OllamaとAutoGenを連携させる方法｜会話駆動型マルチエージェントをローカルLLMでLinuxサーバーに構築する手順

この記事のポイント

・AutoGenはOllamaのOpenAI互換API（localhost:11434/v1）に接続するだけでローカル推論が使える
・config_listに`"price": [0, 0]`を必ず追加してコスト計算エラーを回避する
・GroupChatはmax_roundとmax_consecutive_auto_replyで無限ループを防ぐ
・コード実行は`use_docker: False`でDockerなし環境でも安全に動作させられる

# Ollamaサービスの状態確認
$ systemctl status ollama
* ollama.service - Ollama Service
     Loaded: loaded (/etc/systemd/system/ollama.service; enabled; ...)
     Active: active (running) since 2026-07-23 09:00:12 JST; 2h ago

# OpenAI互換エンドポイントの疎通テスト
$ curl -s http://localhost:11434/v1/models | python3 -m json.tool | head -20
{
    "object": "list",
    "data": [
        {
            "id": "llama3.3:70b-instruct-q4_K_M",
            "object": "model",
            "created": 1753225212,
            "owned_by": "library"
        }
    ]
}

# Pythonバージョン確認（3.10以上が必要）
$ python3 --version
Python 3.12.3

# 仮想環境を作成
$ python3 -m venv /opt/autogen-venv

# 仮想環境を有効化
$ source /opt/autogen-venv/bin/activate

# pipを最新化
(autogen-venv) $ pip install --upgrade pip
Successfully installed pip-24.3.1

# pyautogen（v0.2系）をインストール
(autogen-venv) $ pip install pyautogen

# インストール確認
(autogen-venv) $ python3 -c "import autogen; print(autogen.__version__)"
0.2.40

# /opt/autogen-venv/scripts/ollama_config.py

config_list = [
    {
        "model": "llama3.3:70b-instruct-q4_K_M",
        "base_url": "http://localhost:11434/v1",
        "api_key": "ollama",    # Ollamaはキー不要だが空文字はエラーになるため設定
        "price": [0, 0],        # トークンコスト計算を無効化（未設定だとエラー）
    }
]

llm_config = {
    "config_list": config_list,
    "cache_seed": None,     # キャッシュ無効（毎回フレッシュな推論）
    "timeout": 180,         # 推論タイムアウト（秒）
}

# /opt/autogen-venv/scripts/basic_agent.py
from autogen import AssistantAgent, UserProxyAgent

config_list = [
    {
        "model": "llama3.3:70b-instruct-q4_K_M",
        "base_url": "http://localhost:11434/v1",
        "api_key": "ollama",
        "price": [0, 0],
    }
]

llm_config = {
    "config_list": config_list,
    "cache_seed": None,
    "timeout": 180,
}

# AssistantAgent: LLMが応答・コード生成を担当
assistant = AssistantAgent(
    name="assistant",
    llm_config=llm_config,
    system_message=(
        "あなたはLinuxサーバー管理の専門家です。"
        "シェルスクリプトやPythonコードで問題を解決してください。"
        "解決が完了したら最後のメッセージに TERMINATE と入力してください。"
    ),
)

# UserProxyAgent: 人間の代理。コード実行も担当
user_proxy = UserProxyAgent(
    name="user_proxy",
    human_input_mode="NEVER",           # 人間の入力を要求しない（完全自動）
    max_consecutive_auto_reply=5,        # 最大5回の自動返信で停止
    code_execution_config={
        "work_dir": "/tmp/autogen_workspace",
        "use_docker": False,             # Dockerなしでローカル実行
    },
    is_termination_msg=lambda msg: "TERMINATE" in msg.get("content", ""),
)

# タスクを開始
user_proxy.initiate_chat(
    assistant,
    message="ディスク使用量の上位5ディレクトリを調べるシェルスクリプトを作成し、実行してください。",
)

(autogen-venv) $ mkdir -p /tmp/autogen_workspace
(autogen-venv) $ python3 /opt/autogen-venv/scripts/basic_agent.py

user_proxy (to assistant):
ディスク使用量の上位5ディレクトリを調べるシェルスクリプトを作成し、実行してください。

--------------------------------------------------------------------------------
assistant (to user_proxy):
以下のスクリプトを実行します。

```bash
du -sh /* 2>/dev/null | sort -rh | head -5
```

（user_proxyがコードを実行し、結果をassistantへ返す）

assistant (to user_proxy):
結果を確認しました。上位5ディレクトリは ... （分析と説明が続く）
...
TERMINATE

# /opt/autogen-venv/scripts/groupchat_agent.py
from autogen import AssistantAgent, UserProxyAgent, GroupChat, GroupChatManager

config_list = [
    {
        "model": "llama3.3:70b-instruct-q4_K_M",
        "base_url": "http://localhost:11434/v1",
        "api_key": "ollama",
        "price": [0, 0],
    }
]
llm_config = {"config_list": config_list, "cache_seed": None, "timeout": 180}

