AutoGen Studio

Was ist AutoGen Studio?

AutoGen Studio ist eine open-source-basierte, low-code-Benutzeroberfläche, die auf Microsoft AutoGen AgentChat aufbaut. Sie dient zum schnellen Prototypenbau, zur Fehlerbehebung sowie zur Darstellung von Mehr-Agenten-Workflows. Die Benutzer können Modelle, Agenten, Tools, Teams sowie Beendigungsbedingungen im Browser konfigurieren. Anschließend können Prozesse durch Ziehen und Ablegen oder mithilfe von JSON-Datenstrukturen zusammengefügt werden. Im Playground können die Nachrichten der verschiedenen Agenten sowie die Aufrufe der Tools betrachtet werden.

Es handelt sich nicht um eine Website, die durch eine cloudbasierte KI-Anwendung erstellt wird, sondern um ein Forschungsprototyp, der lokal vom Benutzer installiert werden muss. Die Software selbst ist unter der MIT-Lizenz verfügbar und kostenlos, doch zur Nutzung sind in der Regel API-Schlüssel für OpenAI, Azure OpenAI, Anthropic oder andere kompatible Modelle erforderlich; es ist auch möglich, lokale Modellservices anzuschließen.

Die Kosten für Modelle, Suchfunktionen, Datenbanken, Server sowie Tools Dritter liegen beim Benutzer.

Aktueller Wartungszustand

Bis 2026 wird das offizielle AutoGen-Repository von Microsoft in den Wartungsmodus übergehen. Es wird hauptsächlich für die Aufrechterhaltung der Stabilität, Sicherheit sowie zur Betreuung der Community genutzt und dient nicht mehr als bevorzugtes Framework für neue Funktionen. Microsoft leitet neue Nutzer stattdessen zum Microsoft Agent Framework.

Projekte, die bereits auf AutoGen angewiesen sind, können weiterhin verwendet und ihre Versionen gesperrt bleiben, doch bei der Erstellung neuer Systeme für die langfristige Produktion sollten zunächst die Migrationskosten mit denen der nachfolgenden Frameworks verglichen werden.

Die Dokumentation zu AutoGen Studio ist weiterhin zugänglich, und auf PyPI sind weiterhin Installationspakete verfügbar. Das bedeutet jedoch nicht, dass es geeignet ist, direkt in Produktion einzusetzen, ohne weitere Sicherheitsmaßnahmen. Benutzer sollten insbesondere zwischen dem, was derzeit noch installiert werden kann, und dem unterscheiden, wofür weiterhin offiziell Entwicklungen stattfinden.

Kernfunktionen von AutoGen Studio

Team Builder

Team Builder dient zur visuellen Konfiguration von Teams, Agenten, Modell-Clienten, Tools und Stoppsbedingungen. Benutzer können Komponenten verschieben sowie die für AgentChat kompatiblen deklarativen Konfigurationen bearbeiten.

Eignet sich zur Vergleich von mehreren Agenten-Kooperationsmodellen wie RoundRobin, Selector usw., oder zur schnellen Überprüfung der Rollenverteilung.

Playground

Playground kann Teamaufgaben ausführen, den Nachrichtenfluss der Agenten sowie die Aufrufe von Tools und Kontrollübergänge in Echtzeit anzeigen und es ermöglicht das Pausieren oder Stoppen dieser Abläufe. Es eignet sich zur Überprüfung von Anweisungen, zum Übergang von Rollen sowie zur Steuerung der Logik – doch eine erfolgreiche Demonstration allein beweist noch nicht, dass der Prozess stabil ist. Stattdessen sollten wiederholte Tests sowie klare Kennzahlen herangezogen werden, um das Verhalten des Systems zu bewerten.

Gallery

Die Gallery dient dazu, Komponenteneinstellungen zu entdecken, einzufügen und wiederverwenden, um Benutzern zu helfen, mit Beispielen zu beginnen. Dritte Komponenten, Prompte und Tools sollten als unzuverlässige Eingaben angesehen werden; nach dem Einfügen müssen Code, Berechtigungen, Modell-, Schlüsselfelder sowie der Netzwerkzugriff überprüft werden.

