多智能体框架从0到1用AgentScope 2.0构建看得见、可信任的智能体系统【免费下载链接】agentscopeBuild and run agents you can see, understand and trust.项目地址: https://gitcode.com/GitHub_Trending/ag/agentscope如果你正在寻找一个既能快速上手、又能直接搬进生产环境的多智能体框架AgentScope 2.0值得你花几分钟读完这篇文章。它是一个面向真实业务的开源项目核心理念浓缩成一句话让开发者构建并运行看得见、能理解、信得过的智能体——不靠死板的提示词模板而是充分信任大模型自己的推理与工具调用能力。先讲一个让人抓狂的真实场景想象你在做这样一个功能让AI根据用户提问自动查资料、算数据、写代码最后给出结论。听起来不难等你真把两三个智能体凑到一起就会发现——它们各说各话没人清楚谁该干什么工具满天飞一次失误可能让AI执行了不该执行的命令出问题时完全黑盒不知道模型想了什么、调了什么、错在哪一步好不容易跑通Demo一提到上线就头大部署、监控、多租户、数据持久化全是新坑。这些正是AgentScope 2.0想要一次性解决的事。它不是一个玩具框架而是一套把模型接入、工具调用、权限管控、多智能体协作、生产部署全链路打包好的多智能体框架。下面我们直接从动手开始。快速上手多智能体框架五分钟跑通第一个智能体安装只需要一条命令需要 Python 3.11 及以上版本pip install agentscope[full]想直接基于源码体验完整功能也可以克隆仓库后以可编辑模式安装git clone https://gitcode.com/GitHub_Trending/ag/agentscope cd agentscope pip install -e .接下来是本文第一个、也是你写的第一个智能体——给它起个名字配一个模型再挂上几个工具它立刻就能干活import os, asyncio from agentscope.agent import Agent from agentscope.tool import Toolkit, Bash, Read, Write from agentscope.credential import DashScopeCredential from agentscope.model import DashScopeChatModel from agentscope.message import UserMsg async def main(): # 组装一个会动手的智能体模型负责思考工具负责执行 agent Agent( nameFriday, system_prompt你是一个乐于助人的助手。, modelDashScopeChatModel( credentialDashScopeCredential(api_keyos.environ[DASHSCOPE_API_KEY]), modelqwen3.6-plus, ), toolkitToolkit(tools[Bash(), Read(), Write()]), ) # 用事件流拿到思考过程而不是只拿到最终答案 async for evt in agent.reply_stream(UserMsg(Tony, 帮我看看当前目录有哪些文件)): print(evt) asyncio.run(main())注意到那个reply_stream了吗这是AgentScope的关键设计之一整个推理过程会以事件流的形式源源不断推送给你——模型调用了哪个工具、输出了哪段文字、什么时候结束全程可见。这就是看得见的智能体。一个贯穿全文的案例从零搭一个智能客服助手光有Hello World还不够接下来我们带着一个真实目标走完全程做一个智能客服助手。它会贯穿下面所有章节你会发现每一步AgentScope都已经替你铺好了路。第一步接入模型让它先开口智能客服的第一件事是会说人话。AgentScope在模型层做了统一抽象主流厂商几乎全覆盖OpenAI、Anthropic、Gemini、DeepSeek、DashScope通义千问、Moonshot、xAI甚至本地跑Ollama也行。换模型基本只改一行配置业务逻辑完全不用动。不只聊天模型——Embedding向量嵌入和TTS语音合成也是同等待遇这意味着多模态客服读图、语音问答顺理成章。