第一章：AIGC 与多智能体(Multi-Agent)导论

1. 内容讲解

1.1 课程目标与内容概览

欢迎来到“AIGC 与多智能体(Multi-Agent)系统实战”课程！

本课程的核心目标是让你具备设计、开发和部署复杂 AI Agent 系统的能力。我们将不仅仅停留在理论层面，而是通过大量的实战编码，让你真正掌握当前最主流的三大 Agent 开发框架：LangChain、AutoGen 和 LlamaIndex。

• LangChain：作为最知名的 Agent 开发框架，它提供了一套完整的工具链，用于构建端到端的语言模型应用。我们将深入学习其核心组件，如 Chains、Agents 和 Tools，让你能够灵活地编排和控制 LLM 的行为。
• AutoGen：由微软开源，专注于简化和优化多智能体（Multi-Agent）对话工作流。它的核心思想是通过让多个具有不同角色的 Agent相互对话、协作，来完成复杂的任务。我们将学习如何设计和管理这些 Agent 团队。
• LlamaIndex：前身为 GPT Index，是构建和查询知识库（RAG - Retrieval-Augmented Generation）的利器。我们将学习如何利用它来为你自己的 Agent 注入私有知识，让它们能够基于特定领域的文档进行回答和分析。

整个课程将以 FastAPI 作为后端服务框架，将我们构建的 AI能力通过 API 的形式暴露出去，这是将 AI 应用产品化的关键一步。

1.2 AIGC 与多智能体系统简介

• AIGC (AI-Generated Content)：即人工智能生成内容。广义上，任何由 AI 创造的内容都属于 AIGC，例如我们熟知的 ChatGPT 生成的文本、Midjourney 生成的图片等。在我们的课程中，AIGC 更侧重于由 Agent 自动完成的、具有特定目标和结构的内容，例如生成一份市场分析报告、编写一段代码、或总结一篇复杂的学术论文。

• 多智能体系统 (Multi-Agent System)：这是一个源自于分布式人工智能的概念。它指的是由多个自主的、能够相互通信的智能体（Agent）组成的系统。系统中的每个 Agent 都有自己的目标、知识和能力。它们通过协作、协商或竞争来解决单个 Agent 难以完成的复杂问题。这就像一个人类团队，有项目经理、程序员、测试工程师等不同角色，共同完成一个软件项目。AutoGen 正是实现这种理念的强大框架。

1.3 核心框架对比

框架	核心定位	优势	核心场景
LangChain	通用的 LLM 应用开发框架	生态完善、组件丰富、灵活性高	构建复杂的调用链、集成外部工具、单 Agent 逻辑控制
AutoGen	多智能体对话与协作	简化多 Agent 编排、自动化协作流程	自动化任务、模拟人类团队协作、复杂问题分解
LlamaIndex	RAG 与知识库构建	专注于数据索引与检索、优化 RAG 流程	构建企业知识库、文档问答系统、为 Agent 提供知识

在实战中，这三者并非互斥，而是可以相互结合，发挥各自最大的优势。例如，我们可以用 LlamaIndex 构建知识库，用 LangChain 定义一个会使用该知识库的 Agent，再将这个 Agent 作为一名“专家”放入 AutoGen 的多智能体系统中与其他 Agent 协作。

1.4 Python 开发环境配置

为了保证项目依赖的纯净和隔离，强烈建议使用虚拟环境。你可以选择 venv (Python 自带) 或 conda (通常与 Anaconda/Miniconda 一起安装)。

使用 venv (推荐):

1. 创建虚拟环境: 在你的项目根目录下打开终端，运行：

   python3 -m venv venv
   

   这会创建一个名为 venv 的文件夹，其中包含了独立的 Python 解释器和包管理工具。

2. 激活虚拟环境:

   • macOS / Linux:

     source venv/bin/activate
     

   • Windows:

     .\venv\Scripts\activate
     

   激活后，你会看到终端提示符前面出现了 (venv) 的字样，表示当前正处于虚拟环境中。

使用 conda:

1. 创建虚拟环境:

   conda create --name agent_env python=3.10
   

   这里我们创建了一个名为 agent_env，使用 Python 3.10 的环境。

2. 激活虚拟环境:

   conda activate agent_env
   

---

2. 代码示例

2.1 安装核心依赖

在激活虚拟环境后，我们可以开始安装本课程所需的核心 Python 包。为了方便管理，我们创建一个 requirements.txt 文件。

创建 requirements.txt 文件:

# FastAPI & Web Server
fastapi
uvicorn[standard]

# LLM & Agent Frameworks
langchain
autogen
llama-index

# OpenAI SDK (as one of the primary LLM providers)
openai

# For environment variables
python-dotenv

执行安装:

在终端中运行以下命令，pip 会自动读取文件并安装所有指定的库及其依赖项。

(venv) $ pip install -r requirements.txt

2.2 配置环境变量

为了安全地管理 API Keys（例如 OpenAI 的密钥），我们使用 .env 文件。

创建 .env 文件:

在项目根目录下创建该文件，切记不要将此文件提交到 Git 仓库。

OPENAI_API_KEY="sk-YourOpenAIKeyHere"
# 如果你使用第三方代理，可以配置 BASE_URL
# OPENAI_API_BASE="https://api.your-proxy.com/v1"

2.3 验证安装：一个简单的 FastAPI “Hello World”

让我们创建一个简单的 FastAPI 应用来验证环境是否配置成功。

创建 main.py 文件:

import uvicorn
from fastapi import FastAPI

# 创建 FastAPI 应用实例
app = FastAPI(
    title="AIGC & Multi-Agent System API",
    description="An API for our course project.",
    version="0.1.0",
)

@app.get("/")
def read_root():
    """Root endpoint, returns a welcome message."""
    return {"message": "Welcome to our AIGC & Multi-Agent System!"}

@app.get("/health")
def health_check():
    """Health check endpoint, returns status."""
    return {"status": "ok"}

# 启动应用的入口
if __name__ == "__main__":
    # uvicorn.run() 启动一个 ASGI 服务器
    # "main:app" -> main.py 文件中的 app 实例
    # --reload -> 代码更改时自动重启服务，方便开发
    uvicorn.run("main:app", host="0.0.0.0", port=8000, reload=True)

启动服务:

在终端中运行：

(venv) $ python main.py

或者直接使用 uvicorn 命令：

(venv) $ uvicorn main:app --reload

你应该会看到类似以下的输出：

INFO:     Uvicorn running on http://127.0.0.1:8000 (Press CTRL+C to quit)
INFO:     Started reloader process [xxxxx] using statreload
INFO:     Started server process [xxxxx]
INFO:     Waiting for application startup.
INFO:     Application startup complete.

现在，打开浏览器访问 http://127.0.0.1:8000，你应该能看到 {"message":"Welcome to our AIGC & Multi-Agent System!"}。

同时，访问 http://127.0.0.1:8000/docs，你将看到 FastAPI 自动生成的交互式 API 文档界面（Swagger UI），这是 FastAPI 的一大亮点。

---

3. 流程图/架构图

开发环境搭建流程