Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.
# AutoGen
[https://www.microsoft.com/en-us/research/project/autogen/](https://www.microsoft.com/en-us/research/project/autogen/)es un marco de código abierto que fue lanzado inicialmente por. Microsoft AutoGense centra en habilitar agentes de IA autónomos conversacionales y colaborativos. Proporciona una arquitectura flexible para crear sistemas multiagente, con énfasis en las interacciones asincrónicas y basadas en eventos entre los agentes para flujos de trabajo autónomos complejos.
## Características clave de AutoGen
AutoGenproporciona las siguientes características clave:
+ **Agentes conversacionales**: se basan en conversaciones en lenguaje natural entre agentes autónomos, lo que permite un razonamiento sofisticado a través del diálogo. Para obtener más información, consulte el [marco de conversación entre múltiples agentes](https://microsoft.github.io/autogen/docs/Use-Cases/agent_chat) en la AutoGen documentación.
+ **Arquitectura asíncrona**: diseño basado en eventos para interacciones de agentes autónomos sin bloqueo, que admite flujos de trabajo paralelos complejos. Para obtener más información, consulte [Resolución de varias tareas en una secuencia de chats asíncronos en la documentación](https://microsoft.github.io/autogen/0.2/docs/notebooks/agentchat_multi_task_async_chats/). AutoGen
+ **H uman-in-the-loop** — Se apoya firmemente la participación humana opcional en flujos de trabajo de agentes que, de otro modo, serían autónomos cuando sea necesario. Para obtener más información, consulte [Permitir la retroalimentación humana en los agentes](https://microsoft.github.io/autogen/0.2/docs/tutorial/human-in-the-loop/) en la AutoGen documentación.
+ **Generación y ejecución de código**: capacidades especializadas para agentes autónomos centrados en el código que pueden escribir y ejecutar código. Para obtener más información, consulte la sección [Ejecución de código](https://microsoft.github.io/autogen/stable/user-guide/core-user-guide/design-patterns/code-execution-groupchat.html) en la AutoGen documentación.
+ **Comportamientos personalizables**: configuración flexible de agentes autónomos y control de conversaciones para diversos casos de uso. Para obtener más información, consulte [agentchat.conversable\$1agent](https://microsoft.github.io/autogen/docs/reference/agentchat/conversable_agent) en la documentación. AutoGen
+ **Selección de modelos de base**: Support para varios modelos de base, incluidos los modelos Anthropic Claude, Amazon Nova (Premier, Pro, Lite y Micro) en Amazon Bedrock y otros para diferentes capacidades de razonamiento autónomo. Para obtener más información, consulte [Configuración de LLM](https://microsoft.github.io/autogen/docs/topics/llm_configuration) en la AutoGen documentación.
+ **Integración de la API LLM**: configuración estandarizada para múltiples interfaces de servicios LLM, incluidas Amazon Bedrock, yOpenAI. Azure OpenAI Para obtener más información, consulte [oai.openai\$1utils](https://microsoft.github.io/autogen/docs/reference/oai/openai_utils) en la referencia de la API. AutoGen
+ **Procesamiento multimodal**: Support para el procesamiento de texto e imágenes para permitir ricas interacciones multimodales entre agentes autónomos. Para obtener más información, consulte Uso de [modelos multimodales: GPT-4V](https://microsoft.github.io/autogen/0.2/docs/notebooks/agentchat_lmm_gpt-4v/) en la documentación. AutoGen AutoGen
## Cuándo se debe usar AutoGen
AutoGenes especialmente adecuado para escenarios de agentes autónomos, que incluyen:
+ Aplicaciones que requieren flujos de conversación naturales entre agentes autónomos para un razonamiento complejo
+ Proyectos que requieren tanto un funcionamiento totalmente autónomo como capacidades opcionales de supervisión humana
+ Casos de uso que implican la generación, ejecución y depuración de código autónomas sin intervención humana
+ Escenarios que requieren patrones de comunicación entre agentes autónomos, asíncronos y flexibles
## Enfoque de implementación para AutoGen
AutoGenproporciona un enfoque de implementación conversacional para las partes interesadas de la empresa, tal como se detalla en [Primeros pasos](https://microsoft.github.io/autogen/docs/Getting-Started) en la AutoGen documentación. El marco permite a las organizaciones:
+ Cree agentes autónomos que se comuniquen a través de conversaciones en lenguaje natural.
+ Implemente interacciones asincrónicas y basadas en eventos entre varios agentes.
+ Combine un funcionamiento totalmente autónomo con la supervisión humana opcional cuando sea necesario.
+ Desarrolle agentes especializados para diferentes funciones empresariales que colaboren a través del diálogo.
Este enfoque conversacional hace que el razonamiento del sistema autónomo sea transparente y accesible para los usuarios empresariales. Los responsables de la toma de decisiones pueden observar el diálogo entre los agentes para comprender cómo se llega a las conclusiones y, opcionalmente, participar en la conversación cuando se requiere el juicio humano.
## Ejemplo del mundo real de AutoGen
Magentic-One[es un sistema multiagente generalista y de código abierto diseñado para resolver de forma autónoma tareas complejas y de varios pasos en diversos entornos, tal y como se describe en el blog AI Frontiers. Microsoft ](https://www.microsoft.com/en-us/research/articles/magentic-one-a-generalist-multi-agent-system-for-solving-complex-tasks/) En esencia, está el agente Orchestrator, que descompone los objetivos de alto nivel y realiza un seguimiento del progreso mediante libros de contabilidad estructurados. Este agente delega las subtareas en agentes especializados (comoWebSurfer,, yComputerTerminal) y se adapta de forma dinámica FileSurfer Coder replanificándolas cuando es necesario.
El sistema se basa en la AutoGen estructura y es independiente del modelo; por defecto, es GPT‑4o. Logra un rendimiento de última generación en puntos de referencia como, y todo ello sin necesidad de ajustes específicos para cada tarea. GAIA AssistantBench WebArena Además, apoya la extensibilidad modular y la evaluación rigurosa mediante sugerencias. AutoGenBench