mc-skills/catalog
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity
catalog/repos/agentscope-ai--agentscope.md

16 KiB
Raw Blame History

多智能体开发框架

AI智能体 多智能体 LLM Python ReAct MCP 强化学习

AgentScope Logo

中文主页 | 教程 | 路线图（2026年1月起） | 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，具备必要的抽象层以适配不断提升的模型能力，并内置微调支持。

我们面向日益具有自主能力的 LLM 进行设计。我们的方式是充分利用模型的推理与工具调用能力，而非用严格的提示词和固化的编排逻辑加以约束。

为什么选择 AgentScope？

  • 简单：内置 ReAct 智能体、工具、技能、人机协同引导、记忆、规划、实时语音、评估与模型微调，5 分钟即可开始构建智能体
  • 可扩展：提供大量工具、记忆与可观测性的生态集成；内置 MCP 和 A2A 支持；消息中枢支持灵活的多智能体编排与工作流
  • 生产就绪：支持本地部署、云端无服务器部署或 K8s 集群部署，内置 OTel 支持


AgentScope 生态系统

最新动态

  • [2026-03] 发布： 我们近期开发并开源了一款名为 CoPaw（Co Personal Agent Workstation，个人智能体工作站）的 AI 助手，基于 AgentScope、AgentScope-Runtime 和 Reme 构建。
  • [2026-02] 新功能： 实时语音智能体支持。示例 | 多智能体实时示例 | 教程
  • [2026-01] 社区： 双周会议正式启动，分享生态进展与开发计划——欢迎参加！详情与日程
  • [2026-01] 新功能： 记忆模块新增数据库支持与记忆压缩功能。示例 | 教程
  • [2025-12] 集成： 支持 A2A（Agent-to-Agent）协议。示例 | 教程
  • [2025-12] 新功能： 支持 TTS（文本转语音）。示例 | 教程
  • [2025-11] 集成： 支持 Anthropic Agent Skill。示例 | 教程
  • [2025-11] 发布： Alias-Agent（面向多样化现实任务）与 Data-Juicer Agent（面向数据处理）开源。Alias-Agent | Data-Juicer Agent
  • [2025-11] 集成： 通过 Trinity-RFT 库支持智能体强化学习。示例 | Trinity-RFT
  • [2025-11] 集成： ReMe 增强长期记忆能力。示例
  • [2025-11] 发布： agentscope-samples 仓库上线，agentscope-runtime 升级，支持 Docker/K8s 部署与基于 VNC 的图形界面沙箱。Samples | Runtime

更多动态 →

社区

欢迎加入我们的社区：

Discord 钉钉

📑 目录

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

Hello AgentScope!

从用户与一个名为"Friday"的 ReAct 智能体 🤖 之间的对话开始吧！

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，能够理解语音并以语音回应，甚至可以用语音交互玩多智能体狼人杀游戏。

实时语音智能体

构建一个带 Web 界面的实时语音智能体，支持通过语音进行输入和输出。

实时聊天机器人 | 实时多智能体示例

人机协同

在 ReActAgent 中支持实时中断：对话可以随时通过取消操作中断，并借助强健的记忆保留机制无缝恢复。

实时引导

灵活使用 MCP

将单个 MCP 工具作为本地可调用函数使用，以组合工具集或封装为更复杂的工具。

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")

    # 方式一：直接调用
    await func(address="天安门广场", city="北京")

    # 方式二：作为工具传给智能体
    toolkit = Toolkit()
    toolkit.register_tool_function(func)
    # ...

    # 方式三：封装为更复杂的工具
    # ...

智能体强化学习

通过强化学习集成无缝训练您的智能体应用。我们还准备了涵盖多种场景的示例项目：

示例 描述 模型 训练效果
数学智能体 训练一个具备多步推理的数学求解智能体 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%
学会提问 使用 LLM 作为裁判进行自动反馈训练 Qwen2.5-7B-Instruct 准确率：47% → 92%
邮件搜索 无需标注数据提升工具调用能力 Qwen3-4B-Instruct-2507 准确率：60%
狼人杀游戏 训练智能体在策略性多智能体游戏中交互 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，支持高效的消息路由与无缝的信息共享。

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 = ...

    # 创建消息中枢管理多智能体对话
    async with MsgHub(
        participants=[agent1, agent2, agent3],
        announcement=Msg("Host", "请各自介绍自己。", "assistant")
    ) as hub:
        # 按顺序依次发言
        await sequential_pipeline([agent1, agent2, agent3])
        # 动态管理参与者
        hub.add(agent4)
        hub.delete(agent3)
        await hub.broadcast(Msg("Host", "再见！", "assistant"))

asyncio.run(multi_agent_conversation())

文档

更多示例与样本

功能

智能体

游戏

工作流

评估

调优器

贡献

欢迎社区贡献！请参阅 CONTRIBUTING.md 了解贡献指南。

许可证

AgentScope 基于 Apache License 2.0 发布。

论文发表

如果我们的工作对您的研究或应用有所帮助，请引用我们的论文。

@article{agentscope_v1,
    author  = {Dawei Gao, Zitao Li, Yuexiang Xie, Weirui Kuang, Liuyi Yao, Bingchen Qian, Zhijian Ma, Yue Cui, Haohao Luo, Shen Li, Lu Yi, Yi Yu, Shiqi He, Zhiling Luo, Wenmeng Zhou, Zhicheng Zhang, Xuguang He, Ziqian Chen, Weikai Liao, Farruh Isakulovich Kushnazarov, Yaliang Li, Bolin Ding, Jingren Zhou}
    title   = {AgentScope 1.0: A Developer-Centric Framework for Building Agentic Applications},
    journal = {CoRR},
    volume  = {abs/2508.16279},
    year    = {2025},
}

@article{agentscope,
    author  = {Dawei Gao, Zitao Li, Xuchen Pan, Weirui Kuang, Zhijian Ma, Bingchen Qian, Fei Wei, Wenhao Zhang, Yuexiang Xie, Daoyuan Chen, Liuyi Yao, Hongyi Peng, Zeyu Zhang, Lin Zhu, Chen Cheng, Hongzhu Shi, Yaliang Li, Bolin Ding, Jingren Zhou}
    title   = {AgentScope: A Flexible yet Robust Multi-Agent Platform},
    journal = {CoRR},
    volume  = {abs/2402.14034},
    year    = {2024},
}

贡献者

感谢所有贡献者：