AgentScope 2.0 多智能体框架上手教程从第一个智能体到多租户服务【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给老板演示时多智能体 demo 惊艳全场可一谈上线你就心里没底这句话是谁说的、那次工具调用为什么失败、现场怎么还原AgentScope 2.0 就是一个为生产场景准备的多智能体框架它把智能体的推理、工具调用、协作过程全部变成可流式观察的事件流再配上细粒度权限控制和沙箱隔离让智能体真正能跑进线上。它是个什么取向的框架发积木不替你画图纸AgentScope 2.0 的取向和传统编排框架正好相反它不用死板的提示词模板和固化流程去框住模型而是信任现代大模型自身的推理与工具调用能力框架只发积木怎么拼由你定。积木分两层摆着按需取用你的目标用哪一层里面有什么先在终端里让一个智能体跑起来SDK 层一个Agent加launch_console流式输出、工具调用确认、CtrlC 中断都替你处理好在自己的代码里组合多个智能体SDK 层ReAct 推理循环支持结构化输出、中断恢复、批量工具执行、ToolkitPython 工具 MCP 技能内置 shell、文件、搜索工具、Model统一接口覆盖 OpenAI、Anthropic、Gemini、DashScope、DeepSeek、Moonshot、xAI、Ollama 等厂商、权限引擎、事件系统、可组合中间件、ReMe / Mem0 长期记忆后端、Local / Docker / E2B / K8s 等沙箱工作区交给团队和多租户用户使用Agent Service 层FastAPI 后端 现成 Web UI多租户多会话、智能体团队、飞书 / 钉钉 / Discord 渠道、RAG 知识库、MCP 与技能市场、Redis / SQL 持久化、定时与后台任务最小示例三步跑起来装包、建智能体、开控制台对一个新框架最快的信任方式就是亲眼看到它跑起来。AgentScope 要求 Python 3.11环境低于这个版本就先升级别在旧环境里排查。git clone https://gitcode.com/GitHub_Trending/ag/agentscope cd agentscope uv pip install -e .最小程序就三件事建模型、建智能体、开控制台。from agentscope.agent import Agent from agentscope.model import DashScopeChatModel from agentscope.console import launch_console model DashScopeChatModel(credentialDashScopeCredential(api_keysk-...), modelqwen3.8-max) agent Agent(nameFriday, system_promptYoure a helpful assistant., modelmodel, toolkitToolkit(tools[Bash()])) await launch_console(agent)跑起来之后你在终端里看到的不是黑盒文本一个字一个字流出来工具调用先把要执行的命令弹给你确认结果再流回来CtrlC 随时停。launch_console把渲染、确认、中断这三件事全包了——这个终端窗口其实就是一个最小版的交互式界面。智能体怎么变自主给它 ReAct 循环和一套工具让智能体自主的办法很简单给它一个 ReAct 循环和一套工具剩下让它自己决定——想什么、调哪个工具、看结果、接着想。三个细节决定了这个循环好不好用批量工具调用模型一轮发出多个工具调用时框架会先分组再顺序或并发执行逻辑在 src/agentscope/agent/ 的_batch_tool_calls里而不是傻等一个跑完再跑下一个。结构化输出reply接受structured_schema参数让智能体直接返回符合 Pydantic 模型的结构你不用再去解析一段自由文本。可中断可恢复reply_stream是一个事件生成器用户确认、外部中断都能作为输入喂回去智能体从断点继续不从头重跑。权限规则怎么配才不静默失效权限在 AgentScope 里是引擎内置的一环不是事后补丁每次工具要执行前PermissionEngine都会基于PermissionContext模式 规则集过一道判定规则行为分三档——ALLOW放行、DENY拦截、ASK暂停等人确认。from agentscope.permission import ( PermissionEngine, PermissionContext, PermissionMode, PermissionRule, PermissionBehavior, ) engine PermissionEngine(PermissionContext(modePermissionMode.ACCEPT_EDITS)) engine.add_rule(PermissionRule(tool_nameBash, rule_contentgit:*, behaviorPermissionBehavior.ALLOW))模式从松到紧有这几档DEFAULT几乎每步都要你确认最严ACCEPT_EDITS自动放行工作目录里的文件读写EXPLORE只读禁止任何修改DONT_ASK把所有问直接转成拦无人值守也安全BYPASS跳过全部检查只留给沙箱。最容易翻车的点是匹配语义它跟着工具类型走。Bash 用前缀通配匹配命令所以写git:*放行 git 命令Read / Write / Edit 这类文件工具则对文件路径做 glob 匹配。