Phase 14: Agent Engineering

O Modelo de Ator para Agentes Mensagens de sincronia e tempos de execução tipografados

Type: Learn + Build

Languages: Python (stdlib)

Prerequisites: Phase 14 · 01 (Agent Loop), Phase 14 · 12 (Workflow Patterns)

Time: ~75 minutes

Objetivos de aprendizagem

• Descreva o modelo de ator: agentes como atores, mensagens como o único IPC, isolamento de falhas por ator.
• Nomear as três camadas de API do AutoGen v0.4 Core, AgentChat, Extensions e para o que cada uma é.
• Explique por que a desconexão da entrega de mensagens da manipulação dá isolamento de falhas e simetria natural.
• Implementar um stdlib actor runtime em Python e puxar um fluxo de revisão de código de dois agentes para ele.

O problema

A maioria dos quadros de agentes são sincrónicos: um agente produz, um agente consome, em uma pilha de chamadas. Falhas caem na pilha. A concurrença é ligada. A distribuição requer reescritura.

A resposta do AutoGen v0.4 é: o modelo de ator. Cada agente é um ator com uma caixa de entrada privada. As mensagens são a única interação. O tempo de execução desacopla a entrega do manuseio. As falhas isolam-se a um ator. A concorrência é nativa. A distribuição é apenas um transporte diferente.

O conceito

Atores

Um ator tem:

• Um Estado privado (nunca tocado diretamente por fora).
• Uma caixa de entrada (fila de mensagens).
• Um manipulador:receive(message) -> effectsonde os efeitos podem ser "responde", "enviar para outro ator", "espalhar um novo ator", "atender o estado", "deter-se".

Dois atores não podem partilhar memória, só podem enviar mensagens.

Três camadas de API

AutoGen v0.4 divide a sua superfície em três:

1. Core.Estrutura de actores de baixo nível. AgentRuntime- Não .Agent- Não .Message- Não .TopicTroca de mensagens sincronizada, orientada por eventos.
2. AgentChat.API de alto nível orientado para tarefas (substituição do ConversableAgent do v0.2). AssistantAgent- Não .UserProxyAgent- Não .RoundRobinGroupChat- Não .SelectorGroupChat- Não .
3. Extensions.Integrações OpenAI, Anthropic, Azure, ferramentas, memória.

Por que é importante o desacoplamento

No modelo v0.2, chamandoagent_a.chat(agent_b)Bloqueia sincronicamente o agente_a até o agente_b retornar.send(agent_b, msg)O tempo de execução entrega mais tarde.

• Fault isolation.Agente B que se desabar não desabar Agente A o tempo de execução pega a falha no manipulador de B e decide o que fazer (log, retry, letra morta).
• Natural concurrency.Muitas mensagens em voo ao mesmo tempo; os atores processam a caixa de entrada simultaneamente.
• Distribution-ready.O cartão de entrada + transporte é a mesma abstração, quer o ator esteja em processo ou em outro hospedeiro.

Topologias

• RoundRobinGroupChat.Os agentes fazem turnos numa rotação fixa.
• SelectorGroupChat.Um agente selector escolhe quem vai a seguir com base no contexto da conversa.
• Magentic-One.Equipe de referência multi-agente para navegação na web, execução de código, tratamento de arquivos.

Observabilidade

O suporte à OpenTelemetry está incorporado.gen_ai.*Atributos de acordo com as convenções semânticas OTel GenAI de 2026 (Lessão 23).

Status: modo de manutenção

Começo de 2026: AutoGen v0.7.x é estável para pesquisa e prototyping. A Microsoft mudou o desenvolvimento ativo para o Microsoft Agent Framework, o sucessor da produção (previsão pública 1 de outubro de 2025; 1.0 GA foi alvo para o final do primeiro trimestre de 2026).

Construí-lo

code/main.pyImplementa um runtime de atores stdlib:

• Message cargas úteis tipografadas com sender- Não .recipient- Não .topic- Não .body- Não .
• Actor abstracto com receive(message, runtime)- Não .
• Runtime Loop de eventos com uma fila compartilhada, entrega, isolamento de falhas.
• Uma demonstração de dois atores:ReviewerAgentcódigo de revisão, ChecklistAgentElas trocam mensagens até chegarem a um consenso.

• É o que é ?

Copypython3 code/main.py

O rastro mostra a entrega de mensagens, um fracasso simulado em um ator que não bate o outro, e convergência em um veredicto compartilhado.

Usá-lo

• AutoGen v0.4/v0.7(manutenção) estável para pesquisa, prototipagem, padrões multi-agentes.
• Microsoft Agent Framework a sucessora da produção (previsão pública de outubro de 2025); as mesmas ideias de modelo de ator em uma API atualizada.
• LangGraph swarm topology(Lessão 13) padrão semelhante através de transferências de ferramentas compartilhadas.
• Custom actor runtime quando precise de transporte específico (NATS, RabbitMQ, gRPC).

Envia-o

outputs/skill-actor-runtime.mdgera um tempo de execução mínimo de atores mais um modelo de equipe (RoundRobin ou Selector) para uma determinada tarefa multi-agente.

Exercícios

1. Adicione uma fila de letras mortas: quando um manipulador levantar, estacione a mensagem falha para inspeção humana.
2. Implementação SelectorGroupChat: um ator selector escolhe quem processar a próxima mensagem com base no estado da conversação.
3. Adicionar transporte distribuído: trocar a fila de processo por um servidor JSON-over-HTTP para que os atores possam executar processos separados.
4. Transmitir um tempo de OTel por mensagem (ou um no-op substitutivo).gen_ai.agent.name- Não .gen_ai.operation.namePor lição 23.
5. Leia o post de arquitetura do AutoGen v0.4.autogen_coreO que é que você deixou de ser importante na produção?

Termos-chave

Mais leitura

• AutoGen v0.4, Microsoft Research o post de redesenho
• LangGraph overview Alternativa em forma de gráfico
• OpenTelemetry GenAI semantic conventions extensão emite AutoGen por padrão

This free lesson is part of the AI Engineering from Scratch curriculum. Read the full explanation, run the lesson code, and verify the result in the interactive reader or from the repository source.

Browse the complete course catalog or open this lesson on GitHub.