AgentScope 1.0：從ReAct范式到生產級智能體應用的開發者中心框架
大家好，我是肆〇柒。今天要和大家分享的，是由阿里巴巴集團（Alibaba Group）研究團隊推出的智能體開發框架——AgentScope 1.0。這篇論文不僅系統地解決了現代智能體應用開發中的諸多工程難題，更通過其“開發者中心”的設計理念，為構建可擴展、適應性強且高效的智能體應用提供了堅實的實踐基礎。
你是否曾花費數小時調試一個智能體應用，只因為它在調用第7個工具時突然失敗？或者在嘗試集成新的瀏覽器自動化工具時，不得不為每個模型提供商重寫適配代碼？這些正是現代智能體開發中普遍存在的痛點——工具過多反而降低性能（"工具選擇悖論"），長軌跡應用調試如同在迷宮中尋找出口，不同模型提供商的API規范各異導致工具集成復雜無比。
隨著大語言模型(LLM)技術的迅猛發展，智能體(Agent)已從簡單的對話系統演變為能夠與環境進行復雜交互的自主實體。現代LLM不僅具備強大的推理能力，更關鍵的是它們能夠調用外部工具，實現對數據庫的自動處理、計算任務的執行以及與各類API的交互，從而極大地擴展了其功能邊界。在這一背景下，如何構建靈活高效、支持工具調用的智能體應用框架，已成為學術研究與工業實踐中的關鍵議題。
AgentScope 1.0 則通過系統化實現ReAct（Reasoning and Acting）范式，為開發者提供從原型到生產應用的完整解決方案，標志著智能體開發框架進入了一個新紀元。但更重要的是，它解決了上述實際開發中的痛點，讓智能體應用開發從"痛苦調試"轉變為"流暢體驗"。
智能體框架的演進與行業痛點
智能體框架的發展正經歷著從依賴內在推理到賦能環境感知與交互的深刻轉變。早期的智能體主要依靠LLM的內在知識進行推理和響應，而現代智能體則需要通過動態調用工具與環境進行交互，以解決復雜的現實問題。這一轉變使得工具調用能力成為現代LLM的關鍵特征，也是智能體框架發展的新方向。
然而，這一轉變也帶來了諸多工程挑戰。首先，不同模型提供商使用各異的API規范、參數格式和響應結構，導致工具集成過程異常復雜。開發者不得不為每個模型編寫特定的適配代碼，極大地增加了開發成本。其次，"工具選擇悖論"日益凸顯——研究表明，工具過多實際上會降低智能體性能，導致在選擇適當工具或正確配置其參數時出現失敗。這不僅增加了智能體的認知負擔，還消耗了寶貴的上下文長度。
此外，長軌跡智能體應用的開發與調試也面臨嚴峻挑戰。隨著任務復雜度的提升，智能體需要執行多步操作，形成復雜的執行軌跡，這使得問題定位和性能優化變得異常困難。同時，智能體在調用外部工具時的安全執行環境也成為一個不容忽視的問題。在缺乏適當隔離的情況下，智能體可能意外執行危險操作，威脅系統安全。
這些痛點不僅阻礙了智能體技術的廣泛應用，也限制了開發者在實際場景中充分發揮LLM潛力的能力。因此，一個能夠系統化解決這些問題、提供從開發到部署全流程支持的框架顯得尤為重要。
AgentScope 1.0的核心創新與技術價值
AgentScope 1.0通過"開發者中心"的設計理念，提供了針對上述痛點的系統性解決方案。其核心創新在于通過模塊化設計原則、統一接口與可擴展模塊，實現了從原型到生產應用的無縫銜接。特別值得一提的是，框架創新性地圍繞三大維度構建：高級交互性(Advanced Interactivity)、操作靈活性與效率(Operational Flexibility and Efficiency)、以及工程穩健性與可擴展性(Engineering Robustness and Extensibility)。這些維度共同構成了AgentScope 1.0的技術基石。
框架創新的三大維度
高級交互性：AgentScope 1.0重新定義了人機協作模式。通過實時引導(Real-time Steering)機制，用戶能夠在任務執行過程中引導、糾正或重定向智能體，將交互從僵化、單向的過程轉變為靈活、協作的體驗。當接收到外部中斷信號時，框架會優雅地暫停正在進行的ReAct循環，并允許開發者在handle_interrupt方法中定義各種處理策略。關鍵創新在于將中斷視為可觀察事件，使智能體能夠捕獲每次中斷的上下文并整合到其狀態中，從而保持對中斷的情境感知能力。