模式语法写错一个字规则不会报错、不会警告只是悄悄不命中——看起来就像没生效。上线前拿一条本该触发的规则打一次真实调用做冒烟测试。事件流怎么落盘排查任何一步都能回放在 AgentScope 里黑盒基本不存在reply_stream持续产出细粒度事件——模型调用开始 / 结束、文本增量、思考块、工具调用块、工具结果增量——你看到的终端或前端都只是这条事件流上的一个渲染器。所以排查问题的方式变得很朴素把事件流落盘。谁在推理、调了哪个工具、结果是什么随时可以回放。生产级可观测性还有两层补充Tracing 中间件仓库内置 OpenTelemetry 兼容的追踪模块src/agentscope/middleware/_tracing/挂上之后每个智能体操作都能进你的 Jaeger / Zipkin 链路系统。可组合钩子回复、推理、行动、模型调用、权限检查、上下文压缩这些环节都有中间件接口你想在哪一步埋点或拦截就在哪一步挂钩子核心逻辑一行不用改。GoalPipeline 怎么跑执行者与审查者验收的是磁盘上的东西多智能体协作最常见的起手式一个执行者写代码一个审查者验收不过就打回重做。不用自己搭编排一条GoalPipeline就够官方示例在 examples/pipeline/goal/有两个点必须吃透两个智能体共享同一个LocalWorkspace。这样审查者判断的是磁盘上真实写下的内容而不是执行者声称自己写了什么。驳回意见原样回传循环有上限。验收不通过时审查者的结构化结论pass / fail 加具体缺什么直接变成执行者的返工指令最多循环max_iters次不会无限打转。async with LocalWorkspace(workdirworkspace) as ws: mk lambda n: Agent(namen, modelmodel, toolkitToolkit(toolsawait ws.list_tools()), offloaderws) pipe GoalPipeline(executormk(Executor), verifiermk(Verifier), max_iters10) await launch_console(agentpipe)还有个好处目标不是构造时写死的这条流水线第一次被要求做什么就是目标审查标准自动跟着换同一个 pipeline 换个任务照样能跑。从脚本到线上服务Agent Service 已经备好了什么要上线的话不用从零写框架AgentScope 附带一个现成的 Agent Service——FastAPI 后端加 Web UI本地起服务的完整入口在 examples/agent_service/开箱能力包括多租户、多会话隔离以及智能体团队leader 把活派给 worker团队通信工具内置IM 渠道接入飞书、钉钉、Discord把智能体直接搬进你团队现有的聊天窗口RAG 知识库MCP 与技能市场浏览、安装、挂进工作区一条龙Redis / SQL 持久化定时任务以及后台任务卸载耗时工具调用丢给 offloader 到后台执行结果回来再唤醒智能体继续对话事件流全程不断。定制点集中在main.py一个文件里——加你自己的 MCP、中间件、工作区管理器即可框架部分不用重写。常见问题上线前最容易被问到的 6 个问BYPASS 权限能在本地开发环境用吗不能。BYPASS 跳过所有检查等于把 shell 直接交给模型它只适合容器、虚拟机这类沙箱。无人值守又想保安全用DONT_ASK所有问都转成拦。问权限规则看起来没生效怎么办九成是匹配语义写错Bash 是命令前缀通配git:*文件工具是路径 glob。写错不报错只静默不命中。对策就是上线前用一条会触发的规则做冒烟测试。问为什么不用 if-else 把协作流程一步步写死框架的哲学是信任模型推理你把每一步都固化反而把模型的自主能力砍掉了。固定逻辑用GoalPipeline这类 pipeline 表达开放的部分交给模型自己决定。问长任务工具调用会不会把整个对话卡死不会。耗时调用可以经 offloader 卸载到后台结果回来时唤醒智能体接着聊事件流全程不断——你看到的只是它在干活而不是它死了。问恢复执行时怎么知道该把输入喂给哪个智能体别自己维护轮到谁的簿记。需要人工确认时reply_stream会停下恢复事件自带reply_id标识当前挂起的是哪个智能体照用即可。问装不上或行为诡异先查什么先查 Python 版本只支持 3.11老环境直接升级再谈排查。新手路线图与进阶路线各三步走完新手的半天路线三步① 把 goal pipeline 示例跑一遍完整看一次事件流② 改 examples/console/ 里的控制台加料③ 换一家模型厂商验证统一接口。目标只有一个先建立过程可观测的直觉。进阶路线也是三步① 给智能体挂权限规则加 tracing 中间件② 把工作区从 Local 切到 Docker / E2B / K8s 沙箱全部实现在 src/agentscope/workspace_manager/③ 用 Agent Service 搭多租户应用需要记忆和知识库时再翻examples/long_term_memory/和examples/rag/。AgentScope 2.0 的分工很清晰自主性交给模型权限、事件流和沙箱留在你手里。别光看——把仓库 clone 下来先跑通 goal pipeline 示例当你在终端里看到两个智能体轮流干活和验收时这套框架在做什么你自然就懂了。【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
