AgentScope 2.0 多智能体框架实战：4 个任务节点把终端代码助手交付成 IM 多租户客服服务

【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

AgentScope 2.0 是阿里通义实验室开源的生产级多智能体框架，帮你把 AI 智能体从本地脚本一路做成敢给多人用的多租户在线服务：它自带 ReAct 智能体、工具箱、权限引擎、8 种沙箱工作区与 FastAPI 服务层，面向需要"看得见、看得懂、信得过"的开发者。它的设计取向是不靠重型编排去管住模型，而是信任模型自身的推理与工具调用能力，把工程精力投到安全边界、执行环境和应用层三处。假设你的任务是交付一个挂在钉钉、飞书上的企业客服助手：环境要求 Python ≥ 3.11，Web UI 另需 Node.js ≥ 20。下面按任务推进，每个节点只讲当步要用的能力，部署命令直接嵌在对应节点里。

在终端里用起第一个代码助手 🖥️

起点是验证助手本身能不能干活，整个过程无需部署任何服务。打开 examples/console/ 下的 main.py，配好 DASHSCOPE_API_KEY 环境变量后直接运行：AgentScope 的 launch_console 一行代码打开流式聊天控制台，工具调用前的人机确认、Ctrl+C 中断与中断后的恢复都已内置，默认模型为 qwen3.7-max，也可用 --model 参数切换。助手背后挂着一个 LocalWorkspace 工作区，工具箱随之带出 Bash、Grep、Glob、Read、Write、Edit 六个内置代码工具，外加任务规划工具、MCP 服务器接入与 Skill 动态加载；AgenticMemoryMiddleware 还会把长期记忆以文件形式存进工作区，跨会话可用。任务一复杂，智能体会把它拆成可跟踪的计划，边执行边更新进度，你在终端里能逐步看到。

想验证多智能体协作，examples/pipeline/goal/ 有一条"执行者 + 验证者"流水线：两个智能体共享同一工作区，验证者用结构化输出给出"通过/不通过"及理由，不通过就把反馈带回重做，最多迭代 N 轮——验证的是工作区里的真实产物，而不是执行者的口头汇报。

给智能体戴上安全帽：沙箱与权限一张表配完 🛡️

助手能跑命令、能改文件，交付前必须回答两个问题：代码在哪里执行，哪些操作要拦。AgentScope 2.0 把这两件事合成一套安全选型：执行侧，同一套工具箱可绑定 8 种沙箱工作区后端，实现集中在 src/agentscope/workspace/，tests/ 目录里每类后端都有独立用例，切换后端时工具代码一行不改；决策侧，权限引擎按"工具 + 规则"做细粒度判断，Bash 按命令子串匹配，读写工具按文件路径 glob 匹配，再叠加 5 种全局模式。沙箱是智能体的施工围挡，权限模式是门禁的松紧度，按下表组合即可：

其中 DEFAULT 是默认模式：只有命中放行规则、或命令被识别为安全只读（如 ls、git status）才免问，其余逐次找人确认。两个坑先记牢：BYPASS 连工具自带的安全询问都会跳过，护栏基本拆光，务必同时写若干 deny 规则锁死敏感路径；想无人值守又保留安全底线，选 DONT_ASK，把所有询问统统转成拒绝。

起一个多会话后端，把助手挂到 IM 上 🚀

这是任务的大头，但更多是装配而非开发。AgentScope 2.0 的服务层基于 FastAPI，一个 create_app 调用就得到带预置 Web UI 的多租户后端：租户之间、会话之间数据隔离，示例用 Redis（localhost:6379）持久化状态，存储也可换成 SQL 后端，另内置定时调度与多租户知识库检索。先装依赖并拉取源码：

uv pip install agentscope[full] git clone https://gitcode.com/GitHub_Trending/ag/agentscope

然后起后端与前端（后端默认监听 8000 端口，Web UI 里把 API 地址指向 http://localhost:8000，即可体验权限确认、定时任务、工具调用的完整交互）：

cd agentscope/examples/agent_service && python main.py cd agentscope/examples/web_ui && pnpm install && pnpm dev

IM 侧只需在 create_app 的 channels 参数里声明 DingTalkChannel、FeishuChannel、DiscordChannel 三个频道类，消息路由在服务层完成，客服入口即接上；channels 之外还能挂 MCP 服务器与技能中心，示例里接了 Playwright 的 MCP 客户端。再配合 examples/rag/ 的索引与检索示例把企业文档灌进知识库，遇到不确定的操作时权限系统会停下来找人确认——一个既能查资料、又有兜底的客服入口成型。

两个值得在这个节点打开的进阶能力。智能体团队：主智能体按需创建子智能体，用内置团队工具分工，源码在 src/agentscope/app/_tool/，示例还预置了一个只读的 explorer 子智能体模板；后台任务卸载：耗时长的工具调用自动转入后台，结果返回后唤醒智能体继续对话，前端全程可感知。

交接前把服务调稳

最后一关是让服务在重启和长对话里都不掉链子。状态先落库：会话与智能体状态持久化到 SQL 或 Redis，服务重启进度不丢，pyproject.toml 里 storage-sql 与 storage-redis 两个可选依赖就是为此准备的。长对话别裸奔：上下文像一块越写越花的白板，接上 AgentScope 内置的上下文中间件，自动压缩、超大工具结果卸载、系统提示词/RAG/记忆注入都是现成的。观测同样省事，依赖里已内置 OpenTelemetry SDK 与 OTLP 导出器，追踪和指标可直接汇入现有监控体系。

最后核一遍门槛：Python ≥ 3.11 是硬要求，Web UI 需要 Node.js ≥ 20，示例后端需要本地先起一个 Redis；[full] 包把模型、服务、存储、频道、工作区、RAG 一次装齐，生产环境按功能裁剪安装更省资源。后续演进看 docs/roadmap.md（语音智能体三步走、Agent Skill 生产化、A2UI/A2A 生态），版本变化看 docs/NEWS.md；只想聊天不部署的话，回到 examples/console/main.py 配好 DASHSCOPE_API_KEY 即可。

【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