Einsatz und Export

Studio kann die Teamkonfiguration exportieren und in Python-Code ausführen, sowie Endpunkte testen oder das Team in Docker-Containern laufen lassen. Exportiert werden die Agent-Konfiguration und Prototyp-Ressourcen; vollständige Produktzertifizierungen, Berechtigungen, Audits, Überwachung und eine flexible Architektur werden nicht automatisch erstellt.

Modellkompatibilität

AutoGen nutzt eine Modellklienten-Abstraktion, die es ermöglicht, mit OpenAI, Azure OpenAI, Anthropic sowie lokalen Diensten, die OpenAI-kompatible Schnittstellen bieten, wie beispielsweise Ollama, vLLM oder LM Studio, zu verbinden. Die verschiedenen Modelle unterstützen unterschiedlich die Aufrufe von Tools, die Erstellung strukturierter Ausgaben sowie visuelle Eingaben – daher darf man den Modellnamen nicht einfach ersetzen, ohne auch die angegebenen Fähigkeiten zu berücksichtigen.

Werkzeuge und Codeausführung

Ein Agent kann benutzerdefinierte Funktionen, HTTP-Dienste, MCP-Tools, Suchfunktionen sowie Code-Executoren aufrufen. Für die Ausführung von Code sollte vorzugsweise eine isolierte Methode wie der DockerCommandLineCodeExecutor verwendet werden.

Code, der direkt auf dem Host unter Verwendung des generierten Modells ausgeführt wird, kann Dateien lesen, ändern oder löschen sowie auf Umgebungsvariablen und Netzwerk-Zertifikate zugreifen.

Vergleich von AutoGen-Produkten und nachfolgenden Lösungen

Vergleich von Preisen und Kosten für AutoGen Studio

AutoGen Studio bietet keine offiziellen Abonnements wie Free, Pro oder Enterprise an – es handelt sich um freie, open-source-Software. Die tatsächlichen Kosten hängen vom gewählten Modell, der Anzahl der Agentenzyklen, den verwendeten Tools sowie der Betriebsumgebung ab.

Bei der gegenseitigen Kommunikation mehrerer Agenten wird der Kontext immer wieder übertragen, wodurch die Kosten in der Regel höher sind als bei einem einzelnen Chat.

Anleitung zur Installation von AutoGen Studio

1. Auswahl der Isolierumgebung:Installieren Sie eine unterstützte Python-Version und erstellen Sie eine eigene venv- oder Conda-Umgebung, um andere Projekte nicht zu verunreinigen.
2. Installation des Stabilitäts-Pakets:Installieren oder aktualisieren Sie autogenstudio über den Python-Paketmanager; falls Änderungen am Quellcode erforderlich sind, kompilieren Sie es aus dem offiziellen Repository.
3. Angabe des Datordirs:Verwenden Sie den Parameter appdir, um einen speziellen Ordner einzustellen, in dem die SQLite-Datenbanken sowie die erzeugten Dateien gespeichert werden. Verwenden Sie keine allgemeinen Ordner, die sensible Daten enthalten.
4. Starten der lokalen Benutzeroberfläche:Starten Sie die Studio-UI und geben Sie einen Port an; standardmäßig wird nur localhost gebunden, um eine direkte Offenlegung im öffentlichen Netzwerk zu vermeiden.
5. Konfigurationsmodell:Füllen Sie im Modul-Component den Modelltyp, den Namen und die Endpunkte aus. Die API-Key sollten vorzugsweise über eine sichere Konfigurationsumgebung bereitgestellt werden.
6. Agent erstellen:Definieren Sie die Systemanweisungen, Modelle, Werkzeuge sowie ob ein menschlicher Agent erforderlich ist, und klären Sie die Grenzen jeder Rolle.
7. Kombinierte Teams:Wählen Sie die Teamorganisation und die Beendigungsbedingungen aus, um endlose Gespräche zu vermeiden.
8. Playground-Test:Führen Sie zunächst kleine Aufgaben ohne sensible Daten aus, um Nachrichten, Toolaufrufe, Kosten und Fehlermuster zu beobachten.