操作靈活性與效率：框架突破了傳統的順序工具使用范式，提供了并行工具調用和動態工具配置能力。智能體可以在單個推理步驟中生成多個工具調用，并行執行這些調用，特別適用于I/O密集型任務。研究表明，這種并行處理方式可將任務延遲減少約35%，顯著提升了執行效率。動態工具配置則通過reset_equipped_tools函數實現，使智能體能夠在任務執行過程中自主修改可用工具集，適應任務的不同階段。分組工具管理策略有效解決了"工具選擇悖論"，顯著提升了工具選擇的準確率。
工程穩健性與可擴展性：AgentScope 1.0引入了自動化的狀態管理系統和非侵入式定制機制。狀態持久化系統通過StateModulebase類實現，支持雙模式注冊：StateModule實例的屬性如果是其他StateModule對象，會自動納入其狀態；同時提供register_state方法顯式注冊其他屬性類型。這種設計不僅消除了樣板代碼，還為開發者提供了state_dict和load_state_dict方法，用于保存和恢復整個嵌套智能體層次結構。鉤子系統則在智能體生命周期中植入了全面的預/后事件點，允許開發者在不修改核心代碼庫的情況下修改運行時行為。
基礎組件的創新設計
AgentScope 1.0將智能體應用的基礎組件抽象為四個關鍵模塊：消息(Message)、模型(Model)、記憶(Memory)和工具(Tool)，實現了高度的模塊解耦和廣泛的兼容性。
消息模塊作為信息交換的基本單元，采用Msg對象統一表示各類信息。該對象包含發送者名稱、角色、內容和元數據等關鍵字段，其中內容可以是簡單的文本字符串，也可以是結構化的ContentBlock對象序列，如文本塊、圖像塊、工具使用塊等。這種設計使智能體能夠交換多模態內容、工具使用細節和推理信息，為各種實際應用場景提供了原生支持。
The overview of AgentScope framework
消息創建的代碼示例清晰展示了其靈活性：
# 創建工具調用消息
msg_tool_call = Msg(
name="Jarvis",
role="assistant",
cnotallow=[
ToolUseBlock(
type="tool_use",
id="xxx",
name="get_weather",
input={"location": "Beijing"}
)
]
)模型模塊則通過統一抽象解決了不同LLM提供商的異構性問題。AgentScope整合了OpenAI、DashScope、Anthropic、Gemini、Ollama等多種模型提供商，提供了完整的功能兼容性。其核心創新在于模型特定格式化器，能夠將AgentScope中的消息對象轉換為提供商特定的數據結構。
框架提供了兩種專門的格式化器：ChatFormatter用于支持單智能體交互，而MultiAgentFormatter則用于處理多參與者對話，其中說話者識別和角色管理至關重要。考慮到并非所有模型提供商都原生支持多智能體消息，MultiAgentFormatter利用對話歷史提示和結構化內容確保與標準聊天完成端點的兼容性。這種設計使開發者能夠在不同模型提供商之間無縫處理多模態輸入，無需額外的應用級格式管理。
此外，模型模塊統一了異步模型調用、響應模式以及細粒度的使用跟蹤，使開發者能夠以一致的方式與不同模型交互。特別值得一提的是，框架通過ThinkingBlock對象暴露內部推理軌跡，支持OpenAI、Anthropic、Gemini和Ollama等提供顯式推理能力的模型。開發者可以通過提供者特定機制對推理輸出進行細粒度控制，例如OpenAI的o系列模型支持推理努力級別（"low"、"medium"和"high"），而Anthropic和Gemini則提供可配置的推理過程token預算。
記憶模塊分為短期記憶和長期記憶兩部分。短期記憶(InMemoryMemory)作為默認緩沖區，存儲對話歷史和執行軌跡；長期記憶則通過抽象類LongTermMemoryBase實現，支持開發者控制和智能體控制兩種操作范式。特別值得一提的是，AgentScope集成了基于mem0庫的長期記憶實現，提供了語義索引、檢索和記憶演化等高級功能。
工具模塊是AgentScope 1.0最具創新性的部分之一。它通過Toolkit實現了靈活的工具管理，將各種函數和MCP(Model Context Protocol)標準化為JSON schema。其中，分組工具管理策略有效解決了"工具選擇悖論"——開發者可以使用create_tool_group邏輯地捆綁相關工具，并通過update_tool_groups動態激活或停用整個工具集，顯著減少了工具選擇的搜索空間。
The usage of the Toolkit module in AgentScope
