深入解析 AutoGen 人在回路机制：从实时交互到迭代优化的全流程实践

在开发智能体应用时，我们常常会遇到这样的场景：智能体团队在执行复杂任务时需要人类的即时反馈，比如创意审核、关键决策或数据验证。这时候，AutoGen 框架提供的 "人在回路"（Human-in-the-Loop）机制就成为了连接智能体与人类专家的桥梁。今天，我们就来系统拆解这一机制的两种核心交互模式，帮助你在智能体应用中实现更灵活的人机协作。

一、运行中反馈：实时介入智能体协作流程

1.1 UserProxyAgent：人机交互的桥梁

UserProxyAgent 是 AutoGen 中专门用于收集用户反馈的内置智能体，它能在团队运行过程中主动请求人类介入：

python

from autogen_agentchat.agents import AssistantAgent, UserProxyAgent
from autogen_agentchat.teams import RoundRobinGroupChat
from autogen_ext.models.openai import OpenAIChatCompletionClient

# 初始化模型客户端
model_client = OpenAIChatCompletionClient(model="gpt-4o-mini")

# 创建创作智能体
assistant = AssistantAgent("assistant", model_client=model_client)

# 创建用户代理智能体（使用input函数获取控制台输入）
user_proxy = UserProxyAgent("user_proxy", input_func=input)

# 设置终止条件（用户输入APPROVE时结束）
termination = TextMentionTermination("APPROVE")

# 构建包含用户代理的团队
team = RoundRobinGroupChat(
    agents=[assistant, user_proxy],
    termination_condition=termination
)

# 运行团队任务
stream = team.run_stream(task="创作一首关于海洋的四行诗")
await Console(stream)

运行这段代码后，你会看到这样的交互流程：

1. 智能体首先生成诗歌：

text

In endless blue where whispers play,  
The ocean's waves dance night and day.  
A world of depths, both calm and wild,  
Nature's heart, forever beguiled.

1. 团队通过 user_proxy 请求用户反馈
2. 用户输入 "APPROVE" 后，团队终止并保存结果

1.2 自定义反馈接口：对接 Web 应用

在实际项目中，我们通常需要将反馈接口集成到 Web 应用中。以下是使用 FastAPI 框架的示例：

python

from fastapi import FastAPI, WebSocket
from autogen_agentchat.agents import UserProxyAgent
from autogen_agentchat.teams import RoundRobinGroupChat

app = FastAPI()

# WebSocket接口处理用户反馈
@app.websocket("/ws/chat")
async def chat(websocket: WebSocket):
    await websocket.accept()
    
    # 自定义输入函数（从WebSocket获取用户消息）
    async def user_input(prompt: str, cancellation_token):
        data = await websocket.receive_json()
        return data["content"]
    
    # 创建带自定义输入函数的用户代理
    user_proxy = UserProxyAgent(
        "web_user",
        input_func=user_input
    )
    
    # 初始化团队（此处简化处理，实际项目需完整配置）
    team = RoundRobinGroupChat(agents=[...], termination_condition=...)
    
    # 运行团队并处理交互
    # ... 完整逻辑参考AgentChat FastAPI示例

这种集成方式适用于：

• 需要可视化界面的智能体应用
• 多人协作的审核流程
• 实时数据标注任务

1.3 交互注意事项

使用运行中反馈时需要注意：

• 阻塞性：UserProxyAgent 会阻塞团队执行，直到获取反馈，因此仅适用于短交互
• 状态管理：长时间阻塞可能导致团队状态不稳定，建议搭配超时机制
• 场景适配：适合 "是 / 否" 决策、简单修改建议等轻量级反馈

二、运行后反馈：迭代优化智能体输出

2.1 最大轮数控制：分阶段收集反馈

通过设置 max_turns 参数，我们可以让团队在指定轮次后暂停，等待用户反馈：

python

from autogen_agentchat.agents import AssistantAgent
from autogen_agentchat.teams import RoundRobinGroupChat
from autogen_ext.models.openai import OpenAIChatCompletionClient

# 创建智能体
model_client = OpenAIChatCompletionClient(model="gpt-4o-mini")
assistant = AssistantAgent("assistant", model_client=model_client)

# 创建每轮后暂停的团队（max_turns=1）
team = RoundRobinGroupChat([assistant], max_turns=1)

# 循环运行团队，收集迭代反馈
task = "创作一首关于海洋的四行诗"
while True:
    stream = team.run_stream(task=task)
    await Console(stream)
    
    # 获取用户反馈
    user_feedback = input("Enter your feedback (type 'exit' to leave): ")
    if user_feedback.lower().strip() == "exit":
        break
    task = user_feedback

运行结果展示了典型的迭代过程：

1. 第一轮输出：

text

Endless waves in a dance with the shore,  
Whispers of secrets in tales from the roar,  
Beneath the vast sky, where horizons blend,  
The ocean’s embrace is a timeless friend.