AgentScope 2.0 多智能体框架上手教程：从第一个智能体到多租户服务
AgentScope 2.0 多智能体框架上手教程从第一个智能体到多租户服务【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给老板演示时多智能体 demo 惊艳全场可一谈上线你就心里没底这句话是谁说的、那次工具调用为什么失败、现场怎么还原AgentScope 2.0 就是一个为生产场景准备的多智能体框架它把智能体的推理、工具调用、协作过程全部变成可流式观察的事件流再配上细粒度权限控制和沙箱隔离让智能体真正能跑进线上。它是个什么取向的框架发积木不替你画图纸AgentScope 2.0 的取向和传统编排框架正好相反它不用死板的提示词模板和固化流程去框住模型而是信任现代大模型自身的推理与工具调用能力框架只发积木怎么拼由你定。积木分两层摆着按需取用你的目标用哪一层里面有什么先在终端里让一个智能体跑起来SDK 层一个Agent加launch_console流式输出、工具调用确认、CtrlC 中断都替你处理好在自己的代码里组合多个智能体SDK 层ReAct 推理循环支持结构化输出、中断恢复、批量工具执行、ToolkitPython 工具 MCP 技能内置 shell、文件、搜索工具、Model统一接口覆盖 OpenAI、Anthropic、Gemini、DashScope、DeepSeek、Moonshot、xAI、Ollama 等厂商、权限引擎、事件系统、可组合中间件、ReMe / Mem0 长期记忆后端、Local / Docker / E2B / K8s 等沙箱工作区交给团队和多租户用户使用Agent Service 层FastAPI 后端 现成 Web UI多租户多会话、智能体团队、飞书 / 钉钉 / Discord 渠道、RAG 知识库、MCP 与技能市场、Redis / SQL 持久化、定时与后台任务最小示例三步跑起来装包、建智能体、开控制台对一个新框架最快的信任方式就是亲眼看到它跑起来。AgentScope 要求 Python 3.11环境低于这个版本就先升级别在旧环境里排查。git clone https://gitcode.com/GitHub_Trending/ag/agentscope cd agentscope uv pip install -e .最小程序就三件事建模型、建智能体、开控制台。from agentscope.agent import Agent from agentscope.model import DashScopeChatModel from agentscope.console import launch_console model DashScopeChatModel(credentialDashScopeCredential(api_keysk-...), modelqwen3.8-max) agent Agent(nameFriday, system_promptYoure a helpful assistant., modelmodel, toolkitToolkit(tools[Bash()])) await launch_console(agent)跑起来之后你在终端里看到的不是黑盒文本一个字一个字流出来工具调用先把要执行的命令弹给你确认结果再流回来CtrlC 随时停。launch_console把渲染、确认、中断这三件事全包了——这个终端窗口其实就是一个最小版的交互式界面。智能体怎么变自主给它 ReAct 循环和一套工具让智能体自主的办法很简单给它一个 ReAct 循环和一套工具剩下让它自己决定——想什么、调哪个工具、看结果、接着想。三个细节决定了这个循环好不好用批量工具调用模型一轮发出多个工具调用时框架会先分组再顺序或并发执行逻辑在 src/agentscope/agent/ 的_batch_tool_calls里而不是傻等一个跑完再跑下一个。结构化输出reply接受structured_schema参数让智能体直接返回符合 Pydantic 模型的结构你不用再去解析一段自由文本。可中断可恢复reply_stream是一个事件生成器用户确认、外部中断都能作为输入喂回去智能体从断点继续不从头重跑。权限规则怎么配才不静默失效权限在 AgentScope 里是引擎内置的一环不是事后补丁每次工具要执行前PermissionEngine都会基于PermissionContext模式 规则集过一道判定规则行为分三档——ALLOW放行、DENY拦截、ASK暂停等人确认。from agentscope.permission import ( PermissionEngine, PermissionContext, PermissionMode, PermissionRule, PermissionBehavior, ) engine PermissionEngine(PermissionContext(modePermissionMode.ACCEPT_EDITS)) engine.add_rule(PermissionRule(tool_nameBash, rule_contentgit:*, behaviorPermissionBehavior.ALLOW))模式从松到紧有这几档DEFAULT几乎每步都要你确认最严ACCEPT_EDITS自动放行工作目录里的文件读写EXPLORE只读禁止任何修改DONT_ASK把所有问直接转成拦无人值守也安全BYPASS跳过全部检查只留给沙箱。最容易翻车的点是匹配语义它跟着工具类型走。