Visualisierung der Erstellung von Mehr-Agenten-Workflows

1. Zuerst wird eine überprüfbare Aufgabe definiert, zum Beispiel: „Der Forscher ordnet die Materialien, der Lektor prüft die Struktur, und der Korrektor gibt nur die Probleme an.“
2. Für jeden Agenten sollten sich die Aufgaben nicht überschneiden, damit nicht alle Rollen dasselbe tun.
3. Nur den benötigten Agenten werden Tools zur Konfiguration bereitgestellt; Forscher können suchen, während Lektoren in der Regel keinen Code ausführen müssen.
4. Legen Sie eine maximale Anzahl an Nachrichten, Schlüsselwörter oder Bedingungen für die Erledigung von Aufgaben fest, um wiederholte Diskussionen zu vermeiden.
5. Überprüfen Sie im Playground den Kontrollübergang und die Tool-Parameter sowie die Token und die Dauer.
6. Wiederholen Sie die Tests mit Erfolg, Misserfolg und böswilligen Eingaben, und exportieren Sie anschließend die JSON- oder Python-Konfiguration.

Empfehlungen zur Auswahl des Modells

Das Selector-Team benötigt in der Regel ein Modell, das zuverlässig den nächsten Agenten auswählt, während toolbasierte Agenten eine stabile Funktionsaufrufstruktur sowie strukturierte Ausgaben erfordern. Billige Modelle, die häufig den falschen Agenten auswählen oder Tools wiederholt aufrufen, können letztendlich teurer werden.

Es wird empfohlen, zunächst mit einem leistungsstärkeren Modell eine korrekte Basislinie zu erstellen und anschließend die einzelnen Rollen nacheinander durch kostengünstigere Modelle zu ersetzen.

Beim Verbinden mit einem lokalen Modell sollte in der Komponente genau angegeben werden, ob Vision, Function Calling, JSON-Ausgabe und strukturierte Ausgabe unterstützt werden. Falsche Angaben führen dazu, dass die von Studio erzeugte Konfiguration scheinbar nutzbar erscheint, die Toolaufrufe jedoch bei der Ausführung fehlschlagen.

Sicherheitsbeschränkungen

In den offiziellen Dokumenten wird ausdrücklich erklärt, dass AutoGen Studio ein Forschungsprototyp ist und keine für die Produktion geeignete Anwendung darstellt. Es verfügt weder über vollständige Funktionen zur Verhinderung von Jailbreaks noch über eine fein abgestufte Datenzugriffssteuerung, keine Multi-Tenant-Isolierung sowie keine Unternehmenszertifizierung.

Experimentelle GitHub-Zertifizierungen können auch keine ausgereiften Identitätsysteme ersetzen.

• Die Ausführung des Codes muss in Docker oder einer eigenständigen Virtual Machine erfolgen, wobei nur die notwendigen Verzeichnisse montiert werden.
• Der Dienst ist nur an den lokalen Rechner gebunden; für die Fernzugriffsmöglichkeit sind ein Reverse-Proxy, Authentifizierung, TLS sowie Netzwerkbeschränkungen erforderlich.
• Tool-Schlüssel verfügen über minimale Berechtigungen und dürfen weder in exportierbaren JSON-Dateien noch in Chatinhalten enthalten sein.
• Webseiten, Dateien, Datenbanken und Benutzernachrichten können alle Angriffe durch Schleusen enthalten.
• Einstellen von maximaler Anzahl an Runden, Token, Zeit und Kosten sowie Beibehaltung eines vollständigen Aufrufprotokolls;
• Das Produktionsystem sollte Berechtigungen, Audits, manuelle Freigaben und Katastrophenwiederherstellung neu umsetzen.

Von AutoGen Studio in die Produktionsumgebung

Ein Studio eignet sich dazu, zu beweisen, „ob diese Teamstruktur Probleme lösen kann“, ist aber nicht geeignet, direkt die Produktionslast zu tragen. Nach der Freigabe des Prototyps sollte die Konfiguration in Code umgewandelt werden, abhängige Komponenten sowie Modellversionen festgelegt werden, und automatische Tests, Bewertungen, Überwachungsfunktionen, Berechtigungen, Wiederholungsversuche, Idempotenz sowie manuelle Bestätigungsmechanismen hinzugefügt werden.

