OA0

OA0 是一个探索 AI 的社区

现在注册

已注册用户请登录

OA0 › 代码 › AgentScope — 面向多智能体应用开发、实验与评测的框架

AgentScope — 面向多智能体应用开发、实验与评测的框架

buy · 2026-03-19 11:00:27 · 8 次点击 · 0 条评论

AgentScope Logo

中文主页 | 教程 | 路线图 (2026年1月-) | 常见问题

什么是 AgentScope？

AgentScope 是一个生产就绪、易于使用的智能体框架，提供与模型能力发展相适应的核心抽象，并内置了模型微调支持。

我们专为日益智能化的 LLM 设计。我们的方法旨在利用模型的推理和工具使用能力，而非用严格的提示词和固化的编排逻辑来限制它们。

为什么选择 AgentScope？

简单易用：5 分钟即可开始构建智能体，内置 ReAct 智能体、工具、技能、人机协同、记忆、规划、实时语音、评估和模型微调功能。
高度可扩展：拥有丰富的生态系统集成，涵盖工具、记忆和可观测性；内置对 MCP 和 A2A 协议的支持；通过消息中心实现灵活的多智能体编排与工作流。
生产就绪：可在本地、云端无服务器或 K8s 集群上部署和运行智能体，并内置 OpenTelemetry 支持。

AgentScope 生态系统

社区

欢迎通过以下方式加入我们的社区：

Discord	钉钉

📑 目录

快速开始
安装
- 通过 PyPI 安装
- 从源码安装
示例
你好，AgentScope！
语音智能体
实时语音智能体
人机协同
灵活的 MCP 使用
智能体强化学习
多智能体工作流
文档
更多示例与样例项目
功能特性
智能体
游戏
工作流
评估
微调器
贡献指南
许可证
相关论文
贡献者

快速开始

安装

AgentScope 需要 Python 3.10 或更高版本。

通过 PyPI 安装

pip install agentscope

或使用 uv：

uv pip install agentscope

从源码安装

# 从 GitHub 拉取源码
git clone -b main https://github.com/agentscope-ai/agentscope.git

# 以可编辑模式安装
cd agentscope

pip install -e .
# 或使用 uv：
# uv pip install -e .

示例

你好，AgentScope！

从一个用户与名为 "Friday" 的 ReAct 智能体 🤖 之间的对话开始！

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, execute_shell_command
import os, asyncio


async def main():
    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 = None
    while True:
        msg = await agent(msg)
        msg = await user(msg)
        if msg.get_text_content() == "exit":
            break

asyncio.run(main())

语音智能体

创建一个支持语音的 ReAct 智能体，能够理解和回应语音，甚至可以玩一场带语音交互的多智能体狼人杀游戏。

https://github.com/user-attachments/assets/c5f05254-aff6-4375-90df-85e8da95d5da

实时语音智能体

构建一个带 Web 界面的实时语音智能体，可以通过语音输入和输出与用户交互。

实时聊天机器人 | 实时多智能体示例

https://github.com/user-attachments/assets/1b7b114b-e995-4586-9b3f-d3bb9fcd2558

人机协同

支持在 ReActAgent 中进行实时中断：对话可以通过取消操作实时中断，并通过稳健的记忆保存无缝恢复。

Realtime Steering

灵活的 MCP 使用

将单个 MCP 工具作为本地可调用函数使用，以组合工具包或封装成更复杂的工具。

from agentscope.mcp import HttpStatelessClient
from agentscope.tool import Toolkit
import os

async def fine_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']}",
    )

    # 获取 MCP 工具作为**本地可调用函数**，可在任何地方使用
    func = await client.get_callable_function(func_name="maps_geo")

    # 选项 1: 直接调用
    await func(address="Tiananmen Square", city="Beijing")

    # 选项 2: 作为工具传递给智能体
    toolkit = Toolkit()
    toolkit.register_tool_function(func)
    # ...

    # 选项 3: 封装成更复杂的工具
    # ...

智能体强化学习

通过强化学习集成，无缝训练你的智能体应用。我们还准备了多个涵盖不同场景的示例项目：

示例	描述	模型	训练结果
数学智能体	微调一个具有多步推理能力的数学解题智能体。	Qwen3-0.6B	准确率: 75% → 85%
冰湖	训练智能体在冰湖环境中导航。	Qwen2.5-3B-Instruct	成功率: 15% → 86%
学习提问	使用 LLM 作为评判器提供自动化反馈来微调智能体。	Qwen2.5-7B-Instruct	准确率: 47% → 92%
邮件搜索	在没有标注真实答案的情况下提升工具使用能力。	Qwen3-4B-Instruct-2507	准确率: 60%
狼人杀游戏	为策略性多智能体游戏交互训练智能体。	Qwen2.5-7B-Instruct	狼人胜率: 50% → 80%
数据增强	生成合成训练数据以提升微调效果。	Qwen3-0.6B	AIME-24 准确率: 20% → 60%

多智能体工作流

AgentScope 提供 MsgHub 和流水线来简化多智能体对话，提供高效的消息路由和无缝的信息共享。

from agentscope.pipeline import MsgHub, sequential_pipeline
from agentscope.message import Msg
import asyncio

async def multi_agent_conversation():
    # 创建智能体
    agent1 = ...
    agent2 = ...
    agent3 = ...
    agent4 = ...

    # 创建一个消息中心来管理多智能体对话
    async with MsgHub(
        participants=[agent1, agent2, agent3],
        announcement=Msg("Host", "Introduce yourselves.", "assistant")
    ) as hub:
        # 按顺序发言
        await sequential_pipeline([agent1, agent2, agent3])
        # 动态管理参与者
        hub.add(agent4)
        hub.delete(agent3)
        await hub.broadcast(Msg("Host", "Goodbye!", "assistant"))

asyncio.run(multi_agent_conversation())