CodeFuse-muAgent [1]是蚂蚁CodeFuse团队开发的Mulit Agent框架，其核心宗旨在于简化agents的标准操作程序（SOP）编排流程。
多Agents的核心关键即Agent的交互链路，也即实现SOP的关键。其核心在于如何把上一个Agent的输出给到下一个Agent的输入，其中需要涉及到llm的输出、具体action的执行以及信息的解析处理。
架构muagent整合了一系列丰富的工具库、代码库、知识库以及沙盒环境，可支撑用户在任何领域场景都能依托muagent迅速搭建起复杂的多Agent交互应用。通过这一框架，用户能够高效地执行和处理多层次、多维度的复杂任务。
其架构图如下：
每个技术点的描述如下：
Agent Base：构建了四种基本的Agent类型BaseAgent、ReactAgent、ExecutorAgent、SelectorAgent，支撑各种场景的基础活动。Communication：通过Message和Parse Message 实体完成Agent间的信息传递，并与Memory Manager交互再Memory Pool完成记忆管理。Prompt Manager：通过Role Handler、Doc/Tool Handler、Session Handler、Customized Handler，来自动化组装Customized 的Agent Prompt。Memory Manager： 用于支撑 chat history 的存储管理、信息压缩、记忆检索等管理，最后通过Memory Pool在数据库、本地、向量数据库中完成存储。Component：用于构建Agent的辅助生态组件，包括Retrieval、Tool、Action、Sandbox等。Customized Model：支持私有化的LLM和Embedding的接入。一个完整的多Agent生态，个人觉得，其所需的能力也就是如上的几点。
Agent Base在Agent层面，提供四种基本的Agent类型，对这些Agent进行Role的基础设定，可满足多种通用场景的交互和使用。所有的Action都由Agent执行。
BaseAgent：基础功打得溜，问答、工具使用、代码执行样样行。ReactAgent：标准React流，遇事不慌，标准反应流程轻松应对。ExecutorAgent：对任务清单进行顺序执行，根据 User 或 上一个Agent编排的计划，完成相关任务，排个队，挨个干！SelectorAgent：挑三拣四，根据User 或 上一个 Agent的问题选择合适的Agent，总能找到最合适的Agent回答用户需求。相比较于AutoGen，其实也差不多，但划分粒度更清晰；尤其是Agent的编排，由专门的agent负责处理；而ReAct的功能，这里也是单独抽出来的Agent，初步来看，比AutoGen对React的支持更强。
Component辅助生态组件更详尽，区别于AutoGen，Sandbox支持隔离的特性让辅助生态的支持更丰富强大。
Communication多Agent的关键在Agent间的信息交互，因此communication的实现是必不可少的。AutoGen通过结转逻辑，支持信息流转；CodeFuse通过Communication组件独立实现该功能。从实现方式来看，CodeFuse应该支持的更强大。AutoGen是一个summary_method方法来定义的。
总结之前没有了解过国内多Agent框架，因为本身也不多；从AutoGen入手对多Agent的了解，再结合CodeFuse的实现来看，多Agent的SOP更具体更模块化，不过其思想也是一致的，关键的组成部件还是那些。
总的来说，如何协调好LLM并来引导它们产生期望的输出，其本质就是将业务问题抽象并拆解到可执行的Prompt，让他们像处理业务问题一样精准执行；而业务的编排执行则由Agent实现，最终是落到了LLM上。
参考资料
[1]
CodeFuse-muAgent : https://github.com/codefuse-ai/CodeFuse-muAgent/blob/main/README_zh.md
