AgentScope 多智能体开发从安装环境到跑通双智能体协作流水线【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手写多智能体系统时常被三件事卡住多个智能体之间怎么通信、工具调用怎么交接、中间状态去哪儿看。AgentScope 是一个 Python 多智能体框架把智能体循环、消息流转、工具调用和任务规划收进了同一套抽象里。本文按动手实践的顺序写3 分钟内你能在终端跑通第一个智能体对话。3 分钟跑通第一个多智能体 Demo一键安装 最小可运行示例环境要求只有一条Python 3.11 及以上。安装走 PyPI 或源码两条路# 从 PyPI 安装 pip install agentscope # 或从源码以可编辑模式安装 git clone https://gitcode.com/GitHub_Trending/ag/agentscope cd agentscope pip install -e .最小的可运行形态是下面这段代码先export DASHSCOPE_API_KEY你的keyimport os, asyncio from agentscope.agent import Agent from agentscope.console import launch_console from agentscope.credential import DashScopeCredential from agentscope.model import DashScopeChatModel from agentscope.tool import Toolkit, Bash, Read, Write, Edit async def main(): agent Agent( nameFriday, system_promptYoure a helpful assistant named Friday., modelDashScopeChatModel( credentialDashScopeCredential(api_keyos.environ[DASHSCOPE_API_KEY]), modelqwen3.6-plus, ), toolkitToolkit(tools[Bash(), Read(), Write(), Edit()]), ) await launch_console(agent) asyncio.run(main())这段代码做了一件事构造一个Agent给它身份name与system_prompt、模型DashScopeChatModel通过credential注入 API Key和工具Toolkit(tools[...])把 Shell、文件读写编辑注册为可调用的动作再交给launch_console进入终端对话。流式输出、工具调用确认y单次放行、a记住规则、CtrlC 中断都是内置行为你不需要自己写循环。跑通这一屏之后框架的其余部分就可以按模块拆解了。核心能力全景图智能体角色、消息流转与任务规划下图是 AgentScope 2.0 的整体能力结构后续四个小节都落在这张图上智能体角色与模型接入这个模块回答谁在干活。所有角色——执行者、校验者、团队 Leader——都是同一个Agent类区别只在system_prompt和AgentState携带权限上下文这类配置模型侧DashScopeChatModel以及 OpenAI、Anthropic、Gemini 等厂商模型统一实现ChatModelBase接口换模型只改一个构造参数。ModelConfig里还能配 fallback 模型和重试次数这是走向生产时容易忽略的一项。消息流转与事件系统多 Agent 消息通信走的是统一的Msg消息内容拆成TextBlock、ToolCallBlock、ToolResultBlock等块不靠函数互调。运行期间推理、每次工具调用、多模态输出都以AgentEvent事件流出终端和 Web 前端订阅同一条事件流。换句话说看得见智能体在干什么是框架的标准输出不是附加功能。工具调用与任务规划Toolkit是工具的唯一入口内置Bash/Grep/Glob/Read/Write/Edit同时统一管理 MCP 服务和 Skill三者对智能体呈现为同一类可调用对象。任务规划方面智能体把复杂工作拆成可追踪的计划并在执行中持续更新下图展示的是这种规划与执行更新的交互过程实时交互与调试调试入口是launch_console流式渲染文本、思考块和工具结果权限检查支持确认与 bypass自动放行两种模式中断与恢复都可用事件回喂继续。这意味着写多智能体应用时终端就是第一层测试环境不必先搭前端。三个值得尝试的实战场景最小闭环跑通后下面三个方向能检验这套抽象在真实任务里的成色。搭建执行者-校验者双智能体流水线问题你让智能体写代码但不想听它一句我完成了。做法是用GoalPipeline把两个Agent串成循环Executor 在共享LocalWorkspace里写文件Verifier 用同一套工具核对实际产物以结构化输出给出 pass/fail打回的意见原文回到执行者手里最多max_iters轮。关键调用只有一行GoalPipeline(executorexecutor, verifierverifier, max_iters10)。可运行代码在 examples/pipeline/goal/改一个 prompt 就能观察轮次变化。让智能体团队接管长流程任务问题单个智能体撑不起跨越多轮、多份文件的长任务。智能体服务层用create_app提供 Leader–Worker 编排Leader 派生 Worker用内置团队工具分派与协调还能挂接飞书、钉钉等消息渠道和 MCP Hub。下图是 Leader 与 Worker 之间的派生与协作过程让长耗时工具转后台对话不被卡死问题一个跑几分钟的工具会冻结整个会话。AgentScope 把长耗时工具调用卸载到后台任务结果产出后唤醒智能体、恢复上下文服务层还可叠加定时调度与智能体唤醒。后台卸载到恢复的完整过程见下图从 Demo 到生产智能体协作开发的渐进学习路径按依赖关系由浅入深建议走四步先动手打开 examples/console/设置 Key 后运行main.py故意触发一次Write确认流程并试一下长期记忆中间件——权限机制和中断恢复的体感都在这里。再跑双智能体过一遍 examples/pipeline/goal/ 的执行-校验循环然后把 examples/agent_service/ 的后端与 examples/web_ui/ 的 Web UI 启动起来了解团队编排、消息渠道与 MCP Hub 怎么组合。查文档对齐能力边界docs/ 下有 changelog 与功能新闻先读它确认你目标版本里各模块的实际形态再看中间件章节了解如何给循环加钩子。深入一个模块想搞懂权限读src/agentscope/permission/里的PermissionEngine与PermissionMode枚举想搞懂 ReAct 循环看src/agentscope/agent/_config.py中的ReActConfig与ContextConfig前者控制迭代上限后者控制上下文压缩。读到这里最快的下一步不是收藏设置好DASHSCOPE_API_KEY把examples/pipeline/goal/的双智能体循环跑一遍再把 Verifier 的 system_prompt 改得更严格记录轮次变化。一次这样的实验比通读三篇介绍更能让你理解事件流、工作区共享和权限确认是怎么配合的。【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