群聊与发言者选择
共享对话编排让 N 个 agent 进入同一段对话，再由选择器函数（LLM、轮询或自定义）决定谁接着发言。这是涌现式多 agent 对话的原型：agent 不知道自己在某张静态图里的角色，只对共享池作出反应。AutoGen GroupChat 和 AG2 GroupChat 是参考实现。AutoGen v0.2 的 GroupChat 语义被保留在 AG2 分叉里，AutoGen v0.4 则把它重写成事件驱动的 actor 模型。微软在 2026 年 2 月把 AutoGen 转入维护模式，并把它与 Semantic Kernel 合并进 Microsoft Agent Framework（RC 2026 年 2 月）。GroupChat 原语在 AG2 与 Microsoft Agent Framework 中都保留了下来，学一次即可迁移使用。
类型： Learn + Build 语言： Python（标准库） 前置要求： Phase 16 · 04（原语模型） 预计时间： ~60 分钟
问题背景
静态图（LangGraph）在工作流已知时很棒。真实对话不是静态的：有时 coder 问 reviewer，有时问 researcher，有时问 writer。把每一种可能的 handoff 硬编码会导致边爆炸。你想要的是 agent 对共享池子做反应，由某个函数决定接下来谁说话。
这正是 AutoGen GroupChat 做的事。
核心概念
形状
┌─── shared pool ────┐
│ m1 m2 m3 ... │
└─────────┬──────────┘
│ (everyone reads all)
┌───────┬─────────┼─────────┬───────┐
▼ ▼ ▼ ▼ ▼
Agent A Agent B Agent C Agent D Selector
│
▼
"next speaker = C"每个 agent 都看到每条消息。每一轮调用一个选择器函数来挑出接下来谁发言。
三种选择器口味
轮询（Round-robin）。 固定循环。确定性。在 N 上线性扩展，但无视上下文——哪怕话题是法务审查，coder 也会轮到发言。
LLM 选择。 一次 LLM 调用，读最近的池子、返回最佳的下一发言者。感知上下文但慢：每一轮都加一次 LLM 调用。AutoGen 的默认。
自定义。 一个想写什么逻辑就写什么逻辑的 Python 函数。典型：带兜底规则的 LLM 选择（比如「coder 之后永远轮到 verifier」）。
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 完成一轮，manager 调用选择器，它返回下一个 agent。循环持续到满足某个终止条件。
终止
三种常见模式：
- 最大轮数。 对总轮数的硬上限。
- 「TERMINATE」token。 agent 可以发出一个哨兵消息；manager 一看到就停。
- 目标达成检查。 每一轮跑一个轻量 verifier，完成时停掉聊天。
血缘：分叉与合并
2025 年初，微软围绕事件驱动的 actor 模型开始了对 AutoGen 的大重写（v0.4）。社区把 AutoGen v0.2 的 GroupChat 语义分叉成了 AG2，保留了早期采用者已经集成的那套 API。
2026 年 2 月，微软宣布 AutoGen 将转入维护模式，事件驱动的 actor 模型并入 Microsoft Agent Framework（RC 2026 年 2 月，现已与 Semantic Kernel 合并）。GroupChat 这个概念在两条线里都活着；实现细节有别。AG2 是 v0.2 兼容代码的首选上游。
GroupChat 何时适合
- 涌现式对话。 你不想预先把每一种可能的下一发言者都接好线。
- 角色混合任务。 coder 问 researcher，researcher 问 archivist，archivist 又问回 coder。流程不是 DAG。
- 探索式问题求解。 想成「头脑风暴会」，而不是「流水线」。
它何时失败
- 严格确定性。 LLM 选择器可能不一致。同一 prompt、不同运行、不同的下一发言者。
- 谄媚级联。 agent 倒向谁说得最自信。要明确反向 prompt。
- 上下文膨胀。 每个 agent 读每条消息；10 轮之后上下文就巨大了。用投影（第 15 课）来裁剪视图。
- 热门发言者。 某个 agent 主导了对话，因为选择器偏爱它的专长。把发言者均衡作为选择器的一个特性引入。
群聊对 supervisor
同样的原语，不同的默认值：
- supervisor：一个 agent 规划、其他执行。选择器是「问 planner 该做什么」。
- 群聊：所有 agent 都是对等的；选择器是一个作用于共享池子的函数。
两者都用第 04 课的四个原语。群聊默认用 LLM 选择式 orchestration 和全池共享状态。
swarm-speaker动手构建
code/main.py 用标准库从零实现了一个 GroupChat。三个 agent（coder、reviewer、manager），轮询和 LLM 选择两种变体，以及一个基于 TERMINATE token 的终止。
演示打印对话记录，外加两种变体的选择器决策轨迹。
运行：
python3 code/main.py实际使用
outputs/skill-groupchat-selector.md 为一个给定任务配置 GroupChat 选择器——轮询 vs LLM 选择 vs 自定义，以及该用哪些选择器输入（最近消息、agent 专长、轮次计数）。
拿去用
检查清单：
- 最大轮数上限。 永远要有。典型任务 10-20。
- 发言者均衡指标。 跟踪每个 agent 的轮次数；不均衡超过阈值时告警。
- 终止 token。
TERMINATE或一个专门的 verifier agent。 - 投影或裁剪记忆。 大约 10 条消息后，考虑只给每个 agent 一个裁剪视图，防止上下文膨胀。
- 选择器日志。 对 LLM 选择变体，同时记录选择器的输入和它的选择。否则没法调试。
练习
- 跑
code/main.py。对比轮询和 LLM 选择下的对话。每种下哪个 agent 主导？ - 在选择器里加一条「每个 agent 最多发言次数」规则。它如何影响对话记录？
- 实现一个目标达成终止：reviewer 返回「approved」时停。在触及轮数上限之前，它多久触发一次？
- 读 AutoGen stable 关于 GroupChat 的文档（https://microsoft.github.io/autogen/stable/user-guide/core-user-guide/design-patterns/group-chat.html）。指出
GroupChatManager用的默认选择器。 - 读 AG2 仓库（https://github.com/ag2ai/ag2），对比它的 v0.2 GroupChat 和 v0.4 事件驱动版本。v0.4 加了什么具体属性（吞吐、容错、可组合性）？
关键术语
| 术语 | 大家嘴上怎么说 | 它实际是什么意思 |
|---|---|---|
| GroupChat | 「同一个聊天室里的 agent」 | 共享消息池 + 选择器函数。AutoGen / AG2 的原语。 |
| Speaker selection | 「接下来谁说话」 | 挑下一个 agent 的那个函数。轮询、LLM 选择、或自定义。 |
| GroupChatManager | 「会议主持人」 | AutoGen 组件，持有选择器并循环跑各轮。 |
| ConversableAgent | 「基础 agent」 | AutoGen 基类；一个能收发消息的 agent。 |
| Termination token | 「那个『停』字」 | 结束聊天的哨兵字符串（通常是 TERMINATE）。 |
| Hot speaker | 「一个 agent 独占」 | 故障模式，选择器一直挑同一个 agent。 |
| Context bloat | 「池子无限增长」 | 每个 agent 都读之前的每条消息；上下文随轮次增长。 |
| Projection | 「裁剪视图」 | 进入共享池的角色专属视图，防止上下文膨胀。 |
延伸阅读
- AutoGen group chat docs —— 参考实现
- AG2 repo —— 社区版 AutoGen v0.2 延续
- Microsoft Agent Framework docs —— 合并后的继任者，RC 2026 年 2 月
- AutoGen v0.4 release notes —— 事件驱动 actor 模型重写细节