 轻松构建可信的智能代理：AgentScope框架介绍
什么是 AgentScope？
AgentScope 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():toolkit=Toolkit()toolkit.register_tool_function(execute_python_code)toolkit.register_tool_function(execute_shell_command)agent=ReActAgent(name="Friday",sys_prompt="You're a helpful assistant named Friday.",model=DashScopeChatModel(model_name="qwen-max",api_key=os.environ["DASHSCOPE_API_KEY"],stream=True,),memory=InMemoryMemory(),formatter=DashScopeChatFormatter(),toolkit=toolkit,)user=UserAgent(name="user")msg=NonewhileTrue:msg=awaitagent(msg)msg=awaituser(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client=HttpStatelessClient(name="gaode_mcp",transport="streamable_http",url=f"https://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func=awaitclient.get_callable_function(func_name="maps_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toolkit=Toolkit()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。 | Qwen3-0.6B | AIME-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],announcement=Msg("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。