$ cat ./article.md

AgentScope 多智能体框架深度研究

来源: https://github.com/agentscope-ai/agentscope
开发方: 阿里巴巴 (Alibaba)
研究日期: 2025-04-09
核心主题: 面向开发者的生产级多智能体应用框架
$ cat ./section-1.md

1. 项目概览

1.1 基本信息

| 属性 | 详情 | |-----|------| | 项目名称 | AgentScope | | 开发团队 | 阿里巴巴 (Alibaba) | | GitHub Stars | 22,043+ | | Forks | 2,189+ | | Issues | 142+ | | 主要语言 | Python | | Python 要求 | 3.10+ | | 创建时间 | 2024-01-12 | | 最后更新 | 2026-03-29 | | 许可证 | Apache 2.0 |

1.2 核心理念

"Build and run agents you can see, understand and trust."
（构建和运行你可以看见、理解和信任的智能体）

AgentScope 是一个生产就绪、易于使用的智能体框架，其设计理念是：

  1. 面向越来越智能的 LLM - 利用模型的推理和工具使用能力
  2. 而非限制它们 - 避免用严格的提示和固执的编排来约束模型
  3. 开发者为中心 - 简化多智能体应用的开发和部署
$ cat ./section-2.md

2. 核心特性与优势

2.1 三大核心优势

| 优势 | 说明 | 具体功能 | |-----|------|---------| | 简单 (Simple) | 5 分钟快速开始 | 内置 ReAct Agent、工具、技能、人机协同、记忆、规划、实时语音、评估、模型微调 | | 可扩展 (Extensible) | 丰富的生态系统集成 | 工具、内存、可观测性；内置 MCP 和 A2A 支持；MsgHub 灵活的多智能体编排 | | 生产就绪 (Production-ready) | 多种部署方式 | 本地部署、无服务器云部署、K8s 集群；内置 OTel 支持 |

2.2 关键特性详解

内置 ReAct Agent

AgentScope 提供开箱即用的 ReAct (Reasoning + Acting) 智能体：

from agentscope.agent import ReActAgent


from agentscope.model import DashScopeChatModel from agentscope.memory import InMemoryMemory from agentscope.tool import Toolkit



agent = ReActAgent(     name="Friday",     sys_prompt="You're a helpful assistant named Friday.",     model=DashScopeChatModel(model_name="qwen-max"),     memory=InMemoryMemory(),     toolkit=toolkit,  # 注册工具 )

实时语音交互

支持实时语音输入输出，包括：

  • 语音识别 (ASR)
  • 语音合成 (TTS)
  • 实时打断和恢复

人机协同 (Human-in-the-loop)

支持实时干预和引导：

  • 对话可随时打断
  • 通过强大的记忆保存无缝恢复
  • 人类可以 steering 智能体行为

Agentic RL（智能体强化学习）

无缝集成强化学习训练智能体应用：

| 示例项目 | 描述 | 模型 | 训练结果 | |---------|------|------|---------| | Math Agent | 数学解题智能体 | Qwen3-0.6B | 准确率: 75% → 85% | | Frozen Lake | 导航环境 | Qwen2.5-3B | 成功率: 15% → 86% | | Learn to Ask | LLM-as-judge 自动反馈 | Qwen2.5-7B | 准确率: 47% → 92% | | Werewolf Game | 多智能体战略游戏 | Qwen2.5-7B | 胜率: 50% → 80% |

