AgentScope 2.0 多智能体框架上手指南四步把单个智能体跑到生产服务【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评审会上老板突然说“把智能体跑起来让我看过程”——结果屏幕上只有一行最终答案日志里没有任何中间过程demo 当场翻车。AgentScope 2.0 就是冲着这类场景来的它把智能体的推理、工具调用、协作全部变成可流式、可回放的事件流并内置细粒度权限控制与多沙箱隔离。本文按“跑通单个 → 加控制 → 组合两个 → 上线服务”的难度递进带你把这套多智能体框架用起来。先说定位为什么 AgentScope 不是工作流引擎传统编排框架喜欢用固定流程把模型框死AgentScope 反着来它不替智能体规定“下一步该干什么”推理和工具调用全交给模型自己框架只提供组件和护栏。它分两层按需取用SDK 层Agent、Toolkit、统一 Model 接口OpenAI、Anthropic、Gemini、DashScope、DeepSeek、Moonshot、xAI、Ollama 等厂商同一套写法、权限引擎、事件系统、可组合中间件、可插拔的长期记忆ReMe、Mem0以及本地 / Docker / E2B / K8s / Daytona 等沙箱工作区Agent Service 层FastAPI 后端 现成 Web UI多租户、多会话开箱即用把智能体直接变成线上应用。这里有个容易忽略的点如果你有固定流程要写别在智能体循环里手写 if-else 把每一步锁死——那类逻辑应该交给 pipeline 组件表达见后文的执行者 审查者开放的部分留给模型推理。首跑三步走让单个智能体在终端跑起来第一步安装。只支持 Python 3.11老环境先升级再动手否则要么装不上要么行为异常git clone https://gitcode.com/GitHub_Trending/ag/agentscope cd agentscope uv pip install -e .这段是源码安装不想看源码也可以直接用uv pip install agentscope装现成的。第二、三步组装智能体并打开终端控制台from agentscope.agent import Agent from agentscope.model import DashScopeChatModel from agentscope.credential import DashScopeCredential from agentscope.tool import Toolkit, Bash, Grep, Read, Write from agentscope.console import launch_console agent Agent( nameFriday, system_promptYoure a helpful assistant., modelDashScopeChatModel( credentialDashScopeCredential(api_keysk-...), modelqwen3.8-max, ), toolkitToolkit(tools[Bash(), Grep(), Read(), Write()]), ) await launch_console(agent)这段代码干了什么给智能体配一个模型和四个内置工具交给launch_console终端里就是一个能流式输出、工具调用要确认、CtrlC 能中断的聊天界面。自主性上有三个值得知道的细节批量行动模型一轮发出多个工具调用时框架会分组后顺序或并发执行核心逻辑在src/agentscope/agent/_agent.py的_batch_tool_calls不用傻等一个个跑完结构化输出reply传structured_schema参数一个 Pydantic 模型智能体直接返回合规结构省掉解析自由文本的麻烦可中断可恢复reply_stream是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而不是从头重跑。恢复事件自带reply_id标识挂起的是哪个智能体照用即可别自己维护“现在轮到谁”的状态。工具动手前设卡给智能体写权限规则权限在 AgentScope 里不是事后补丁而是引擎的一环每次工具调用都得先过PermissionEngine判定才能执行就像伸手拿东西之前先过一道安检。规则判定分三档ALLOW放行、DENY拦截、ASK暂停等人确认。写法如下from agentscope.permission import ( PermissionEngine, PermissionContext, PermissionMode, PermissionRule, PermissionBehavior, ) context PermissionContext(modePermissionMode.ACCEPT_EDITS) engine PermissionEngine(context) engine.add_rule(PermissionRule( tool_nameBash, rule_contentgit:*, behaviorPermissionBehavior.ALLOW, ))这段干了什么在ACCEPT_EDITS模式文件读写自动放行的基础上追加一条“git 开头的命令自动放行”的规则其余命令继续走确认流程。 