Toolkit模塊的工作流程清晰地展示了工具注冊(綠色)、分組管理(藍色)和執行(紅色)的完整過程。這種設計使得工具管理變得系統化和高效，特別是當智能體需要執行網頁瀏覽任務時，可以激活"browser tools"組，使相關工具可用，而其他無關工具則被自動排除，從而將工具選擇的準確率從68%提升至89%。
此外，AgentScope 1.0的MCP客戶端架構提供了細粒度的遠程工具管理。它采用狀態化和無狀態化雙客戶端設計：狀態化客戶端維護與MCP服務器的持久連接，適用于需要狀態連續性的服務；無狀態化客戶端則為每次工具調用建立新連接，適合輕量級和事務性服務。
The sequence diagram of the stateless and stateful MCP clients
如序列圖所示，狀態化客戶端(右)維持持久連接，適合遠程瀏覽器會話等需要保持cookies和上下文的場景；而狀態化客戶端(左)則為每次工具調用建立新會話，最小化資源開銷。這種設計使得遠程服務與本地工具在智能體視角下無差別，極大增強了框架的靈活性。狀態化與無狀態化雙客戶端設計不僅解決了遠程服務連接的靈活性問題，還顯著降低了網絡資源消耗——狀態化客戶端適用于需要保持cookies和上下文的遠程瀏覽器會話，而無狀態化客戶端則為每次工具調用建立新連接，使輕量級服務的資源開銷降低約40%。
智能體級基礎設施的工程實現
在基礎組件之上，AgentScope 1.0通過系統化實現ReAct范式，構建了高效的智能體級基礎設施。ReAct范式將推理(Reasoning)與行動(Acting)相結合，使智能體能夠分析任務、調用工具、觀察執行結果并迭代優化步驟，形成一個閉環。
The workflow of the ReAct agent in AgentScope
如工作流程圖所示，AgentScope中的智能體被設計為通過明確定義的接口與環境交互的實體，包含三個核心功能：
? Reply：作為智能體的主要主動響應機制，用于執行推理、采取行動并生成結論性響應
? Observe：處理外部信息，更新內部狀態或記憶
? Handle Interrupt：處理中斷信號，允許智能體暫停正在進行的操作
多智能體應用架構深度解析
AgentScope 1.0提供了兩種主要的多智能體應用架構模式，為構建復雜智能體系統提供了強大支持：
Agent as a Tool模式：這是一種廣泛使用且推薦的方法，將智能體視為可調用組件，允許智能體作為大型工作流中的可調用組件。這種模式的核心思想是，雖然主智能體仍管理直接的用戶交互和對話，但它可以自主選擇并調用專門的智能體作為工具來處理特定的子任務或專業領域。
例如，如最新研究所示，知識集成型多智能體系統通常需要不同的智能體管理不同的知識庫。當用戶提交查詢時，主智能體會將問題路由到適當的智能體（每個實例化為待調用的工具）。收到請求后，這些智能體基于其知識庫生成響應。最終，這些輸出可以聚合起來，向用戶提供全面的響應。這種"智能體作為工具"的架構促進了AgentScope的可擴展性和靈活性，使智能體能夠獨立開發、測試，并作為新工具快速添加到系統中，從而在不破壞現有工作流的情況下快速適應不斷變化的用戶需求。
Agent Conversation模式：這種模式代表了多智能體應用的另一種標準范式。為簡化開發并降低復雜性，AgentScope提供了管道(Pipelines)和消息中心(MsgHub)來高效管理智能體交互，最大限度地減少重復編碼。
管道抽象將智能體對話中的常見模式（包括順序、條件和迭代消息交換）封裝成簡單可重用的組件。開發者可以通過組裝處理智能體間消息流的管道來構建智能體對話，實現交互邏輯與底層消息傳遞機制的清晰分離。管道可以采用函數式和面向對象兩種風格使用，如下例所示：
# 1: 函數式實現
from agentscope.pipeline import sequential_pipeline
msg = await sequential_pipeline(
# 按順序執行的智能體列表
agents=[alice, bob, charlie, david],
# 第一個輸入消息，可以為None
msg=None
)
# 2: 類式實現
from agentscope.pipeline import SequentialPipeline
# 創建管道對象
pipeline = SequentialPipeline(agents=[alice, bob, charlie, david])
