群聊与发言者选择 — AI 工程从零开始

共享会话式编排把 N 个 Agent 放进同一段对话；由一个选择器函数（LLM、轮询或自定义）决定下一个由谁发言。这是涌现式多 Agent 对话的原型——Agent 并不在静态图中知道自己的角色，它们只是对共享池作出反应。AutoGen GroupChat 与 AG2 GroupChat 是参考实现：AutoGen v0.2 的 GroupChat 语义在 AG2 分叉中得到保留；AutoGen v0.4 则把它重写为事件驱动的 actor 模型。微软在 2026 年 2 月把 AutoGen 置于维护模式，并将其与 Semantic Kernel 合并为 Microsoft Agent Framework（2026 年 2 月 RC）。GroupChat 这一原语在 AG2 与 Microsoft Agent Framework 中都得以延续——学一次，到处可用。

问题

当工作流是已知的时候，静态图（LangGraph）很好用。真实的对话并不是静态的：有时程序员问审查者，有时问研究者，有时问写作者。把每一种可能的转交都硬编码，会导致边的组合爆炸。你需要的是对共享池作出反应的 Agent，再由某个函数决定下一个谁发言。

AutoGen GroupChat 做的正是这件事。

概念

结构形态

              ┌─── shared pool ────┐
              │   m1  m2  m3  ...  │
              └─────────┬──────────┘
                        │ (everyone reads all)
      ┌───────┬─────────┼─────────┬───────┐
      ▼       ▼         ▼         ▼       ▼
    Agent A  Agent B  Agent C  Agent D  Selector
                                           │
                                           ▼
                                  "next speaker = C"

每个 Agent 都能看到每一条消息。每一轮都会调用一次选择器函数，挑出下一个发言者。

三种选择器类型

轮询（Round-robin）。 固定循环。确定性。随 N 线性扩展，但无视上下文——即使话题是法务审查，程序员也会轮到发言。

LLM 选择。 调用 LLM 读取最近的共享池，返回最合适的下一个发言者。能感知上下文，但慢：每一轮都要多一次 LLM 调用。这是 AutoGen 的默认方式。

自定义。 用 Python 函数实现任意逻辑。典型做法是 LLM 选择加兜底规则（例如「程序员发言之后总是轮到验证者」）。

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。当一个 Agent 结束发言，管理者调用选择器，选择器返回下一个 Agent。循环持续到满足终止条件。

终止

三种常见模式：

最大轮数。 对总轮次设硬上限。
"TERMINATE" token。 Agent 可以发出哨兵消息；一旦出现，管理者就停止。
目标达成检查。 每轮运行一个轻量验证器，完成时停止聊天。

谱系：分叉与合并

2025 年初，微软围绕事件驱动的 actor 模型对 AutoGen 进行了大规模重写（v0.4）。社区把 AutoGen v0.2 的 GroupChat 语义分叉为 AG2，保留了早期采用者已经集成的 API。

2026 年 2 月，微软宣布 AutoGen 进入维护模式，事件驱动的 actor 模型并入 Microsoft Agent Framework（2026 年 2 月 RC，现与 Semantic Kernel 合并）。GroupChat 概念在两条线中都保留下来，只是实现细节不同。对于兼容 v0.2 的代码，AG2 是首选的上游。

GroupChat 适用的情况

涌现式对话。 你不想把每一种可能的下一发言者都预先接好。
角色混合的任务。 程序员问研究者，研究者问档案员，档案员再问回程序员。流程不是 DAG。
探索式解题。 想象的是「头脑风暴会议」，而不是「流水线」。

失效的情况

严格确定性。 LLM 选择器可能不一致。同样的 prompt，不同次运行，下一个发言者可能不同。
谄媚级联。 Agent 会听从发言最自信的那个。需要显式地用 prompt 加以反制。
上下文膨胀。 每个 Agent 都要读每一条消息；10 轮之后上下文就非常庞大。用投影（projection，第 15 课）来限定各自可见的范围。
热门发言者。 某个 Agent 因为选择器偏爱它的专长而主导整段对话。把发言均衡作为选择器的一项特性引入。

群聊 vs 监督员

同样的原语，不同的默认设置：

监督员：一个 Agent 规划，其他人执行。选择器的逻辑是「问规划者该做什么」。
群聊：所有 Agent 地位对等；选择器是作用在共享池上的函数。

两者都使用第 04 课中的四个原语。群聊默认采用 LLM 选择的编排方式与全池共享状态。

swarm-speaker静态版本未包含此交互图

构建它

code/main.py 用标准库从零实现一个 GroupChat。三个 Agent（程序员、审查者、管理者），包含轮询与 LLM 选择两种变体，并以 TERMINATE token 作为终止信号。

演示会打印对话记录，以及两种变体下选择器的决策轨迹。

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、LLM 选择还是自定义，以及选择器应使用哪些输入（最近消息、Agent 专长、轮次计数）。

交付它

检查清单：

最大轮数上限。 永远要设。一般任务是 10-20 轮。
发言均衡指标。 统计每个 Agent 的轮次；不均衡超过阈值时告警。
终止 token。 用 TERMINATE，或设置专门的验证者 Agent。
投影或限定范围的记忆。 大约 10 条消息之后，考虑只给每个 Agent 一个有范围的视图，以防止上下文膨胀。
选择器日志。 对 LLM 选择的变体，同时记录选择器的输入和它的选择。否则调试无从下手。

练习

运行 code/main.py。比较轮询与 LLM 选择下的对话。两种方式下分别由哪个 Agent 主导？
在选择器中增加「每个 Agent 最大发言次数」规则。它如何影响对话记录？
实现目标达成终止：当审查者返回 "approved" 时停止。它有多大比例会在轮数上限之前触发？
阅读 AutoGen 关于 GroupChat 的稳定版文档（https://microsoft.github.io/autogen/stable/user-guide/core-user-guide/design-patterns/group-chat.html）。找出 GroupChatManager 使用的默认选择器。
阅读 AG2 仓库（https://github.com/ag2ai/ag2），对比其 v0.2 GroupChat 与 v0.4 的事件驱动版本。v0.4 增加了哪一项具体性质（吞吐量、容错性、可组合性）？

关键术语

术语	常见说法	实际含义
GroupChat	「Agent 在同一个聊天室」	共享消息池 + 选择器函数。AutoGen / AG2 的原语。
发言者选择（Speaker selection）	「下一个谁说话」	挑选下一个 Agent 的函数。轮询、LLM 选择或自定义。
GroupChatManager	「会议主持人」	AutoGen 组件，持有选择器并驱动轮次循环。
ConversableAgent	「基础 Agent」	AutoGen 基类；能收发消息的 Agent。
终止 token（Termination token）	「停止」口令	结束聊天的哨兵字符串（通常是 `TERMINATE`）。
热门发言者（Hot speaker）	「一个 Agent 独霸」	选择器反复挑中同一个 Agent 的失效模式。
上下文膨胀（Context bloat）	「共享池无限增长」	每个 Agent 读取所有先前消息；上下文随轮次增长。
投影（Projection）	「限定范围的视图」	按角色划分的共享池视图，用于防止上下文膨胀。

示意图共 1 张

问题

概念