模式从松到紧有几档DEFAULT默认都问、ACCEPT_EDITS放行文件操作、EXPLORE只读、BYPASS跳过全部确认让智能体端到端跑完。两个坑要记住BYPASS只配沙箱用。在本地环境这么配等于把 shell 不加监护地交给模型无人值守但又想保安全的场景用更保守的DONT_ASK。规则模式写错不会报错只会静默失效。匹配语义按工具分Bash 对命令做子串 / 前缀通配所以git:*才是正确写法Read/Write/Edit 这类文件工具对路径做 glob 匹配。上线前挑一条你确定会触发的规则验证它真的生效。完整判定逻辑可以看权限模块源码。让过程可回放消费事件流与挂追踪智能体在 AgentScope 里不会一口气吐出最终答案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、多模态内容。前端或终端拿到的是完整事件流谁在推理、调了哪个工具、结果是什么随时能回放想留审计日志把事件流落盘就行。生产可观测性还有两层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 链路系统可组合中间件钩子回复、推理、行动、模型调用、权限检查、上下文压缩、系统提示注入每一步都有可挂钩子的接口想在哪埋点就在哪埋不用改核心逻辑。还有一个实践要点长任务别阻塞事件流。耗时工具跑训练、爬大站之类可以通过offloader参数丢到后台执行期间事件流不断结果回来再唤醒智能体继续推理。所有钩子点位集中在中间件源码里。两个智能体接力执行者 审查者流水线最经典的小实战一个“执行者”写代码一个“审查者”验收不通过就打回重做。可运行的完整示例在官方示例目录四个要点共享一个工作区。两个智能体必须共用同一个LocalWorkspace——审查者判断的是磁盘上真实写下的东西而不是执行者“声称”自己写了什么审查者就是普通Agent。验收结论走结构化输出passed加一条说明缺什么的message需要查文件、跑命令时用的也是和执行者一样的工具通过AgentState开BYPASS。因为两个智能体都跑在受控工作区里呼应上一节的提醒BYPASS 只配沙箱套上GoalPipeline。审查不通过时驳回意见原样回传给执行者最多循环max_iters轮默认 10。async with LocalWorkspace(workdirworkspace) as workspace: tools await workspace.list_tools() executor Agent(nameExecutor, modelmodel, toolkitToolkit(toolstools), offloaderworkspace) verifier Agent(nameVerifier, modelmodel, toolkitToolkit(toolstools)) pipe GoalPipeline(executorexecutor, verifierverifier, max_iters10) await launch_console(agentpipe)这段代码干了什么两个智能体共用同一个工作区的工具把整条流水线交给终端控制台它们各自的每一步动作都实时滚进事件流谁在干什么不再有盲区。跑一遍还有一个惊喜目标不是构造时写死的而是“这条流水线第一次被要求做什么”。同一个 pipeline 换个任务审查标准自动跟着换。从脚本到上线起 Agent Service 与下一步清单个人脚本到此为止要上线就用 AgentScope 自带的现成服务层FastAPI 后端加 Web UI自带多租户多会话隔离、智能体团队leader 派活给 worker内置团队工具、IM 渠道接入飞书、Discord、钉钉、RAG 服务、MCP 与技能市场浏览、安装、挂进工作区、SQL/NoSQL 持久化、定时任务与后台任务卸载。本地起法的完整样本在Agent Service 示例先起一个 Redis 存会话状态python main.py启动后端另开终端用 pnpm 装依赖并启动前端开发服务器把前端 API 地址指到本地 8000 端口就能用。要加能力就改main.py——塞进自己的 MCP、中间件、工作区管理器底层框架不用动。下一步清单新手半天跑通上面的执行者 审查者流水线 → 改examples/console/玩终端控制台 → 换一家模型厂商验证统一接口。验收标准只有一个你亲眼看过一条完整事件流能指着它说出智能体此刻在哪一步进阶给智能体挂权限规则和 tracing → 工作区从本地切到 Docker / E2B / K8s 沙箱全部实现在src/agentscope/workspace_manager/→ 用 Agent Service 做多租户应用 → 需要记忆和知识库时再看examples/long_term_memory/与examples/rag/。资料入口docs/里的文档与新闻、examples/里的全部示例以及src/agentscope/源码——agent、permission、pipeline、middleware、workspace_manager 这几块最值得通读。最后说一句如果你的活是画流程图工作流引擎就够如果你要的是一个会自己想办法、但你管得住它的智能体那就把推理交给模型把护栏交给权限引擎把审计交给事件流。先把双智能体那段跑通其余能力按需取用。【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 多智能体框架上手指南：四步把单个智能体跑到生产服务