# 調用管道
msg = await pipeline(msg=None)
# 使用不同輸入重用管道
msg = await pipeline(msg=Msg("user", "Hello!", "user"))消息中心抽象作為一個集中式廣播機制，簡化了智能體間的群組對話。通過將消息中心配置為一組參與智能體和初始消息，開發者可以實現自動消息分發，每當任何智能體生成新消息時，如下例所示：
async defexample_broadcast_message():
"""使用MsgHub廣播消息的示例。"""
# 創建消息中心
asyncwith MsgHub(
participants=[alice, bob, charlie],
announcement=Msg(
"user",
"Now introduce yourself in one sentence, including your name, age and career.",
"user",
),
) as hub:
# 無需手動傳遞消息的群組聊天
await alice()
await bob()
await charlie()
asyncio.run(example_broadcast_message())消息中心確保所有參與智能體保持上下文同步，并支持動態群組對話。這種架構特別適合需要多個智能體協作解決復雜問題的場景，例如多領域專家系統或分布式決策系統。
狀態持久化與非侵入式定制機制進一步增強了框架的健壯性和可擴展性。自動化狀態管理系統通過StateModulebase類實現，支持雙模式注冊：
1. StateModule實例的屬性如果是其他StateModule對象，會自動納入其狀態
2. 通過register_state方法顯式注冊其他屬性類型
這種設計不僅消除了樣板代碼，還為開發者提供了state_dict和load_state_dict方法，用于保存和恢復整個嵌套智能體層次結構。同時，框架在智能體生命周期中植入了全面的鉤子系統，允許開發者在不修改核心代碼庫的情況下修改運行時行為。
The workflow of Deep Research Agent
鉤子系統包括reply、observe、reasoning、acting和print等關鍵操作點的預/后事件。這些鉤子不僅能被動監聽，還能主動修改各自函數的輸入和輸出，支持從詳細日志記錄到驗證規則實施的廣泛應用。例如，pre_print鉤子可以攔截控制臺消息并將其重定向到基于Web的用戶界面，有效地將智能體的核心邏輯與其表示層解耦。
并行工具調用和動態工具配置是AgentScope 1.0的另一大亮點。智能體可以在單個推理步驟中生成多個工具調用，并行執行這些調用，特別適用于I/O密集型任務。研究表明，這種并行處理方式可將任務延遲減少約35%，顯著提升了執行效率。動態工具配置則通過reset_equipped_tools函數實現，使智能體能夠在任務執行過程中自主修改可用工具集，適應任務的不同階段。
內置智能體的技術實現與應用場景
AgentScope 1.0提供了三類針對特定應用場景優化的內置智能體，均基于ReAct范式構建，為開發者提供了開箱即用的解決方案或定制化起點。
深度研究智能體：系統化的研究工作流
深度研究智能體專為搜索、收集和整合多源信息而設計，能夠使用搜索API(如Tavily MCP)為用戶提供報告格式的答案。其工作流程包括任務分解與擴展、知識關聯、文檔研究記錄和最終報告生成等環節。
該智能體的核心能力在于查詢擴展、反思和總結。查詢擴展能力將線性工作流轉變為樹狀結構，通過任務分解為可管理的子任務；反思能力分為低級和高級兩種：低級反思處理工具錯誤或參數使用不當等問題，高級反思則解決持續性失敗，可能涉及重新表述當前步驟；總結能力使智能體能夠模擬人類研究行為，在搜索過程中記錄有用結果，形成初步報告。
深度研究智能體與AgentScope的記憶模塊深度集成，能夠在研究過程中存儲和回顧重要信息，進一步增強其生成高質量、全面報告的能力。這一智能體特別適合學術研究、市場分析、技術調查等需要多源驗證和深度分析推理的任務。
The workflow of Deep Research Agent
如圖5所示，深度研究智能體的工作流程從用戶查詢開始，經過任務分解與擴展、知識關聯、文檔研究記錄，最終生成綜合報告。在整個過程中，智能體持續進行反思和調整，確保研究方向的正確性和信息的全面性。這種系統化的研究工作流使深度研究智能體能夠處理復雜的多步驟研究任務，提供高質量的研究成果。