token计数、成本控制这类细节框架也替你处理好了。第二步给助手装上手脚智能体工具调用与权限控制只会聊天的客服撑不起业务。真正的智能体要能查订单、翻文档、跑脚本。AgentScope内置了一套开箱即用的工具集Shell命令执行、文件读写与编辑、Grep/Glob搜索……全是编码场景的高频操作。更关键的是工具之上的权限系统。你可以对每个工具配置细粒度的访问规则比如只允许读不允许写只允许在指定目录执行命令。系统还支持多种运行模式需要人工确认、自动放行以及bypass端到端全自动模式——在可信环境里让智能体一气呵成不用每步都停下来等确认。第三步高风险动作先过人这一关客服助手偶尔会碰到拿不准的请求比如帮我删除这条用户记录。此时系统会暂停下来把请求以消息形式推给管理员确认批准后才继续执行。这就是HITL人在环机制配合事件系统整个请求-审批过程都有完整留痕事后可追溯。支撑这一切的还有中间件机制回复、推理、行动、模型调用、权限检查、上下文压缩、系统提示注入……每个环节都是一个可组合的钩子你可以像搭积木一样插入自定义逻辑。想实现每次回复前先查一下用户画像写一个中间件挂上去即可。第四步从单兵作战到多智能体协作单个客服搞不定的事就让团队上。AgentScope的智能体团队采用Leader–Worker编排Leader接到任务后派生多个Worker分工执行再通过内置的团队工具汇总结果。你只需要给它一句指令它自己会决定怎么拆、怎么派、怎么合。比如让客服团队做一份本周用户反馈分析报告Leader会把任务拆成数据统计情感分析报告撰写几个子任务分发给不同Worker最后汇总成一份完整输出——这就是112的典型场景。第五步复杂任务规划与后台执行面对整理一份竞品调研并生成PPT这种复杂任务智能体会自动拆解成可追踪的计划边执行边更新进度你可以随时暂停、恢复或取消。任务进度不再是黑盒。更贴心的是后台任务卸载那些要跑很久的工具比如长耗时脚本、批量数据处理会自动转入后台执行完成后唤醒智能体继续对话不会傻傻干等。揭开引擎盖这套多智能体框架为什么好扩展体验过之后我们来看看它的分层设计。AgentScope的架构可以粗分为五层每层各司其职、互不越界层次主要组件负责什么模型层Chat / Embedding / TTS统一接入各类大模型与语音能力智能体层ReAct引擎、权限、中间件推理循环、批量行动、行为管控工具层内置工具、MCP、SkillBash、文件、搜索、任务规划等能力扩展存储层SQL / NoSQL / 向量库会话、状态、知识库的持久化部署层本地 / Docker / K8s 等不同规模环境的运行载体这张图里还有两个值得注意的点。一是事件系统所有推理、工具调用、多模态内容文本/图像/音频都通过统一事件总线流式推送前端UI和后端逻辑因此可以彻底解耦。二是工作空间/沙箱工具和代码执行默认跑在隔离环境里本地、Docker、Apple Container、Bubblewrap、E2B、OpenSandbox、Daytona、K8s八种后端按需切换安全性与灵活性兼得。生产环境部署智能体从Demo到真正上线如果只做单机Demo上面的内容已经够了但要把智能客服真正上线还需要回答几个问题。多租户与多会话AgentScope自带一个基于FastAPI的智能体服务天然支持多租户、多会话隔离还附带一套预构建的Web UI在examples/web_ui目录下启动方式cd examples/agent_service python main.py # 启动后端服务 cd examples/web_ui pnpm install pnpm dev # 启动前端界面接入IM渠道想让客服出现在飞书、Discord里消息渠道层直接支持飞书Lark、Discord还能自定义渠道和消息路由。知识库内置RAG服务Blob存储 索引Worker 多租户检索一条龙文档上传后自动切块、向量化、可检索。持久化与调度会话状态支持SQL/NoSQL存储定时任务、智能体唤醒、后台任务调度都有现成实现。扩展生态通过MCP与Skill HubGitHub MCP Registry、ClawHub浏览、安装、复用现成的工具与技能。部署方式怎么选一句话总结本地运行开发和联调阶段足够Docker部署标准化交付、环境隔离适合中小规模线上服务Kubernetes部署多实例水平扩展、滚动更新、故障自愈适合大规模集群。