AgentScope 2.0 多智能体框架上手指南四步把单个智能体跑到生产服务【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评审会上老板突然说“把智能体跑起来让我看过程”——结果屏幕上只有一行最终答案日志里没有任何中间过程demo 当场翻车。AgentScope 2.0 就是冲着这类场景来的它把智能体的推理、工具调用、协作全部变成可流式、可回放的事件流并内置细粒度权限控制与多沙箱隔离。本文按“跑通单个 → 加控制 → 组合两个 → 上线服务”的难度递进带你把这套多智能体框架用起来。先说定位为什么 AgentScope 不是工作流引擎传统编排框架喜欢用固定流程把模型框死AgentScope 反着来它不替智能体规定“下一步该干什么”推理和工具调用全交给模型自己框架只提供组件和护栏。它分两层按需取用SDK 层Agent、Toolkit、统一 Model 接口OpenAI、Anthropic、Gemini、DashScope、DeepSeek、Moonshot、xAI、Ollama 等厂商同一套写法、权限引擎、事件系统、可组合中间件、可插拔的长期记忆ReMe、Mem0以及本地 / Docker / E2B / K8s / Daytona 等沙箱工作区Agent Service 层FastAPI 后端 现成 Web UI多租户、多会话开箱即用把智能体直接变成线上应用。这里有个容易忽略的点如果你有固定流程要写别在智能体循环里手写 if-else 把每一步锁死——那类逻辑应该交给 pipeline 组件表达见后文的执行者 审查者开放的部分留给模型推理。首跑三步走让单个智能体在终端跑起来第一步安装。只支持 Python 3.11老环境先升级再动手否则要么装不上要么行为异常git clone https://gitcode.com/GitHub_Trending/ag/agentscope cd agentscope uv pip install -e .这段是源码安装不想看源码也可以直接用uv pip install agentscope装现成的。第二、三步组装智能体并打开终端控制台from agentscope.agent import Agent from agentscope.model import DashScopeChatModel from agentscope.credential import DashScopeCredential from agentscope.tool import Toolkit, Bash, Grep, Read, Write from agentscope.console import launch_console agent Agent( nameFriday, system_promptYoure a helpful assistant., modelDashScopeChatModel( credentialDashScopeCredential(api_keysk-...), modelqwen3.8-max, ), toolkitToolkit(tools[Bash(), Grep(), Read(), Write()]), ) await launch_console(agent)这段代码干了什么给智能体配一个模型和四个内置工具交给launch_console终端里就是一个能流式输出、工具调用要确认、CtrlC 能中断的聊天界面。自主性上有三个值得知道的细节批量行动模型一轮发出多个工具调用时框架会分组后顺序或并发执行核心逻辑在src/agentscope/agent/_agent.py的_batch_tool_calls不用傻等一个个跑完结构化输出reply传structured_schema参数一个 Pydantic 模型智能体直接返回合规结构省掉解析自由文本的麻烦可中断可恢复reply_stream是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而不是从头重跑。恢复事件自带reply_id标识挂起的是哪个智能体照用即可别自己维护“现在轮到谁”的状态。工具动手前设卡给智能体写权限规则权限在 AgentScope 里不是事后补丁而是引擎的一环每次工具调用都得先过PermissionEngine判定才能执行就像伸手拿东西之前先过一道安检。规则判定分三档ALLOW放行、DENY拦截、ASK暂停等人确认。写法如下from agentscope.permission import ( PermissionEngine, PermissionContext, PermissionMode, PermissionRule, PermissionBehavior, ) context PermissionContext(modePermissionMode.ACCEPT_EDITS) engine PermissionEngine(context) engine.add_rule(PermissionRule( tool_nameBash, rule_contentgit:*, behaviorPermissionBehavior.ALLOW, ))这段干了什么在ACCEPT_EDITS模式文件读写自动放行的基础上追加一条“git 开头的命令自动放行”的规则其余命令继续走确认流程。 