瀏覽器使用智能體：網頁交互的自動化
瀏覽器使用智能體通過將LLM與Playwright等瀏覽器自動化工具集成，實現了對網站的自主導航和交互。其典型應用場景包括預訂航班和酒店、查詢股票價格并整合相關新聞、網絡爬蟲和信息匯總、提交在線表格，以及監控特定網頁內容的實時更新。
The workflow of Browser-user Agent
該智能體的關鍵特性包括：子任務分解與管理，將復雜用戶查詢分解為可管理的子任務并按順序執行；視覺與網頁文本信息整合，通過利用具有視覺能力的大模型，對網頁截圖和HTML內容進行推理；多標簽瀏覽，支持同時管理多個瀏覽器標簽頁；以及長網頁高效處理，將長頁面分割為較小的可管理塊，確保全面信息處理。
這些能力使瀏覽器使用智能體能夠高效收集信息、執行復雜交互并管理多個子任務，最終使用戶能夠通過自動化的網絡環境導航解決復雜問題。圖6清晰地展示了瀏覽器使用智能體的工作流程：從用戶查詢開始，經過任務分解、瀏覽器初始化、網頁觀察、推理與準備、執行瀏覽器操作，最終更新瀏覽器和網頁內容，形成一個完整的閉環。
元規劃智能體：復雜任務的層次化處理
元規劃智能體解決了當代自主智能體系統在處理需要復雜規劃、資源分配和協調能力的多步驟問題時面臨的挑戰。它通過整合規劃能力和動態工作智能體編排，擴展了ReAct范式。
元規劃智能體采用雙模式架構，能夠在輕量級ReAct處理(適用于簡單任務)和全面規劃執行模式(適用于復雜多階段問題)之間自動切換，從而優化計算資源同時保持對各種任務復雜度的穩健性能。
The key component of Meta Planner and an example of its trajectory
該系統圍繞三個核心功能模塊運行：通過結構化路線圖生成進行層次化任務分解、具有專用工具包分配的動態工作智能體實例化，以及支持長期任務連續性的持久狀態管理。元規劃智能體特別適合處理多源數據分析、研究綜合和迭代內容生成等復雜工作流，同時通過全面的進度跟蹤和狀態持久化機制保持透明度，支持任務恢復和調試。
元規劃智能體生成的路線圖結構清晰展示了任務分解的層次化：
{
"roadmap":{
"original_task":"Create a comprehensive analysis report of Meta(META) stock...",
"decomposed_tasks":[
{
"subtask_specification":{
"subtask_description":"Research and gather comprehensive company overview information...",
"input_intro":"Need to collect current information about Meta's business operations...",
"exact_input":"Research Meta Platforms Inc.(META)-gather information about: business model...",
"expected_output":"A comprehensive company overview document...",
"desired_auxiliary_tools":"tavily-search for current company information and recent news"
},
"status":"Planned",
"updates":[],
"attempt":0,
"workers":[]
}
]
}
}這種結構化的任務分解使智能體能夠清晰地管理復雜任務的執行流程，確保每個子任務都有明確的輸入、輸出和所需工具。圖7不僅展示了元規劃智能體的關鍵組件，還提供了實際執行軌跡的示例，清晰地說明了智能體如何通過調用各種工具（如任務分解、路線圖管理、工作智能體創建和執行）來完成復雜任務。
工程支持與開發者體驗
AgentScope 1.0通過三位一體的工程支持體系——評估模塊、Studio可視化界面和Runtime沙箱，為開發者提供了從開發到部署的全流程支持，顯著提升了開發體驗。
評估模塊：系統化的質量保障
評估模塊采用層次化架構，系統地組織了任務、解決方案和指標等核心組件。任務對象代表單個評估單元，封裝了智能體執行和評估所需的所有信息；解決方案輸出類標準化了智能體生成解決方案的表示；指標抽象類支持開發者定義的評估標準；而基準測試則將多個任務聚合為連貫的評估套件。
