Apa itu AutoGen?

Makalah 2024 pemenang penghargaan dari Chi Wang peneliti Microsoft dan peneliti lainnya menunjukkan penerapan AutoGen untuk beberapa masalah dunia nyata, termasuk pengoptimalan rantai pasokan dan pengambilan keputusan online.¹ Dengan Python SDK dari AutoGen, mengawali penerapan semudah perintah pip install .

Meskipun AutoGen adalah salah satu kerangka kerja multiagen terkemuka, terdapat ekosistem lengkap kerangka kerja agen AI yang dapat dipilih. Kerangka kerja lainnya termasuk crewAI, LangChain, dan LangGraph, serta BeeAI dari IBM.

AutoGen terdiri dari tiga lapisan utama.

Inti adalah lapisan dasar AutoGen, struktur yang membuat kerangka kerja AutoGen berfungsi. Dalam bahasa Microsoft, “API inti mengimplementasikan pengiriman pesan, agen berbasis peristiwa, serta waktu proses lokal dan terdistribusi.” Dengan kata lain, ini memungkinkan agen untuk berbicara satu sama lain, memberdayakan mereka untuk terjaga setelah dipicu oleh peristiwa tertentu, dan memungkinkan mereka untuk berjalan setempat di komputer Anda atau di berbagai server.

Jika Inti adalah strukturnya, AgentChat adalah seperti rumah prefab dengan perlengkapan bawaan. AgentChat berasumsi (berdasarkan contoh penggunaan saat ini) bahwa kebanyakan orang menginginkan agar agen AI dapat mengobrol dengan manusia dan bot lain (dalam istilah teknis, menjadi “agen yang dapat berbicara”). Dan daripada memaksa pengembang untuk membuat kode logika orkestrasi dari awal, AgentChat lebih jauh mengasumsikan bahwa dalam kolaborasi multiagen, akan ada pembagian kerja, dengan tim agen yang sering kali menyertakan "AssistantAgent" (yang menggunakan LLM untuk melakukan aktivitas "berpikir" bagi pengguna), serta "UserProxyAgent" (untuk eksekusi kode dan penggunaan alat). Kemampuan untuk memanfaatkan tim agen “templat” ini membantu memfasilitasi pembuatan prototipe cepat aplikasi AI.

AutoGen "dapat diperluas," yang berarti pengguna dapat menambahkan kemampuan baru. Ekstensi default AutoGen mencakup komponen seperti LocalSearchTool yang memungkinkan pencarian dalam kumpulan file Anda sendiri, serta MultimodalWebSurfer yang dapat menjelajahi internet yang lebih luas. Microsoft mendorong pengembang untuk membuat ekstensi mereka sendiri juga.

Alat tambahan yang membantu termasuk AutoGenBench, yang membandingkan kinerja AI agen dan membantu mengarahkan debug, serta AutoGen Studio, antarmuka no-code untuk pemula (tutorial video yang membantu dapat ditemukan di YouTube). 

Microsoft mengklaim telah melihat ratusan aplikasi AutoGen di industri, mulai dari bioteknologi hingga barang konsumen kemasan hingga telekomunikasi.²

Seorang profesor terapi fisik di Tufts University, Benjamin Stern, telah menggunakan AutoGen untuk tugas-tugas yang kompleks, termasuk pembuatan penilaian yang disesuaikan, panduan belajar individual, dan bimbingan belajar bagi siswa yang beralih ke program tingkat pascasarjana. Selain itu, ia telah menggunakan interaksi agen untuk menyimulasikan wawancara pasien dan memanfaatkan kemampuan seperti “obrolan grup” AutoGen untuk mendukung format debat bergantian. Dia juga membuat laporan menggunakan agen OpenAI Assistant melalui AutoGen.

Perusahaan farmasi Novo Nordisk telah melaporkan beberapa cara bagaimana mereka menggunakan tumpukan AI Microsoft untuk melakukan dan berbagi penalaran dalam penemuan obat.³ Sam Khalil, Wakil Presiden insight data perusahaan ini, melaporkan bahwa AutoGen "membantu kami mengembangkan kerangka kerja multiagen yang siap untuk produksi."

Insinyur IBM Kelly Abuelsaad dan Anna Gutowska telah menciptakan RAG Multiagen dengan aplikasi AutoGen yang bekerja dari input manusia untuk mengumpulkan informasi dari korpus dokumen lokal. Mereka menggambarkan sebuah sistem di mana enam agen yang sangat cakap (termasuk di antaranya agen perencana, asisten peneliti, dan pembuat laporan) membagi dan menaklukkan. "Kita tidak perlu lagi menulis SQL Query yang kompleks untuk mengekstrak data yang relevan dari basis pengetahuan," tulis mereka. Solusi ini lebih dapat diskalakan daripada bekerja dengan satu model besar, karena pengembang dapat secara selektif menambahkan agen tunggal yang menjadi hambatan.

Di Github, seorang pengguna telah mendemonstrasikan bagaimana AutoGen dapat digunakan untuk memeriksa gambar yang diambil dari kamera di lingkungan yang berpotensi berbahaya seperti pabrik, menentukan secara real-time apakah ada manusia yang tidak mengenakan helm. Melalui otomatisasi, sistem ini akan menambahkan kotak penanda berwarna merah di atas gambar untuk memperingatkan personel keselamatan.

Itu adalah uraian tentang AutoGen yang ditawarkan Microsoft. Namun, seperti yang sering terjadi dengan proyek perangkat lunak, selalu ada opsi. Kerangka kerja pesaing, AG2, disebut-sebut sebagai "AgentOS Sumber Terbuka untuk Agen AI" oleh penciptanya, termasuk Chi Wang yang disebutkan di atas. Sebelumnya bekerja di Microsoft, Chi Wang kemudian pindah ke Google DeepMind; dia tampaknya telah memutuskan untuk mengembangkan versi independen AutoGen sejak meninggalkan Microsoft.

“Ini bukan kerangka kerja baru—ini pada dasarnya adalah AutoGen 0.2.34 yang dilanjutkan dengan nama baru,” menurut salah satu pengguna Reddit yang berusaha mengurangi kebingungan.⁴ Salah satu perbedaan utama antara AutoGen Micosoft dan AG2 adalah bahwa AutoGen berbasis komunitas, tidak didukung oleh satu perusahaan besar. Pengelola AG2 termasuk Wang, serta peneliti dari Meta, IBM, dan berbagai universitas.⁵