Bei neuen Projekten, die im Jahr 2026 gestartet werden, sollte auch das Microsoft Agent Framework vorrangig bewertet werden – man sollte sich nicht nur auf die bereits vorhandene Studio-Oberfläche verlassen und dabei technologische Lösungen ignorieren.

Ob Open Source

Der Code von AutoGen und AutoGen Studio ist unter der MIT-Lizenz verfügbar – er kann angesehen, geändert und für kommerzielle Zwecke genutzt werden. Die MIT-Lizenz betrifft nur den Softwarecode; sie umfasst keine Rechte an externen Modellen, APIs, Daten oder Tools Dritter.

Die Nutzer müssen weiterhin die Bedingungen der jeweiligen Modellanbieter und Datenquellen einhalten.

Für welche Benutzer geeignet

• Entwickler, die das Konzept der Zusammenarbeit mehrerer Agenten sowie AgentChat erlernen;
• Forscher, die eine schnelle Vergleich der Teamkonfigurationen über eine Drag-and-Drop-Oberfläche wünschen;
• Teams, die bestehende AutoGen-Projekte warten und eine visuelle Debugging-Möglichkeit benötigen;
• Ingenieure, die bereit sind, das Prototyp zu einer Python-Anwendung umzubauen und über Fähigkeiten im sicheren Entwickeln verfügen;
• Benutzer, die Kursvorführungen, Paper-Experimente und interne Konzeptvalidierungen durchführen.

Vorteile und Einschränkungen bei der Verwendung

• Die Vorteile von AutoGenStudio sind seine Open-Source-Natur, die Möglichkeit zur lokalen Ausführung, eine breite Kompatibilität mit verschiedenen Modellen sowie die Umwandlung komplexer Agenten, Tools, Teams und Beendigungsbedingungen in visualisierbare Komponenten.
• Playground und die Exportfunktionen für Konfigurationen senken die Hürden für das Erstellen von Mehr-Agenten-Prototypen.
• Die Hauptbeschränkungen sind, dass es sich nicht um ein für die Produktion bereites Produkt handelt, dass die Sicherheitsfunktionen sowie die Funktionen für mehrere Benutzer unzureichend sind, und dass AutoGen bereits im Wartungsmodus ist.
• Mehr-Agenten sind nicht von Natur aus besser als ein einzelner Agent – sie führen oft zu Verzögerungen, höheren Tokenkosten sowie fehlerhaften Verbindungen.
• Neue Projekte sollten es als Experimentierwerkzeug verwenden und nicht als Standard-Produktionsstack.

Häufige Fragen

Ist AutoGen Studio kostenlos?

Die Software ist kostenlos und unterliegt der MIT-Lizenz, doch Modelle-APIs, lokale GPUs, Cloud-Server sowie Tools Dritter können Kosten verursachen.

Braucht AutoGen Studio eine API-Key?

Beim Verbinden von Geschäftsmodellen sind entsprechende Schlüssel erforderlich; bei der Verwendung lokaler, OpenAI-kompatibler Modellservices sind keine externen Modell-Schlüssel nötig, es werden jedoch weiterhin lokale Rechenressourcen benötigt.

Kann AutoGen Studio direkt für die Produktion verwendet werden?

Nicht empfohlen. Offiziell wird es als Forschungsprototyp eingestuft; es fehlen vollständige Zertifizierungen, Sicherheitsmaßnahmen, Berechtigungen sowie Prozesse zur Produktverwaltung. Es muss auf der Grundlage eines Frameworks neu konstruiert werden.

Wird AutoGen noch aktualisiert?

AutoGen befindet sich derzeit im Wartungsmodus und konzentriert sich hauptsächlich auf die Behebung von Fehlern sowie auf die Pflege der Community; es wird nicht mehr als erste Wahl für neue Funktionen genutzt. Neue Nutzer sollten das Microsoft Agent Framework in Betracht ziehen.

Was ist der Unterschied zwischen AutoGen Studio und AutoGen?

AutoGen ist ein Framework für intelligente Agenten in Python/.NET sowie die dazugehörigen Komponenten, während Studio eine visuelle Prototyp-Interface ist, die auf AgentChat basiert.