什么是 AgentScopeAgentScope 是一个生产就绪的、易于使用的代理框架它提供了与不断增强的模型能力相兼容的基本抽象并且内置支持微调功能。我们为越来越具代理性的语言模型LLMs设计这种框架方法是利用模型的推理和工具使用能力而不是通过严格的提示和有偏见的协调来限制它们。为什么选择 AgentScope简单易用只需 5 分钟即可开始构建您的代理提供内置的 ReAct 代理、工具、技能、人类干预、内存、规划、实时语音、评估以及模型微调等功能。可扩展性大量的生态系统集成功能支持工具、内存和可观察性内置的 MCP 和 A2A 支持灵活的多代理协调和工作流信息传递。生产就绪可以在本地、云中无服务器部署或者在您的 K8s 集群上运行代理支持的 OTel 功能。AgentScope 生态系统快速入门安装AgentScope 需要Python 3.10或更高版本。从 PyPI 安装pipinstallagentscope或者使用uv安装uv pipinstallagentscope从源代码安装# 从 GitHub 克隆源代码gitclone-bmain https://github.com/agentscope-ai/agentscope.git# 以可编辑模式安装包cdagentscope pipinstall-e.示例Hello AgentScope!开始与一个名为 “Friday” 的 ReAct 代理的对话 fromagentscope.agentimportReActAgent,UserAgentfromagentscope.modelimportDashScopeChatModelfromagentscope.formatterimportDashScopeChatFormatterfromagentscope.memoryimportInMemoryMemoryfromagentscope.toolimportToolkit,execute_python_code,execute_shell_commandimportos,asyncioasyncdefmain():toolkitToolkit()toolkit.register_tool_function(execute_python_code)toolkit.register_tool_function(execute_shell_command)agentReActAgent(nameFriday,sys_promptYoure a helpful assistant named Friday.,modelDashScopeChatModel(model_nameqwen-max,api_keyos.environ[DASHSCOPE_API_KEY],streamTrue,),memoryInMemoryMemory(),formatterDashScopeChatFormatter(),toolkittoolkit,)userUserAgent(nameuser)msgNonewhileTrue:msgawaitagent(msg)msgawaituser(msg)ifmsg.get_text_content()exit:breakasyncio.run(main())语音代理创建一个支持语音的 ReAct 代理可以理解并以语音回应甚至可以通过语音互动进行多代理的狼人游戏。实时语音代理构建一个具有 Web 界面的实时语音代理可以通过语音输入和输出与用户互动。实时聊天机器人示例 | 实时多代理示例人工干预支持 ReActAgent 中的实时干预可以通过取消在实时中中断对话并通过健壮的记忆保留无缝恢复。灵活的 MCP 使用使用单个 MCP 工具作为本地可调用函数来组合工具包或包装成更复杂的工具。fromagentscope.mcpimportHttpStatelessClientfromagentscope.toolimportToolkitimportosasyncdeffine_grained_mcp_control():# 初始化 MCP 客户端clientHttpStatelessClient(namegaode_mcp,transportstreamable_http,urlfhttps://mcp.amap.com/mcp?key{os.environ[GAODE_API_KEY]},)# 将 MCP 工具作为**本地可调用函数**并随处使用funcawaitclient.get_callable_function(func_namemaps_geo)# 选项 1直接调用awaitfunc(address天安门广场,city北京)# 选项 2作为工具传递给代理toolkitToolkit()toolkit.register_tool_function(func)# ...# 选项 3包装成更复杂的工具# ...代理化强化学习通过与强化学习的集成无缝训练代理应用程序。我们还准备了多个示例项目涵盖各种场景示例描述模型训练结果数学代理调整数学求解代理的多步骤推理能力。Qwen3-0.6B准确率75% → 85%冰冻湖训练一个代理在冰冻湖环境中导航。Qwen2.5-3B-Instruct成功率15% → 86%学习提问使用 LLM 作为裁判的调整代理获得自动反馈。Qwen2.5-7B-Instruct准确率47% → 92%电子邮件搜索提高工具使用能力免标签的数据真值。Qwen3-4B-Instruct-2507准确率60%狼人游戏训练代理进行战略多代理游戏互动。Qwen2.5-7B-Instruct狼人的胜率50% → 80%数据增强生成合成训练数据以提升调整结果。Qwen3-0.6BAIME-24 准确率20% → 60%多代理工作流AgentScope 提供MsgHub和管道简化多代理之间的对话提供高效的消息路由和无缝的信息共享。fromagentscope.pipelineimportMsgHub,sequential_pipelinefromagentscope.messageimportMsgimportasyncioasyncdefmulti_agent_conversation():# 创建代理agent1...agent2...agent3...agent4...# 创建消息中心以管理多代理对话asyncwithMsgHub(participants[agent1,agent2,agent3],announcementMsg(主持人,请自我介绍。,assistant))ashub:# 顺序发言awaitsequential_pipeline([agent1,agent2,agent3])# 动态管理参与者hub.add(agent4)hub.delete(agent3)awaithub.broadcast(Msg(主持人,再见,assistant))asyncio.run(multi_agent_conversation())更多示例与功能在以下方面提供多个示例与功能功能性如 MCP 和 长时记忆。代理如 ReAct 代理 和 语音代理。游戏如 九人狼人游戏。工作流如 多代理辩论。同类项目介绍在构建智能代理和多代理系统的领域AgentScope 并不是唯一的选择。我们还可以关注其他一些优秀的开源项目Haystack专注于构建搜索和问答系统支持多种后端和增强功能。LangChain提供强大的工具用于创建应用程序通过大语言模型与外部数据和API进行交互。Rasa一个开源的机器学习框架专注于构建语音助手和聊天机器人具有强大的对话管理功能。这些项目各有特点针对不同的使用场景和需求开发者可以根据自己的需求选择合适的框架。通过结合这些工具开发者可以创建出更加强大和灵活的代理系统。