The evaluation module in AgentScope
評估模塊的架構圖清晰展示了任務、解決方案和指標如何通過評估器協同工作，形成完整的評估流程。SolutionOutput捕獲三個關鍵元素：
1. 表示解決方案是否無異常執行的成功標志
2. 智能體產生的最終輸出
3. 記錄執行過程中所有工具調用和操作結果的完整軌跡
這種設計支持基于結果和基于過程的評估方法，使開發者能夠全面了解智能體的性能。特別值得注意的是，Studio的評估結果可視化采用了先進的統計學方法，通過自舉技術(Bootstrapping)計算置信區間，提供統計上有效的結果。它將性能表示為概率分布，智能適應離散類別和連續指標的不同可視化方式，避免了可能產生誤導的平均值。
Studio將測試項分組為"始終正確"、"始終錯誤"或"不穩定"等類別，幫助開發者快速識別特定問題類型。這種基于分布的評估方法提供了對智能體穩定性、預期性能范圍的透明和可靠視角，相比單一指標具有顯著優勢。研究表明，這種可視化方式可將開發者的問題定位時間減少約50%，顯著提升了調試效率。
框架提供了兩種評估器：GeneralEvaluator適用于開發和調試場景，按順序執行任務；RayEvaluator則利用Ray分布式計算框架實現并行和分布式評估，適合大規模基準測試。這兩種評估器共享相同接口，使開發者能夠在調試便利性和計算效率之間靈活選擇，而無需修改解決方案生成邏輯或基準定義。
Studio：可視化開發體驗
Studio作為AgentScope 1.0的可視化平臺，通過原生集成OpenTelemetry標準，直接消費和渲染應用程序中生成的詳細遙測數據，為開發者提供了直觀的開發體驗。
Demonstrations of Studio in AgentScope
Studio的聊天式對話界面以直觀的方式可視化智能體交互，明確顯示結構化消息組件，如思考過程、工具調用、操作結果和多模態內容。執行軌跡以層次化的時間戳跨度序列展示，每個跨度代表離散的計算步驟，如LLM調用、工具執行或異常發生。這種緊密集成使開發者能夠快速識別延遲源，加速調試和優化過程。
在評估結果可視化方面，Studio不僅將原始評估結果轉換為交互式可視化，還提供軌跡比較功能，支持細粒度分析。當智能體在分布尾部表現出性能差異時，Studio允許并排比較相應的執行軌跡。通過并置工具調用鏈、推理步驟和LLM響應，開發者可以進行細粒度的根因分析，將高層次的統計觀察與可操作的低層次調試見解有效連接。
Studio還內置了一個名為Friday的助手智能體，它不僅能夠積極協助開發者，還展示了AgentScope的高級功能：
- 實時引導功能：Friday能夠響應開發者的查詢，即使在任務執行過程中也能調整行為
- 動態工具配置：它能夠根據上下文自動選擇和配置適當的工具集
- 長期記憶管理：Friday能夠記住開發者的偏好和歷史交互，提供更加個性化的支持
- 框架能力展示：作為框架能力的參考實現，Friday為開發者提供了理解AgentScope高級功能的具體示例
Friday配備了專門的工具集，可以訪問AgentScope提供的資源，將靜態文檔轉化為動態、對話式資源，加速學習和開發過程。例如，它可以檢索Python SDK中函數的確切簽名，或在README和FAQ中查找答案，展示了如何將框架的高級功能整合到實際應用中。這種設計不僅提升了開發體驗，還為開發者提供了理解框架能力的實用示例。
Runtime：安全部署與執行環境
Runtime是AgentScope 1.0的綜合性智能體運行時系統，專為智能體部署和安全沙箱工具執行而設計。它采用雙核架構，包括提供底層基礎設施的Engine模塊和提供隔離環境的Sandbox模塊。
Engine模塊使開發者能夠創建Runner對象并將智能體作為參數傳遞。通過deploy函數，智能體可以輕松部署，自動生成具有集成健康監控、優雅生命周期管理和標準化API協議的生產就緒FastAPI服務。AgentScope還提供對多種智能體通信協議的原生支持，包括Google的Agent-to-Agent(A2A)協議和自定義協議適配器，確保在異構智能體生態系統中的無縫互操作性。
# 創建并配置智能體
agent = AgentScopeAgent(
name="Friday",
model=OpenAIChatModel("gpt-4"),
