AgentScope 2.0 完整教程：多智能体框架从安装到部署的最小路径
【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 是一个面向生产环境的多智能体开发框架：它提供智能体、工具、模型、权限、沙箱工作空间这一整套构建块，并内置可多租户部署的 FastAPI 智能体服务与配套 Web UI。本文只讲最短上手路径和真正用得到的能力，不堆砌 API。
项目定位：它是什么、解决什么问题
单个大模型智能体能回答问题，但做不完一件完整的事：它没有隔离的执行环境，没有权限边界，没有记忆，也接不进钉钉、飞书这类实际工作入口。AgentScope 要解决的就是这些缺口。它的定位可以概括为两层：
- SDK 层：把智能体拆成可组合的构建块——ReAct 推理循环、Toolkit 工具管理、多厂商模型封装（OpenAI、Anthropic、Gemini、DashScope、DeepSeek、Moonshot、xAI、Ollama）、事件总线、权限与人工确认（HITL）、中间件、长期记忆、沙箱工作空间。源码入口在 src/agentscope/，每个能力域一个子包，可以按需取用。
- 服务层：一套开箱即用的 FastAPI 智能体服务，把上面的构建块组装成多租户、多会话隔离的应用，前端是一个预置的 Web UI（examples/web_ui/）。
适合人群：需要用大模型跑真实任务（执行命令、读写文件、检索知识库）而不仅是聊天的开发者；痛点是自建这类系统时，权限、隔离、多会话状态这几件事往往要占掉一半工期。
三分钟跑起来：安装与第一个实例
前提是Python 3.11+。安装只有一条命令：
uv pip install agentscope # 或 pip install agentscope下面这段代码创建一个带 shell、文件读写工具的智能体，然后在终端里流式对话（含工具确认和 Ctrl+C 中断处理），是验证环境是否可用的最小样例：
from agentscope.agent import Agent from agentscope.console import launch_console from agentscope.tool import Toolkit, Bash, Read, Write from agentscope.credential import DashScopeCredential from agentscope.model import DashScopeChatModel import os, asyncio async def main(): agent = Agent( name="Friday", system_prompt="You're a helpful assistant named Friday.", model=DashScopeChatModel( credential=DashScopeCredential(api_key=os.environ["DASHSCOPE_API_KEY"]), model="qwen3.6-plus", ), toolkit=Toolkit(tools=[Bash(), Read(), Write()]), ) await launch_console(agent) # 在终端中与智能体对话 asyncio.run(main())想要图形界面，再补两条启动命令即可：克隆仓库后（git clone https://gitcode.com/GitHub_Trending/ag/agentscope），在 examples/agent_service/ 下执行python main.py启动后端，另开终端在 examples/web_ui/ 下执行pnpm install && pnpm dev启动 Web UI。
能力地图：协作、工具、知识三个域
不按模块逐条罗列，把能力按三个域归组，方便你对号入座：
域一：多智能体协作
- 智能体团队：领导型智能体用内置团队工具（
TeamCreate、TeamSay等，见 src/agentscope/app/_tool/）创建、调度工人智能体，无需手写编排代码。 - 任务规划：智能体把复杂工作拆成带状态的计划并随执行进度更新，任务工具在 src/agentscope/tool/_task/。
- Pipeline：用一条事件流按固定逻辑串联多个智能体，适合流程可预知的场景，示例见 examples/pipeline/。
域二：工具与沙箱安全
- Toolkit 内置工具：shell、文件编辑、Glob/Grep 搜索等编码工具开箱即用，还支持挂载 MCP 服务器和 Skill，代码在 src/agentscope/tool/。
- 权限与 HITL：对每次工具调用做细粒度决策——允许、询问、拒绝，支持 bypass 模式让流程端到端跑完不停顿。
- 工作空间隔离：工具与代码在沙箱里执行，后端覆盖 local、Docker、Apple Container、Bubblewrap、E2B、OpenSandbox、Daytona、K8s 八种，实现在 src/agentscope/workspace_manager/。
域三：知识与记忆
- RAG：内置解析、切块、向量库（Qdrant、Milvus Lite、MongoDB、Elasticsearch）到检索的完整链路，多租户检索见 src/agentscope/app/rag/。
- 长期记忆：Agentic Memory、Mem0、ReMe 三种可切换后端，示例在 examples/long_term_memory/。
- 上下文管理：自动压缩、工具结果卸载、系统提示注入由中间件完成，长会话不爆上下文。
落地场景：输入→输出
用两个典型场景说明它到底交付什么，格式是「你给什么 → 它产出什么」：
| 场景 | 你的输入 | 它的产出 |
|---|---|---|
| 代码库分析 | 一句话，如「找出本仓库所有 TODO 并评估优先级」 | 智能体在沙箱里跑 grep/read 工具、生成带行号依据的分析结论，全程事件流可回放 |
| 文档问答服务 | 上传一组 PDF/Word/Excel | RAG 服务完成解析、切块、建索引；智能体回答时附来源片段，支持多租户隔离访问 |
| IM 里的智能体 | 在钉钉/飞书群里 @ 它提需求 | 通过 Channel 层（src/agentscope/app/channel/）路由到对应会话，智能体执行工具后把结果发回群里 |
共同点是：这些都不是 demo 脚本，而是服务层直接提供的能力，接入成本是配置而非开发。
进阶能力：让智能体更可用
跑通对话之后，真正决定能否上线的是这三件事：
- 记忆持久化。接入 ReMe 或 Mem0 后，智能体跨会话记住偏好与历史结论，后端可切换，示例入口 examples/long_term_memory/reme/reme_demo.py。
- 知识注入。RAG 支持文本与图像等多模态文档，索引由独立 worker 进程完成（src/agentscope/app/rag/index_worker/），检索服务可分布式部署。
- 隔离与调度。敏感操作放进 Docker 或云沙箱执行；长任务通过后台任务卸载机制移到后台，完成后自动唤醒智能体续跑；配合定时任务（scheduler）可以做出"到点自动干活"的机器人。
持续跟进：文档、示例与更新
- 示例：examples/ 覆盖 agent_service、web_ui、pipeline、RAG、长期记忆全部主线；各模型调用样例在 scripts/model_examples/，每家厂商都有单智能体/多智能体/多模态三档脚本。
- 更新日志：docs/NEWS.md 是唯一的版本事实源。近几个月的关键节点：2026-05 发布 2.0；2026-06 起连续加入 RAG、分布式多租户 RAG、Mem0、Agentic Memory；2026-07 增加 Daytona、K8s、OpenSandbox 工作空间与 ReMe 记忆；2026-08 加入 Console 终端调试、IM Channel（钉钉/飞书/Discord）、MCP 与 Skill Hub。
- 社区：官方 Discord 与钉钉群，仓库遵循 CONTRIBUTING.md 接受贡献，许可证为 Apache 2.0。
想动手的话，从"三分钟跑起来"那一段开始，装完依赖把第一个智能体跑进终端——能打断、能确认、能执行工具的智能体，才是这个框架真正值得看的地方。
【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