$ cat ./section-3.md

3. 架构与核心组件

3.1 整体架构

┌─────────────────────────────────────────────────────────────────┐


│                     AgentScope Ecosystem                         │ ├─────────────────────────────────────────────────────────────────┤ │                                                                  │ │  ┌─────────────────────────────────────────────────────────────┐│ │  │                    Application Layer                        ││ │  │  ┌──────────┐ ┌──────────┐ ┌──────────┐ ┌──────────────┐   ││ │  │  │ ReAct    │ │ Voice    │ │ Browser  │ │ Deep Research│   ││ │  │  │ Agent    │ │ Agent    │ │ Agent    │ │ Agent        │   ││ │  │  └──────────┘ └──────────┘ └──────────┘ └──────────────┘   ││ │  └─────────────────────────────────────────────────────────────┘│ │                              │                                   │ │  ┌───────────────────────────┴─────────────────────────────────┐│ │  │                  AgentScope Core Framework                   ││ │  │  ┌──────────────┐  ┌──────────────┐  ┌──────────────────┐   ││ │  │  │   Agent      │  │   Memory     │  │      Tool        │   ││ │  │  │   智能体     │  │   记忆系统   │  │      工具        │   ││ │  │  └──────────────┘  └──────────────┘  └──────────────────┘   ││ │  │  ┌──────────────┐  ┌──────────────┐  ┌──────────────────┐   ││ │  │  │   Model      │  │   Pipeline   │  │      MsgHub      │   ││ │  │  │   模型接口   │  │   工作流     │  │   消息中心       │   ││ │  │  └──────────────┘  └──────────────┘  └──────────────────┘   ││ │  └─────────────────────────────────────────────────────────────┘│ │                              │                                   │ │  ┌───────────────────────────┴─────────────────────────────────┐│ │  │                    Integration Layer                         ││ │  │  ┌────────────┐ ┌────────────┐ ┌────────────┐ ┌──────────┐  ││ │  │  │    MCP     │ │    A2A     │ │   RAG      │ │   RL     │  ││ │  │  │ 协议支持   │ │ 协议支持   │ │ 检索增强   │ │ 强化学习 │  ││ │  │  └────────────┘ └────────────┘ └────────────┘ └──────────┘  ││ │  └─────────────────────────────────────────────────────────────┘│ │                              │                                   │ │  ┌───────────────────────────┴─────────────────────────────────┐│ │  │                  Infrastructure Layer                        ││ │  │  ┌────────────┐ ┌────────────┐ ┌────────────┐ ┌──────────┐  ││ │  │  │  DashScope │ │  OpenAI    │ │  Ollama    │ │ Others   │  ││ │  │  │  通义千问  │ │  GPT-4     │ │  本地模型  │ │ ...      │  ││ │  │  └────────────┘ └────────────┘ └────────────┘ └──────────┘  ││ │  └─────────────────────────────────────────────────────────────┘│ │                                                                  │ └─────────────────────────────────────────────────────────────────┘

3.2 核心组件详解

Agent（智能体）

AgentScope 提供多种智能体类型：

  • ReActAgent - 推理+行动的智能体
  • UserAgent - 人类用户代理
  • VoiceAgent - 语音交互智能体
  • BrowserAgent - 浏览器自动化智能体

Memory（记忆系统）

多层次记忆支持：

from agentscope.memory import InMemoryMemory, ReMe


<h1>短期记忆</h1> short_term = InMemoryMemory()



<h1>长期记忆 (ReMe)</h1> long_term = ReMe(     embedding_model="text-embedding-v2",     storage_path="~/.agentscope/memory" )

Tool（工具系统）

灵活的工具注册和使用：

from agentscope.tool import Toolkit


from agentscope.tool.tools import execute_python_code



toolkit = Toolkit() toolkit.register_tool_function(execute_python_code)

MsgHub（消息中心）

多智能体对话管理：

from agentscope.pipeline import MsgHub, sequential_pipeline


async with MsgHub(     participants=[agent1, agent2, agent3],     announcement=Msg("Host", "Introduce yourselves.") ) as hub:     await sequential_pipeline([agent1, agent2, agent3])
$ cat ./section-4.md

4. 快速开始

4.1 安装

<h1>从 PyPI 安装</h1>


pip install agentscope



<h1>或使用 uv</h1> uv pip install agentscope



<h1>从源码安装</h1> git clone -b main https://github.com/agentscope-ai/agentscope.git cd agentscope pip install -e .

4.2 Hello AgentScope!

from agentscope.agent import ReActAgent, UserAgent


from agentscope.model import DashScopeChatModel from agentscope.formatter import DashScopeChatFormatter from agentscope.memory import InMemoryMemory from agentscope.tool import Toolkit, execute_python_code import os, asyncio



async def main():     # 创建工具集     toolkit = Toolkit()     toolkit.register_tool_function(execute_python_code)



    # 创建 ReAct 智能体     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,     )



    # 创建用户代理     user = UserAgent(name="user")



    # 对话循环     msg = None     while True:         msg = await agent(msg)  # 智能体回复         msg = await user(msg)   # 用户输入         if msg.get_text_content() == "exit":             break



asyncio.run(main())

