Что такое AutoGen и его статус
AutoGen вышел из Microsoft Research и состоит из трех частей. AgentChat собирает диалоговых агентов и команды, Core дает событийную основу для больших систем, Extensions подключают модели и внешние сервисы.
Главное на октябрь 2026 года: в README репозитория объявлен режим поддержки. Проект не получит новых функций, им управляет сообщество, а вклад принимают только в исправления ошибок, безопасность и документацию.
Новым пользователям Microsoft советует Microsoft Agent Framework, преемника AutoGen. Его версия 1.0 вышла как готовая к промышленной работе, с долгой поддержкой и протоколами A2AA2A. A2A (Agent2Agent) это открытый протокол, по которому ИИ-агенты разных разработчиков находят друг друга, передают задачи и получают результаты. и MCP для связи с другими агентами и сервисами. Для существующих проектов есть руководство по переходу.
Код AutoGen распространяется по лицензии MIT, документация по CC-BY-4.0. Похожие открытые инструменты тоже на MIT: CrewAI для команд агентов с ролями и LangChain с LangGraph для цепочек и агентов на Python и JavaScript.
Установка
AutoGen ставится как библиотека Python. Значит, дальше нужен человек, который запускает команды в терминале и читает код: без этого собрать команду агентов не получится. Нужен Python 3.10 или новее.
1. Создайте виртуальное окружение, отдельную папку с библиотеками проекта: python3 -m venv .venv, затем source .venv/bin/activate (так в Linux и macOS).
2. Установите AgentChat командой pip install -U "autogen-agentchat".
3. Установите клиент модели, то есть модуль, через который агенты обращаются к модели. Для открытой моделимодель с открытыми весами. Модель с открытыми весами (open-weights model) это нейросеть, файлы параметров которой можно скачать и запустить на своем оборудовании. через Ollama это pip install -U "autogen-ext[ollama]", для облачных моделей OpenAI pip install "autogen-ext[openai]".
Если в статьях вам попадется код для AutoGen 0.2, его придется обновить: для перехода со старой версии в README есть отдельное руководство по миграции кода и настроек.
Пример из README рассчитан на облачную модель OpenAI с ключом API. Для компании в России практичный путь другой: открытая модель через Ollama на своем сервере, она разобрана ниже.
Первая команда: автор и критик
Команда в AutoGen это группа агентов с общей целью. Документация разбирает пример из двух агентов: один пишет текст, второй критикует и одобряет. Этот прием называют рефлексиейрефлексия агента. Рефлексия агента это прием, при котором ИИ-агент оценивает свой результат или неудачную попытку, записывает выводы и делает следующую попытку с их учетом.: модель проверяет свою же работу.
1. Создайте клиента модели и первого агента: AssistantAgent с именем primary и параметром system_message со значением «You are a helpful AI assistant.» (ты полезный ИИ-помощник).
2. Создайте второго агента critic с system_message: давай конструктивную обратную связь и ответь APPROVE, когда замечания учтены.
3. Задайте условие остановки TextMentionTermination("APPROVE"): команда остановится, как только критик напишет это слово.
4. Соберите команду RoundRobinGroupChat из двух агентов с этим условием в параметре termination_condition. В такой команде агенты говорят по очереди.
5. Запустите команду методом team.run с задачей, в документации это короткое стихотворение об осени. Ход работы удобно смотреть через Console, он печатает сообщения агентов в терминал.
Для своей задачи замените стихотворение задачей из процесса, например черновиком ответа клиенту, а критику дайте ваши правила: цены, сроки, тон. Условие остановки не дает двум агентам спорить бесконечно.
Кроме очереди, в AutoGen есть еще три готовые схемы. SelectorGroupChat выбирает следующего агента с помощью модели, MagenticOneGroupChat решает открытые задачи с поиском в сети и файлами, Swarm передает задачу между агентами явной передачей.
Локальная модель через Ollama
Ollama запускает открытые модели на вашем компьютере или сервере и распространяется по лицензии MIT. AutoGen подключает ее через OllamaChatCompletionClient из пакета autogen-ext[ollama].
1. Запустите сервер Ollama с нужной моделью; путь новичка разобран на странице о локальном агенте.
2. В коде создайте клиента: OllamaChatCompletionClient(model="llama3.2"). Пример документации исходит из того, что Ollama работает локально на порту 11434.
3. Передайте этого клиента агентам из примера выше в параметре model_client вместо облачного.
Документация помечает поддержку Ollama как экспериментальную и предупреждает: небольшие локальные моделилокальная модель. Локальная модель это нейросеть, которая работает на вашем компьютере или сервере, а не в облаке поставщика, поэтому данные никуда не уходят. обычно слабее крупных облачных, и на части задач результат может удивить. Для команды агентов это важно: ошибка первого агента уходит дальше по цепочке.
AutoGen Studio без кода
AutoGen Studio это веб-интерфейс, в котором агентов и команды собирают без кода. Он ставится командой pip install -U "autogenstudio" и запускается командой autogenstudio ui --port 8080 --appdir ./my-app, после чего открывается в браузере на порту 8080.
Документация прямо называет Studio исследовательским прототипом, который не предназначен для промышленной работы. В нем нет авторизации, проверок на взлом инструкций и других функций безопасности, а для запуска кода агентов документация советует контейнер Docker.
Поэтому Studio годится, чтобы руководитель увидел, как агенты передают друг другу задачу. Открывать его сотрудникам и давать ему реальные данные клиентов нельзя.
Где это ломается
Документация AutoGen советует начинать с одного агента и переходить к команде, только когда одного не хватает. Anthropic в разборе агентных системагентный ИИ. Агентный ИИ это подход, при котором нейросеть получает цель и сама ведет работу к результату: планирует шаги, вызывает программы и проверяет, что получилось. 19 декабря 2024 года дает тот же совет: начинать с простого решения и усложнять, только когда это нужно.
Gartner 25 июня 2025 года прогнозировал, что больше 40% проектов агентного ИИ закроют к концу 2027 года из-за затрат, неясной пользы и слабого контроля рисков. Команда агентов усиливает все три причины: больше вызовов модели, больше мест для ошибки, труднее понять, кто из агентов ошибся.
Цена тоже растет вместе с командой. В примере с автором и критиком каждый круг разговора это минимум два вызова модели, поэтому время ответа и расходы на модель увеличиваются с числом агентов и кругов.
У AutoGen есть и свой риск: проект в режиме поддержки, и новые возможности будут появляться уже в Microsoft Agent Framework. Систему на годы мы собираем на поддерживаемом фреймворке и с журналом каждого шага агентов.
Когда команда агентов все же нужна, например заявка, расчет и договор идут через разных агентов, это работа для разработчика и владельца процесса. Как устроены такие системы, разобрано на странице о мультиагентных системах, а готовую команду из 3–5 агентов мы собираем как ИИ-отдел.