Bash 用前缀通配匹配命令所以写git:*放行 git 命令Read / Write / Edit 这类文件工具则对文件路径做 glob 匹配。模式语法写错一个字规则不会报错、不会警告只是悄悄不命中——看起来就像没生效。上线前拿一条本该触发的规则打一次真实调用做冒烟测试。事件流怎么落盘排查任何一步都能回放在 AgentScope 里黑盒基本不存在reply_stream持续产出细粒度事件——模型调用开始 / 结束、文本增量、思考块、工具调用块、工具结果增量——你看到的终端或前端都只是这条事件流上的一个渲染器。所以排查问题的方式变得很朴素把事件流落盘。谁在推理、调了哪个工具、结果是什么随时可以回放。生产级可观测性还有两层补充Tracing 中间件仓库内置 OpenTelemetry 兼容的追踪模块src/agentscope/middleware/_tracing/挂上之后每个智能体操作都能进你的 Jaeger / Zipkin 链路系统。可组合钩子回复、推理、行动、模型调用、权限检查、上下文压缩这些环节都有中间件接口你想在哪一步埋点或拦截就在哪一步挂钩子核心逻辑一行不用改。GoalPipeline 怎么跑执行者与审查者验收的是磁盘上的东西多智能体协作最常见的起手式一个执行者写代码一个审查者验收不过就打回重做。不用自己搭编排一条GoalPipeline就够官方示例在 examples/pipeline/goal/有两个点必须吃透两个智能体共享同一个LocalWorkspace。这样审查者判断的是磁盘上真实写下的内容而不是执行者声称自己写了什么。驳回意见原样回传循环有上限。验收不通过时审查者的结构化结论pass / fail 加具体缺什么直接变成执行者的返工指令最多循环max_iters次不会无限打转。async with LocalWorkspace(workdirworkspace) as ws: mk lambda n: Agent(namen, modelmodel, toolkitToolkit(toolsawait ws.list_tools()), offloaderws) pipe GoalPipeline(executormk(Executor), verifiermk(Verifier), max_iters10) await launch_console(agentpipe)还有个好处目标不是构造时写死的这条流水线第一次被要求做什么就是目标审查标准自动跟着换同一个 pipeline 换个任务照样能跑。从脚本到线上服务Agent Service 已经备好了什么要上线的话不用从零写框架AgentScope 附带一个现成的 Agent Service——FastAPI 后端加 Web UI本地起服务的完整入口在 examples/agent_service/开箱能力包括多租户、多会话隔离以及智能体团队leader 把活派给 worker团队通信工具内置IM 渠道接入飞书、钉钉、Discord把智能体直接搬进你团队现有的聊天窗口RAG 知识库MCP 与技能市场浏览、安装、挂进工作区一条龙Redis / SQL 持久化定时任务以及后台任务卸载耗时工具调用丢给 offloader 到后台执行结果回来再唤醒智能体继续对话事件流全程不断。定制点集中在main.py一个文件里——加你自己的 MCP、中间件、工作区管理器即可框架部分不用重写。常见问题上线前最容易被问到的 6 个问BYPASS 权限能在本地开发环境用吗不能。BYPASS 跳过所有检查等于把 shell 直接交给模型它只适合容器、虚拟机这类沙箱。无人值守又想保安全用DONT_ASK所有问都转成拦。问权限规则看起来没生效怎么办九成是匹配语义写错Bash 是命令前缀通配git:*文件工具是路径 glob。写错不报错只静默不命中。对策就是上线前用一条会触发的规则做冒烟测试。问为什么不用 if-else 把协作流程一步步写死框架的哲学是信任模型推理你把每一步都固化反而把模型的自主能力砍掉了。固定逻辑用GoalPipeline这类 pipeline 表达开放的部分交给模型自己决定。问长任务工具调用会不会把整个对话卡死不会。耗时调用可以经 offloader 卸载到后台结果回来时唤醒智能体接着聊事件流全程不断——你看到的只是它在干活而不是它死了。问恢复执行时怎么知道该把输入喂给哪个智能体别自己维护轮到谁的簿记。需要人工确认时reply_stream会停下恢复事件自带reply_id标识当前挂起的是哪个智能体照用即可。问装不上或行为诡异先查什么先查 Python 版本只支持 3.11老环境直接升级再谈排查。新手路线图与进阶路线各三步走完新手的半天路线三步① 把 goal pipeline 示例跑一遍完整看一次事件流② 改 examples/console/ 里的控制台加料③ 换一家模型厂商验证统一接口。目标只有一个先建立过程可观测的直觉。进阶路线也是三步① 给智能体挂权限规则加 tracing 中间件② 把工作区从 Local 切到 Docker / E2B / K8s 沙箱全部实现在 src/agentscope/workspace_manager/③ 用 Agent Service 搭多租户应用需要记忆和知识库时再翻examples/long_term_memory/和examples/rag/。AgentScope 2.0 的分工很清晰自主性交给模型权限、事件流和沙箱留在你手里。别光看——把仓库 clone 下来先跑通 goal pipeline 示例当你在终端里看到两个智能体轮流干活和验收时这套框架在做什么你自然就懂了。【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