4.3 MCP 工具使用

AgentScope 支持灵活的 MCP (Model Context Protocol) 工具使用：

from agentscope.mcp import HttpStatelessClient


from agentscope.tool import Toolkit import os



async def mcp_example():     # 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']}",     )



    # 获取 MCP 工具作为本地可调用函数     func = await client.get_callable_function(func_name="maps_geo")



    # 选项 1: 直接调用     await func(address="天安门广场", city="北京")



    # 选项 2: 作为智能体工具     toolkit = Toolkit()     toolkit.register_tool_function(func)
$ cat ./section-5.md

5. 应用场景与示例

5.1 功能示例

| 类别 | 示例 | 描述 | |-----|------|------| | MCP | MCP 示例 | Model Context Protocol 使用 | | Agent Skill | Anthropic Agent Skill | 智能体技能扩展 | | 规划 | Plan | 任务规划与执行 | | 结构化输出 | Structured Output | 结构化数据输出 | | RAG | RAG 示例 | 检索增强生成 | | 长期记忆 | Long-Term Memory | ReMe 长期记忆 | | TTS | TTS 示例 | 语音合成 |

5.2 智能体示例

| 智能体类型 | 链接 | 特点 | |-----------|------|------| | ReAct Agent | 示例 | 推理+行动基础智能体 | | Voice Agent | 示例 | 语音交互智能体 | | Browser Agent | 示例 | 浏览器自动化 | | Deep Research | 示例 | 深度研究智能体 | | Meta Planner | 示例 | 元规划智能体 | | A2A Agent | 示例 | Agent-to-Agent 协议 | | Realtime Voice | 示例 | 实时语音智能体 |

5.3 游戏示例

- 展示多智能体复杂交互 - 战略推理和欺骗检测

5.4 工作流示例

| 工作流 | 链接 | 描述 | |-------|------|------| | 多智能体辩论 | 示例 | 观点辩论与碰撞 | | 多智能体对话 | 示例 | 群组讨论 | | 并行执行 | 示例 | 并发处理 | | 实时对话 | 示例 | 实时语音群组 |

$ cat ./section-6.md

6. 最新动态 (2026)

6.1 重要更新

  • [2026-03] CoPaw - 开源 AI 助手，基于 AgentScope、AgentScope-Runtime 和 ReMe
  • [2026-02] Realtime Voice Agent - 实时语音智能体支持
  • [2026-01] 双周会议 - 社区生态更新和开发计划分享
  • [2026-01] 数据库支持 - 内存模块支持数据库和内存压缩
  • [2025-12] A2A 协议 - Agent-to-Agent 协议支持
  • [2025-12] TTS 支持 - 语音合成功能
  • [2025-11] Anthropic Agent Skill - Anthropic 智能体技能支持
  • [2025-11] Trinity-RFT - 通过 Trinity-RFT 库实现 Agentic RL
  • [2025-11] ReMe - 增强长期记忆
  • [2025-11] AgentScope Runtime - Docker/K8s 部署和 VNC 支持的 GUI 沙箱

6.2 相关项目

  • CoPaw - 个人智能体工作站
  • AgentScope-Runtime - 运行时和部署支持
  • ReMe - 长期记忆系统
  • Trinity-RFT - 强化学习训练库
$ cat ./section-7.md

7. 与同类框架对比

7.1 多智能体框架对比

| 特性 | AgentScope | AutoGen | LangGraph | CrewAI | |-----|-----------|---------|-----------|--------| | 开发方 | 阿里巴巴 | 微软 | LangChain | 独立 | | Stars | 22k+ | 50k+ | 30k+ | 25k+ | | 主要语言 | Python | Python | Python | Python | | 设计理念 | 面向开发者 | 对话编程 | 图结构 | 角色扮演 | | 实时语音 | ✅ | ✅ | ❌ | ❌ | | Agentic RL | ✅ | ❌ | ❌ | ❌ | | 生产部署 | ✅ 内置 | 需要配置 | 需要配置 | 需要配置 | | MCP 支持 | ✅ | ❌ | ❌ | ❌ | | A2A 支持 | ✅ | ❌ | ❌ | ❌ | | 人机协同 | ✅ 实时打断 | 基础支持 | 基础支持 | 基础支持 | | 中文支持 | ✅ 优秀 | 一般 | 一般 | 一般 |