1. 用户反馈："Can you make it about a person and its relationship with the ocean"
2. 第二轮输出：

text

She walks along the tide, where dreams intertwine,  
With every crashing wave, her heart feels aligned,  
In the ocean's embrace, her worries dissolve,  
A symphony of solace, where her spirit evolves.

2.2 终止条件控制：智能体主动移交控制权

HandoffTermination 允许智能体在需要时主动移交控制权给用户：

python

from autogen_agentchat.agents import AssistantAgent
from autogen_agentchat.conditions import HandoffTermination, TextMentionTermination
from autogen_agentchat.teams import RoundRobinGroupChat
from autogen_ext.models.openai import OpenAIChatCompletionClient

# 创建会主动移交的智能体
model_client = OpenAIChatCompletionClient(model="gpt-4o")
lazy_agent = AssistantAgent(
    "lazy_assistant",
    model_client=model_client,
    handoffs=[Handoff(target="user", message="Transfer to user.")],
    system_message="若无法完成任务，移交用户；否则用TERMINATE结束"
)

# 设置双重终止条件
handoff_termination = HandoffTermination(target="user")
text_termination = TextMentionTermination("TERMINATE")
team = RoundRobinGroupChat(
    [lazy_agent],
    termination_condition=handoff_termination | text_termination
)

# 运行任务（智能体因无天气工具而移交用户）
await Console(team.run_stream(task="What is the weather in New York?"))

# 用户提供天气信息后继续运行
await Console(team.run_stream(task="The weather in New York is sunny."))

1）Handoffs 触发机制详解

在 AutoGen 的AssistantAgent中，handoffs参数用于定义智能体在何种条件下将任务移交给其他实体

这里配置的handoffs会在以下场景触发：

1. 模型决策触发：当 LLM 根据system_message判断需要移交时，会生成对应的工具调用
2. 工具调用触发：智能体通过生成FunctionCall来执行handoffs定义的移交逻辑
3. 上下文判断触发：当对话上下文满足预设的移交条件时（如缺少必要工具）

在示例中，lazy_agent的系统提示明确要求 "若无法完成任务则移交用户"，因此当模型检测到缺少天气查询工具时，会自动触发handoffs中定义的移交行为，生成向用户移交的消息。

2）双重终止条件的工作原理

代码中使用的handoff_termination | text_termination是典型的逻辑或组合，意味着团队会在满足以下任意条件时终止：

• HandoffTermination：当智能体向指定目标（如 "user"）发送移交消息时触发终止
• TextMentionTermination：当智能体输出中包含指定文本（如 "TERMINATE"）时触发终止

3）TextMentionTermination 中的 "TERMINATE" 参数

在TextMentionTermination("TERMINATE")中，"TERMINATE" 是触发终止的关键词，其作用如下：

1. 显式结束信号：智能体在完成任务后，通过输出 "TERMINATE" 明确告知团队可以结束
2. 与 handoffs 配合：形成 "移交 - 完成" 的完整流程控制
3. 可定制化：用户可根据需求修改为其他关键词（如 "COMPLETE"）

2.3 两种模式对比

反馈模式	适用场景	核心优势
运行中反馈	实时审核、紧急决策	即时干预、避免错误累积
运行后反馈	迭代优化、深度修改	非阻塞处理、可批量反馈

三、最佳实践：人机协作的黄金法则

3.1 反馈时机选择

• 需要即时决策：使用运行中反馈（UserProxyAgent）
• 需要深度思考：使用运行后反馈（max_turns/HandoffTermination）
• 复杂迭代流程：结合两种模式，前几轮用运行后反馈，最终审核用运行中反馈

3.2 人机分工原则

• 智能体负责：数据处理、模式识别、初步生成
• 人类负责：价值判断、创意指导、例外处理
• 边界定义：通过 system_message 明确智能体的决策范围，如：

四、总结

通过本文的分享，我们系统学习了 AutoGen 人在回路机制的两种核心模式：运行中实时反馈和运行后迭代优化。这些机制让智能体团队不再是黑盒，而是可以被人类专家精准调控的协作伙伴。在实际项目中，合理运用这些技术可以提升智能体输出质量 30% 以上，同时降低错误率。

如果本文对你有帮助，别忘了点赞收藏，关注我，一起探索更高效的开发方式～