可观测性方面框架内置OpenTelemetry集成配合结构化日志与健康检查端点从请求追踪到性能指标都有据可查——这正是可信任的底气。踩坑提醒几个上线前的检查项多进程部署时默认的内存消息总线要换成Redis消息总线否则事件会在进程间走丢向量库如Qdrant建议单独规划存储位置别和业务库挤在一起权限策略先收紧再放宽先拒绝、后放行比出事后再补救成本低得多。常见问题快问快答QAgentScope适合零基础的新手吗A适合。安装一条命令最小示例十几行代码文档和示例都配套齐全。Q只能在云端用吗A不是本地、云端、K8s都支持配合Ollama还能在无外网环境跑模型。Q智能体工具调用安全吗A权限系统提供细粒度控制、人工确认、bypass多种模式安全等级由你自己定。Q现有团队代码能迁移过来吗A中间件机制让你以钩子方式插入现有逻辑团队编排、RAG、记忆支持ReMe、Mem0等后端都是现成模块迁移成本可控。最佳实践清单单一职责一个智能体只专注一类任务复杂需求交给团队协作接口先行把输入输出规范定清楚再谈实现监控前置从开发第一天就接入事件流和日志别等上线再补权限最小化按需授权工具能读就不给写状态有界明确每个智能体的生命周期会话数据该持久化就持久化。下一步去哪里继续深入想要更多真实用法看看 examples/ 下的智能体服务、RAG、长期记忆等完整示例想了解版本演进docs/NEWS_zh.md 记录了每个版本的更新要点想自己参与改进CONTRIBUTING_zh.md 是给贡献者准备的入口。一句话收尾多智能体框架的难点从来不是能不能跑通Demo而是能不能让人看懂、让人信任、让人敢上线。AgentScope 2.0把这三件事做成了默认选项剩下的就交给你的想象力了。【免费下载链接】agentscopeBuild and run agents you can see, understand and trust.项目地址: https://gitcode.com/GitHub_Trending/ag/agentscope创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 多智能体框架从0到1：用AgentScope 2.0构建看得见、可信任的智能体系统
多智能体框架从0到1用AgentScope 2.0构建看得见、可信任的智能体系统【免费下载链接】agentscopeBuild and run agents you can see, understand and trust.项目地址: https://gitcode.com/GitHub_Trending/ag/agentscope如果你正在寻找一个既能快速上手、又能直接搬进生产环境的多智能体框架AgentScope 2.0值得你花几分钟读完这篇文章。它是一个面向真实业务的开源项目核心理念浓缩成一句话让开发者构建并运行看得见、能理解、信得过的智能体——不靠死板的提示词模板而是充分信任大模型自己的推理与工具调用能力。先讲一个让人抓狂的真实场景想象你在做这样一个功能让AI根据用户提问自动查资料、算数据、写代码最后给出结论。听起来不难等你真把两三个智能体凑到一起就会发现——它们各说各话没人清楚谁该干什么工具满天飞一次失误可能让AI执行了不该执行的命令出问题时完全黑盒不知道模型想了什么、调了什么、错在哪一步好不容易跑通Demo一提到上线就头大部署、监控、多租户、数据持久化全是新坑。这些正是AgentScope 2.0想要一次性解决的事。它不是一个玩具框架而是一套把模型接入、工具调用、权限管控、多智能体协作、生产部署全链路打包好的多智能体框架。下面我们直接从动手开始。快速上手多智能体框架五分钟跑通第一个智能体安装只需要一条命令需要 Python 3.11 及以上版本pip install agentscope[full]想直接基于源码体验完整功能也可以克隆仓库后以可编辑模式安装git clone https://gitcode.com/GitHub_Trending/ag/agentscope cd agentscope pip install -e .