模式从松到紧有几档DEFAULT默认都问、ACCEPT_EDITS放行文件操作、EXPLORE只读、BYPASS跳过全部确认让智能体端到端跑完。两个坑要记住BYPASS只配沙箱用。在本地环境这么配等于把 shell 不加监护地交给模型无人值守但又想保安全的场景用更保守的DONT_ASK。规则模式写错不会报错只会静默失效。匹配语义按工具分Bash 对命令做子串 / 前缀通配所以git:*才是正确写法Read/Write/Edit 这类文件工具对路径做 glob 匹配。上线前挑一条你确定会触发的规则验证它真的生效。完整判定逻辑可以看权限模块源码。让过程可回放消费事件流与挂追踪智能体在 AgentScope 里不会一口气吐出最终答案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、多模态内容。前端或终端拿到的是完整事件流谁在推理、调了哪个工具、结果是什么随时能回放想留审计日志把事件流落盘就行。生产可观测性还有两层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 链路系统可组合中间件钩子回复、推理、行动、模型调用、权限检查、上下文压缩、系统提示注入每一步都有可挂钩子的接口想在哪埋点就在哪埋不用改核心逻辑。还有一个实践要点长任务别阻塞事件流。耗时工具跑训练、爬大站之类可以通过offloader参数丢到后台执行期间事件流不断结果回来再唤醒智能体继续推理。所有钩子点位集中在中间件源码里。两个智能体接力执行者 审查者流水线最经典的小实战一个“执行者”写代码一个“审查者”验收不通过就打回重做。可运行的完整示例在官方示例目录四个要点共享一个工作区。两个智能体必须共用同一个LocalWorkspace——审查者判断的是磁盘上真实写下的东西而不是执行者“声称”自己写了什么审查者就是普通Agent。验收结论走结构化输出passed加一条说明缺什么的message需要查文件、跑命令时用的也是和执行者一样的工具通过AgentState开BYPASS。因为两个智能体都跑在受控工作区里呼应上一节的提醒BYPASS 只配沙箱套上GoalPipeline。审查不通过时驳回意见原样回传给执行者最多循环max_iters轮默认 10。async with LocalWorkspace(workdirworkspace) as workspace: tools await workspace.list_tools() executor Agent(nameExecutor, modelmodel, toolkitToolkit(toolstools), offloaderworkspace) verifier Agent(nameVerifier, modelmodel, toolkitToolkit(toolstools)) pipe GoalPipeline(executorexecutor, verifierverifier, max_iters10) await launch_console(agentpipe)这段代码干了什么两个智能体共用同一个工作区的工具把整条流水线交给终端控制台它们各自的每一步动作都实时滚进事件流谁在干什么不再有盲区。跑一遍还有一个惊喜目标不是构造时写死的而是“这条流水线第一次被要求做什么”。同一个 pipeline 换个任务审查标准自动跟着换。从脚本到上线起 Agent Service 与下一步清单个人脚本到此为止要上线就用 AgentScope 自带的现成服务层FastAPI 后端加 Web UI自带多租户多会话隔离、智能体团队leader 派活给 worker内置团队工具、IM 渠道接入飞书、Discord、钉钉、RAG 服务、MCP 与技能市场浏览、安装、挂进工作区、SQL/NoSQL 持久化、定时任务与后台任务卸载。本地起法的完整样本在Agent Service 示例先起一个 Redis 存会话状态python main.py启动后端另开终端用 pnpm 装依赖并启动前端开发服务器把前端 API 地址指到本地 8000 端口就能用。要加能力就改main.py——塞进自己的 MCP、中间件、工作区管理器底层框架不用动。下一步清单新手半天跑通上面的执行者 审查者流水线 → 改examples/console/玩终端控制台 → 换一家模型厂商验证统一接口。验收标准只有一个你亲眼看过一条完整事件流能指着它说出智能体此刻在哪一步进阶给智能体挂权限规则和 tracing → 工作区从本地切到 Docker / E2B / K8s 沙箱全部实现在src/agentscope/workspace_manager/→ 用 Agent Service 做多租户应用 → 需要记忆和知识库时再看examples/long_term_memory/与examples/rag/。资料入口docs/里的文档与新闻、examples/里的全部示例以及src/agentscope/源码——agent、permission、pipeline、middleware、workspace_manager 这几块最值得通读。最后说一句如果你的活是画流程图工作流引擎就够如果你要的是一个会自己想办法、但你管得住它的智能体那就把推理交给模型把护栏交给权限引擎把审计交给事件流。先把双智能体那段跑通其余能力按需取用。【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