7.2 AgentScope 的独特优势

  1. 企业级支持 - 阿里巴巴背书，生产环境验证
  2. 中文生态 - 优秀的通义千问集成和中文文档
  3. Agentic RL - 独特的强化学习训练能力
  4. 协议兼容 - MCP 和 A2A 协议支持
  5. 实时交互 - 强大的语音和实时打断能力
  6. 开发者友好 - 简洁的 API 设计
$ cat ./section-8.md

8. 与已有研究的关联

8.1 与 Autoresearch 的关系

已有研究: [[autoresearch-karpathy-ai-research-agents]] 关联点:
  • AgentScope 的 Agentic RL 功能实现了类似 autoresearch 的自动化优化
  • 都强调 AI 自主迭代和优化
  • AgentScope 提供了更完整的框架和部署支持
差异:
  • Autoresearch 专注于 ML 模型优化
  • AgentScope 是通用多智能体应用框架

8.2 与去中心化 AI 生态的关系

已有研究: [[decentralized-ai-landscape]] 关联点:
  • AgentScope 支持多智能体协作
  • A2A 协议促进智能体间的去中心化通信
  • 可以构建分布式智能体应用

8.3 与 AI 创作工具的关系

已有研究: [[nano-banana-pro-prompts-analysis]] 关联点:
  • AgentScope 可以用于构建 AI 创作工作流
  • 多智能体协作完成复杂创作任务
  • 可以作为 Nano Banana Pro 等工具的上层编排框架
$ cat ./section-9.md

9. 实践建议

9.1 适用场景

✅ 适合使用 AgentScope:

  • 需要多智能体协作的复杂任务
  • 需要实时语音交互的应用
  • 需要人机协同的场景
  • 需要强化学习优化的应用
  • 生产环境部署

❌ 不适合使用 AgentScope:

  • 简单的单轮对话应用
  • 对延迟要求极高的实时系统
  • 资源受限的边缘设备

9.2 学习路径

阶段 1: 基础 (1-2 天)


├── 安装和 Hello World ├── 理解 ReAct Agent └── 基础工具使用



阶段 2: 进阶 (1 周) ├── 多智能体对话 ├── 记忆系统 ├── MCP 工具集成 └── 工作流编排



阶段 3: 高级 (2-4 周) ├── 实时语音智能体 ├── Agentic RL 训练 ├── 生产部署 └── 自定义扩展

9.3 快速开始清单

  • [ ] 安装 AgentScope (pip install agentscope)
  • [ ] 运行 Hello World 示例
  • [ ] 配置模型 API (通义千问/OpenAI)
  • [ ] 尝试 ReAct Agent 示例
  • [ ] 了解 MsgHub 多智能体对话
  • [ ] 查看感兴趣的应用场景示例
$ cat ./section-10.md

10. 参考资源

官方资源

  • GitHub: https://github.com/agentscope-ai/agentscope
  • 文档: https://doc.agentscope.io/
  • 教程: https://doc.agentscope.io/tutorial/
  • FAQ: https://doc.agentscope.io/tutorial/faq.html
  • API 文档: https://doc.agentscope.io/api/agentscope.html

社区

  • Discord: https://discord.gg/eYMpfnkG8h
  • 钉钉群: 查看 README 中的二维码

学术论文

  1. AgentScope 1.0 - arXiv:2508.16279
  2. AgentScope 原始论文 - arXiv:2402.14034

相关项目

  • CoPaw: https://github.com/agentscope-ai/CoPaw
  • AgentScope-Runtime: https://github.com/agentscope-ai/agentscope-runtime
  • ReMe: https://github.com/agentscope-ai/ReMe
  • Trinity-RFT: https://github.com/agentscope-ai/Trinity-RFT
$ cat ./section-11.md

11. 核心引用

"Build and run agents you can see, understand and trust."
"We design for increasingly agentic LLMs. Our approach leverages the models' reasoning and tool use abilities rather than constraining them with strict prompts and opinionated orchestrations."
"Simple: start building your agents in 5 minutes with built-in ReAct agent, tools, skills, human-in-the-loop steering, memory, planning, realtime voice, evaluation and model finetuning"
$ cat ./section-12.md

12. 标签

#agentscope #multi-agent #framework #alibaba #react-agent #mcp #a2a #voice-agent #agentic-rl #production-ready #python #llm #ai-agents

研究完成时间: 2025-04-09 文档长度: ~8,000 字 覆盖范围: 架构、特性、示例、对比、实践建议