接下来是本文第一个、也是你写的第一个智能体——给它起个名字配一个模型再挂上几个工具它立刻就能干活import os, asyncio from agentscope.agent import Agent from agentscope.tool import Toolkit, Bash, Read, Write from agentscope.credential import DashScopeCredential from agentscope.model import DashScopeChatModel from agentscope.message import UserMsg async def main(): # 组装一个会动手的智能体模型负责思考工具负责执行 agent Agent( nameFriday, system_prompt你是一个乐于助人的助手。, modelDashScopeChatModel( credentialDashScopeCredential(api_keyos.environ[DASHSCOPE_API_KEY]), modelqwen3.6-plus, ), toolkitToolkit(tools[Bash(), Read(), Write()]), ) # 用事件流拿到思考过程而不是只拿到最终答案 async for evt in agent.reply_stream(UserMsg(Tony, 帮我看看当前目录有哪些文件)): print(evt) asyncio.run(main())注意到那个reply_stream了吗这是AgentScope的关键设计之一整个推理过程会以事件流的形式源源不断推送给你——模型调用了哪个工具、输出了哪段文字、什么时候结束全程可见。这就是看得见的智能体。一个贯穿全文的案例从零搭一个智能客服助手光有Hello World还不够接下来我们带着一个真实目标走完全程做一个智能客服助手。它会贯穿下面所有章节你会发现每一步AgentScope都已经替你铺好了路。第一步接入模型让它先开口智能客服的第一件事是会说人话。AgentScope在模型层做了统一抽象主流厂商几乎全覆盖OpenAI、Anthropic、Gemini、DeepSeek、DashScope通义千问、Moonshot、xAI甚至本地跑Ollama也行。换模型基本只改一行配置业务逻辑完全不用动。不只聊天模型——Embedding向量嵌入和TTS语音合成也是同等待遇这意味着多模态客服读图、语音问答顺理成章。token计数、成本控制这类细节框架也替你处理好了。第二步给助手装上手脚智能体工具调用与权限控制只会聊天的客服撑不起业务。真正的智能体要能查订单、翻文档、跑脚本。AgentScope内置了一套开箱即用的工具集Shell命令执行、文件读写与编辑、Grep/Glob搜索……全是编码场景的高频操作。更关键的是工具之上的权限系统。你可以对每个工具配置细粒度的访问规则比如只允许读不允许写只允许在指定目录执行命令。系统还支持多种运行模式需要人工确认、自动放行以及bypass端到端全自动模式——在可信环境里让智能体一气呵成不用每步都停下来等确认。第三步高风险动作先过人这一关客服助手偶尔会碰到拿不准的请求比如帮我删除这条用户记录。此时系统会暂停下来把请求以消息形式推给管理员确认批准后才继续执行。这就是HITL人在环机制配合事件系统整个请求-审批过程都有完整留痕事后可追溯。支撑这一切的还有中间件机制回复、推理、行动、模型调用、权限检查、上下文压缩、系统提示注入……每个环节都是一个可组合的钩子你可以像搭积木一样插入自定义逻辑。想实现每次回复前先查一下用户画像写一个中间件挂上去即可。第四步从单兵作战到多智能体协作单个客服搞不定的事就让团队上。AgentScope的智能体团队采用Leader–Worker编排Leader接到任务后派生多个Worker分工执行再通过内置的团队工具汇总结果。你只需要给它一句指令它自己会决定怎么拆、怎么派、怎么合。比如让客服团队做一份本周用户反馈分析报告Leader会把任务拆成数据统计情感分析报告撰写几个子任务分发给不同Worker最后汇总成一份完整输出——这就是112的典型场景。第五步复杂任务规划与后台执行面对整理一份竞品调研并生成PPT这种复杂任务智能体会自动拆解成可追踪的计划边执行边更新进度你可以随时暂停、恢复或取消。任务进度不再是黑盒。更贴心的是后台任务卸载那些要跑很久的工具比如长耗时脚本、批量数据处理会自动转入后台执行完成后唤醒智能体继续对话不会傻傻干等。揭开引擎盖这套多智能体框架为什么好扩展体验过之后我们来看看它的分层设计。