversation-first patterns

نامناسب برای

نامناسب برای
فقط یک assistant ساده می‌خواهیدبه production boundary خیلی سخت‌گیر نیاز داریدagent swarm یا team behavior ندارید

سلامت GitHub

سلامت GitHub

Snapshot عمومی repo و مستندات رسمی؛ اعداد با زمان تغییر می‌کنند.

Star40k
Fork6k
Commit1k
Issue500
PR200

سطح معماری

سطح معماری

01AgentChat layer

برای گفتگو، team patternها و cooperation بین agentها.

02Core layer

برای primitiveهای event-driven و message-driven.

03GraphFlow

برای flowهای ساخت‌یافته‌تر و آزمایش‌پذیر.

04Handoff و selector

برای انتخاب speaker و انتقال نقش در تیم.

ماتریس توانمندی Agent

ماتریس توانمندی Agent

Multi-agent coordination
قوی

روی همکاری و delegation چند-agentی تمرکز دارد.

Conversation patterns
قوی

برای team chat، selector و handoff مناسب است.

Experimentation
خوب

برای آزمایش الگوها و interaction design خوب است.

Strict production runtime
ضعیف

برای boundary سخت‌گیر production بهترین نقطه شروع نیست.

جریان اجرا

جریان اجرا / Runtime

1
1. نقش‌ها را تعریف کنید

planner، researcher، reviewer یا هر role دیگر را مشخص کنید.

2
2. conversation pattern را انتخاب کنید

round-robin، selector-based یا handoff-based flow را تنظیم کنید.

3
3. tool policy را تعیین کنید

ابزارهای هر agent را محدود و روشن نگه دارید.

4
4. ارزیابی را اضافه کنید

برای conversation و delegation، evaluation cases بنویسید.

ماتریس تناسب

ماتریس تناسب

تیم چند-agentیبالا

وقتی collaboration و role separation مهم است.

interaction design و handoff را دقیق کنید.

آزمایش coordinationبالا

برای research و experimentation بسیار مناسب است.

scenarioهای مختلف را با eval مقایسه کنید.

Single-agent helperکم

برای یک agent ساده، پیچیدگی اضافه می‌کند.

اگر فقط یک loop می‌خواهید، سراغ گزینه سبک‌تر بروید.

رادار ریسک

رادار ریسک

Swarm overclaimزیاد

نباید آن را با autonomy نامحدود اشتباه گرفت.

پیچیدگی team designمتوسط

نقش‌ها و handoff اگر بد طراحی شوند، رفتار مبهم می‌شود.

Access controlمتوسط

tool و secret باید به‌صورت محدود مدیریت شوند.

شواهد

شواهد

ارزش یادگیری

ارزش یادگیری

conversation-first orchestrationdelegation بین agentهاevaluation برای team flowHandoff و selector pattern

منابع مرتبط / ابزارها

منابع مرتبط / ابزارها

Project Fit

مناسب چه پروژه‌هایی است؟

این ابزار برای چه پروژه‌هایی مناسب است

AutoGen برای multi-agent collaboration و conversational orchestration مناسب است

AutoGen وقتی مفید است که بخواهید چند agent یا role را کنار هم بگذارید، روی مکالمه و delegation کار کنید و experimentation یا coordination layer بسازید. این پروژه بیشتر برای orchestrating تیمیِ agentها خوب است تا یک loop ساده تک‌agent.

AI Agent BuilderResearch EngineerBackend DeveloperAdvanced TeamsExperimentationPython Developer

Audience

به درد چه کسانی می‌خورد؟

AI Agent BuilderResearch EngineerBackend DeveloperAdvanced TeamsExperimentationPython Developer

Use Cases

به درد چه پروژه‌هایی می‌خورد؟

Team Chat Patterns

برای leader/worker، round-robin و selector-based گفتگو.

Experimentation

برای تست نقش‌ها، promptها و coordination patternها.

Delegation Flow

برای تقسیم task بین agentهای تخصصی.

Graph Flow

برای flowهای ساخت‌یافته‌تر که تیمی اجرا می‌شوند.

Protocol-driven Collaboration

برای زمانی که message protocol و handoff مهم است.

Multi-agent Lab

برای research و آزمایش روی interaction design.

Fit

میزان تناسب با پروژه‌ها

Multi-agent collaborationعالی
Conversation designخیلی خوب
Experimentationخیلی خوب
Single-agent appمتوسط
Strict production boundaryضعیف

Flow

چطور ساده پیاده‌سازی می‌شود؟

1roleها را تعریف کن
2conversation pattern را انتخاب کن
3handoff را تست کن
4memory/termination را کنترل کن
5output را ارزیابی کن

Requirements

حداقل پیش‌نیازها

PythonLLM APIRole designEvaluation casesLogging

Good Fit

چه زمانی انتخاب خوبی است؟

روی collaboration و delegation چند-agentی کار می‌کنید.
می‌خواهید conversation-first patternها را آزمایش کنید.
role و handoff برایتان مهم است.
می‌خواهید روی orchestration تیمی تحقیق کنید.
workflow شما از جنس experiment و coordination است.

Bad Fit

چه زمانی انتخاب خوبی نیست؟

فقط یک assistant یا chatbot ساده می‌خواهید.
agent swarm یا team behavior ندارید.
به یک runtime سخت‌گیر production-ready نیاز دارید.
می‌خواهید سریع به یک abstraction خیلی ساده برسید.
interaction design برایتان مسئله اصلی نیست.

Example

نمونه تصمیم واقعی

برای یک تیم agentی که باید نقش‌های جداگانه مثل planner، researcher و reviewer داشته باشد، AutoGen یک انتخاب عملی است.