agent_builder=ReActAgent, # Or your agent class built with AgentScope
)
# 創建可執行Runner
runner = Runner(
agent=agent,
context_manager=ContextManager(),
environment_manager=EnvironmentManager(),
)
# 部署支持A2A協議的生產服務
await runner.deploy(
deploy_manager=LocalDeployManager(
host="localhost",
port=8090,
),
endpoint_path="/process",
protocol_adapters=A2AFastAPIDefaultAdapter(agent=agent),
)Sandbox模塊提供函數式接口，在確保完全隔離的同時保持一致的編程模式。它支持各種專用環境，包括：
1. Filesystem Sandbox：用于安全文件操作，隔離文件系統訪問
2. BrowserSandbox：專為網絡自動化設計，提供瀏覽器會話管理
3. TrainingSandbox：用于基準評估，確保評估環境的一致性
這些專用環境保持一致的接口設計，使開發者能夠無縫切換不同環境，同時確保安全隔離。Sandbox還支持狀態化操作，如跨調用保持狀態：
# 安全工具執行與自動沙箱管理
from agentscope_runtime.sandbox.tools.base import run_ipython_cell
result = run_ipython_cell(code="import os; print(os.listdir())")
# 用于狀態化操作的持久沙箱
with BaseSandbox() as sandbox:
func = run_ipython_cell.bind(sandbox=sandbox)
func(code="data = [1, 2, 3]")
# 跨調用狀態保留
func(code="print(sum(data))")狀態持久化機制使長軌跡應用的恢復時間縮短約60%，顯著提升了開發效率。開發者可以輕松地將額外的MCP服務器擴展到應用程序中，而無需準備安全的工具執行環境。這種設計不僅降低了部署復雜度，還保證了企業級的可靠性和安全性，使開發者能夠專注于智能體邏輯而非基礎設施問題。
價值總結
AgentScope 1.0通過整合模塊化基礎組件、高效智能體級基礎設施和定制化接口，為構建可擴展、適應性強且高效的智能體應用提供了實用基礎。其核心價值體現在三個方面：
首先，模塊化設計帶來了前所未有的靈活性。消息、模型、記憶和工具四大基礎組件的可組合性，使開發者能夠根據具體需求靈活組裝智能體應用，無需從頭開始構建每個組件。特別是Toolkit模塊的分組管理策略，有效解決了"工具選擇悖論"，將工具選擇的準確率從68%提升至89%，顯著提升了智能體的決策效率。
其次，ReAct范式的工程化實現成功架起了理論與實踐之間的橋梁。通過系統異步設計、實時引導、并行工具調用和動態工具配置等機制，AgentScope 1.0將ReAct范式的理論優勢轉化為實際應用中的性能提升。狀態持久化與非侵入式定制機制進一步增強了框架的健壯性和可擴展性，使開發者能夠輕松保存和恢復整個嵌套智能體層次結構。并行工具調用特別適用于I/O密集型任務，可將任務延遲減少約35%，顯著提升執行效率。
最后，開發者友好體驗的系統性支持覆蓋了從開發到部署的全流程。評估模塊的層次化架構和基于統計學的可視化使性能評估更加科學和直觀；Runtime的雙核架構確保了安全部署和執行。這些工具共同構成了一個完整的開發生態系統，使開發者能夠專注于業務邏輯而非底層實現細節。
對開發者而言，AgentScope 1.0不僅降低了智能體應用開發的門檻，通過統一接口和標準化組件簡化了開發過程；還提升了開發效率與質量，通過評估與調試工具支持快速迭代；更重要的是，它通過內置智能體作為開發起點，促進了創新與實踐。
在LLM技術快速演進的今天，AgentScope 1.0代表了智能體框架發展的方向——從單純的推理工具到能夠與環境進行復雜交互的自主實體。隨著工具調用能力成為現代LLM的關鍵特征，一個能夠系統化支持工具調用與環境感知的框架將成為開發真正實用智能體應用的必備工具。AgentScope 1.0正是這樣一個框架，它連接了原型智能體與實際應用，為構建可擴展、適應性強且高效的智能體應用奠定了堅實基礎。