AgentScope的架构可以粗分为五层每层各司其职、互不越界层次主要组件负责什么模型层Chat / Embedding / TTS统一接入各类大模型与语音能力智能体层ReAct引擎、权限、中间件推理循环、批量行动、行为管控工具层内置工具、MCP、SkillBash、文件、搜索、任务规划等能力扩展存储层SQL / NoSQL / 向量库会话、状态、知识库的持久化部署层本地 / Docker / K8s 等不同规模环境的运行载体这张图里还有两个值得注意的点。一是事件系统所有推理、工具调用、多模态内容文本/图像/音频都通过统一事件总线流式推送前端UI和后端逻辑因此可以彻底解耦。二是工作空间/沙箱工具和代码执行默认跑在隔离环境里本地、Docker、Apple Container、Bubblewrap、E2B、OpenSandbox、Daytona、K8s八种后端按需切换安全性与灵活性兼得。生产环境部署智能体从Demo到真正上线如果只做单机Demo上面的内容已经够了但要把智能客服真正上线还需要回答几个问题。多租户与多会话AgentScope自带一个基于FastAPI的智能体服务天然支持多租户、多会话隔离还附带一套预构建的Web UI在examples/web_ui目录下启动方式cd examples/agent_service python main.py # 启动后端服务 cd examples/web_ui pnpm install pnpm dev # 启动前端界面接入IM渠道想让客服出现在飞书、Discord里消息渠道层直接支持飞书Lark、Discord还能自定义渠道和消息路由。知识库内置RAG服务Blob存储 索引Worker 多租户检索一条龙文档上传后自动切块、向量化、可检索。持久化与调度会话状态支持SQL/NoSQL存储定时任务、智能体唤醒、后台任务调度都有现成实现。扩展生态通过MCP与Skill HubGitHub MCP Registry、ClawHub浏览、安装、复用现成的工具与技能。部署方式怎么选一句话总结本地运行开发和联调阶段足够Docker部署标准化交付、环境隔离适合中小规模线上服务Kubernetes部署多实例水平扩展、滚动更新、故障自愈适合大规模集群。可观测性方面框架内置OpenTelemetry集成配合结构化日志与健康检查端点从请求追踪到性能指标都有据可查——这正是可信任的底气。踩坑提醒几个上线前的检查项多进程部署时默认的内存消息总线要换成Redis消息总线否则事件会在进程间走丢向量库如Qdrant建议单独规划存储位置别和业务库挤在一起权限策略先收紧再放宽先拒绝、后放行比出事后再补救成本低得多。常见问题快问快答QAgentScope适合零基础的新手吗A适合。安装一条命令最小示例十几行代码文档和示例都配套齐全。Q只能在云端用吗A不是本地、云端、K8s都支持配合Ollama还能在无外网环境跑模型。Q智能体工具调用安全吗A权限系统提供细粒度控制、人工确认、bypass多种模式安全等级由你自己定。Q现有团队代码能迁移过来吗A中间件机制让你以钩子方式插入现有逻辑团队编排、RAG、记忆支持ReMe、Mem0等后端都是现成模块迁移成本可控。最佳实践清单单一职责一个智能体只专注一类任务复杂需求交给团队协作接口先行把输入输出规范定清楚再谈实现监控前置从开发第一天就接入事件流和日志别等上线再补权限最小化按需授权工具能读就不给写状态有界明确每个智能体的生命周期会话数据该持久化就持久化。下一步去哪里继续深入想要更多真实用法看看 examples/ 下的智能体服务、RAG、长期记忆等完整示例想了解版本演进docs/NEWS_zh.md 记录了每个版本的更新要点想自己参与改进CONTRIBUTING_zh.md 是给贡献者准备的入口。一句话收尾多智能体框架的难点从来不是能不能跑通Demo而是能不能让人看懂、让人信任、让人敢上线。AgentScope 2.0把这三件事做成了默认选项剩下的就交给你的想象力了。【免费下载链接】agentscopeBuild and run agents you can see, understand and trust.项目地址: https://gitcode.com/GitHub_Trending/ag/agentscope创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考