# 役割を持つAssistantAgentを3体定義
planner = AssistantAgent(
    name="planner",
    llm_config=llm_config,
    system_message=(
        "あなたはタスク計画の専門家です。目標を達成するための詳細なステップを計画してください。"
        "実装はcoderに任せ、計画のみを提示してください。"
    ),
)

coder = AssistantAgent(
    name="coder",
    llm_config=llm_config,
    system_message=(
        "あなたはPythonとシェルスクリプトの専門家です。"
        "plannerの計画に従って、実際に動作するコードを書いてください。"
    ),
)

reviewer = AssistantAgent(
    name="reviewer",
    llm_config=llm_config,
    system_message=(
        "あなたはコードレビューの専門家です。coderが書いたコードのセキュリティ・効率性・"
        "可読性をレビューし、改善点を指摘してください。"
        "問題がなければ LGTM と回答し、その後 TERMINATE と入力してください。"
    ),
)

user_proxy = UserProxyAgent(
    name="user_proxy",
    human_input_mode="NEVER",
    max_consecutive_auto_reply=10,
    code_execution_config={
        "work_dir": "/tmp/autogen_workspace",
        "use_docker": False,
    },
    is_termination_msg=lambda msg: "TERMINATE" in msg.get("content", ""),
)

# GroupChatを作成（最大15ラウンド）
groupchat = GroupChat(
    agents=[user_proxy, planner, coder, reviewer],
    messages=[],
    max_round=15,
)

manager = GroupChatManager(
    groupchat=groupchat,
    llm_config=llm_config,
)

# タスク開始
user_proxy.initiate_chat(
    manager,
    message="Nginxのアクセスログから直近1時間のエラー率を集計するPythonスクリプトを作成してください。",
)

(autogen-venv) $ python3 /opt/autogen-venv/scripts/groupchat_agent.py

user_proxy (to chat_manager):
Nginxのアクセスログから直近1時間のエラー率を集計するPythonスクリプトを作成してください。

planner (to chat_manager):
以下のステップで実装します:
1. /var/log/nginx/access.log を読み込む
2. タイムスタンプをパースして直近1時間のエントリを抽出する
3. ステータスコード 4xx・5xx をカウントする
4. エラー率（エラー数/総リクエスト数）を計算して出力する

coder (to chat_manager):
plannerの計画に従ったPythonスクリプトを作成します。
... （コードブロックが続く）

reviewer (to chat_manager):
コードのレビュー結果: セキュリティ上の問題なし。効率性も問題なし。LGTM
TERMINATE

# 専用の作業ディレクトリを作成（/tmp ではなく固定パスを推奨）
$ sudo mkdir -p /opt/autogen_workspace
$ sudo chown $USER:$USER /opt/autogen_workspace
$ chmod 750 /opt/autogen_workspace

# ディレクトリのパーミッション確認
$ ls -ld /opt/autogen_workspace
drwxr-x--- 2 ubuntu ubuntu 4096 Jul 23 09:15 /opt/autogen_workspace

# GroupChatとUserProxyAgent、両方にループ制限を設定する
groupchat = GroupChat(
    agents=[...],
    messages=[],
    max_round=15,               # 全エージェント合計の最大発言回数
)

user_proxy = UserProxyAgent(
    name="user_proxy",
    human_input_mode="NEVER",
    max_consecutive_auto_reply=5,   # user_proxyの連続自動返信上限
    is_termination_msg=lambda msg: (
        "TERMINATE" in msg.get("content", "") or
        "完了しました" in msg.get("content", "")   # 日本語終了キーワードも追加
    ),
    code_execution_config={
        "work_dir": "/opt/autogen_workspace",
        "use_docker": False,
    },
)

# ログ保存ディレクトリを事前に作成
$ sudo mkdir -p /var/log/autogen
$ sudo chown $USER:$USER /var/log/autogen

# Pythonスクリプト内でinitiate_chat後に会話履歴を保存する
import json
from datetime import datetime

timestamp = datetime.now().strftime("%Y%m%d_%H%M%S")
log_path = f"/var/log/autogen/chat_{timestamp}.json"

with open(log_path, "w", encoding="utf-8") as f:
    json.dump(user_proxy.chat_messages, f, ensure_ascii=False, indent=2)

print(f"会話ログを保存しました: {log_path}")

AutoGenとOllamaを使った会話型エージェントを2日間のハンズオンで体験する

ローカルLLMのエージェント構築は、理論を読むより手を動かして体験する方が定着が早い。GroupChatによる複数エージェントの設計や、コード実行エージェントの高度な設定を実機GPU環境で手を動かしながら習得したい方向けに、「ローカルAIマスターセミナー」を開催しています。
少人数（最大8名）ZOOMハンズオン形式で実施しています。