AgentScope 2.0实战指南从零到上线搭建一套看得懂的多智能体系统【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凌晨三点的事故现场过程黑盒查无可查同事的自动巡检任务半夜删掉了一批测试文件。你打开日志分不清哪句话是哪个智能体说的、哪次工具调用失败了全程黑盒。AgentScope 2.0 的解法就两件事把每一次推理、工具调用、权限判定变成可回放的事件流再给每次工具调用挂一道细粒度权限闸门。它不是工作流引擎而是一套智能体积木结论先行AgentScope 2.0 的定位和传统编排框架正好相反。它不用固定提示词模板和固化流程图去框住模型只负责供料——Agent、Toolkit、Model、权限引擎、中间件、事件系统、工作区拼装权在你手里。框架赌的是现代大模型自身的推理与工具调用能力负责的是可见与安全而不是代替决策。能力分两层按需取用层你拿到什么适用时机SDK 层ReAct 推理循环结构化输出、可中断可恢复、批量工具执行、Toolkit内置 shell/文件/搜索 MCP 技能、ModelDashScope、OpenAI、Anthropic、Gemini、DeepSeek、Moonshot、Ollama 等统一接口、权限引擎、可组合中间件、事件流、沙箱工作区Local/Docker/E2B/K8s/Daytona在代码里自由组合智能体Agent Service 层FastAPI 后端 现成 Web UI多租户多会话、智能体团队、IM 渠道飞书/Discord/钉钉、RAG、MCP 与技能市场、SQL/NoSQL 持久化、定时任务把智能体直接变成线上应用如果你需要长期记忆SDK 层也给了现成后端ReMe、Mem0 等示例在 examples/long_term_memory/。最小可运行示例5 分钟在终端见到一个巡检员想 5 分钟看到效果别先组二人组。一个 Agent 一个 Toolkit 一个控制台就是最小形态launch_console把终端流式输出、工具调用确认、CtrlC 中断全替你包了。import asyncio, os 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 Bash, Grep, Read, Toolkit async def main() - None: patrol Agent( namePatrol, system_promptYou are a codebase patrol officer. Inspect the repo with tools., modelDashScopeChatModel( credentialDashScopeCredential(api_keyos.environ[DASHSCOPE_API_KEY]), modelqwen3.6-plus, ), toolkitToolkit(tools[Bash(), Grep(), Read()]), ) await launch_console(patrol) # 流式输出 / 确认 / CtrlC 中断都内置 asyncio.run(main())先export DASHSCOPE_API_KEYsk-...再跑就能在终端里和这个巡检员对话。跑起来你会发现几个自主性细节模型一轮发出多个工具调用时框架会分组执行而不是傻等见 src/agentscope/agent/_agent.py 里的_batch_tool_callsreply接受structured_schema参数让智能体直接返回符合 Pydantic 模型的结构省掉解析自由文本reply_stream是事件生成器用户确认、外部中断都能作为输入喂回去智能体从断点继续而不是从头重跑。主线实战巡检 复核双人组从安装到跑通单人巡检员能跑了但信不过它自写的报告怎么办升级路线是经典双人组一个巡检员产出代码审计报告一个复核员对着磁盘上的真实文件验收不过就打回重做。第 1 步安装。只支持 Python 3.11。git clone https://gitcode.com/GitHub_Trending/ag/agentscope cd agentscope uv pip install -e . # 或者直接uv pip install agentscope第 2 步共享工作区。两个智能体必须共用同一个LocalWorkspace——这样复核员判断的是磁盘上真实写下的东西而不是巡检员声称自己写了什么。from agentscope.workspace import LocalWorkspace async with LocalWorkspace(workdirpatrol_ws) as ws: shared_tools await ws.list_tools() # 双方的工具都从同一块磁盘来第 3 步两个智能体 权限上下文。复核员就是普通Agent不是什么特殊类它的验收结论走结构化输出pass/fail 结论加一条指出缺什么的message要查文件、跑命令时用的是和巡检员一样的工具。巡检任务无人值守两者都放BYPASS模式前提是它们住在受控 workspace 里。想保留点闸门就别全放行——给权限引擎加规则每次工具执行请求都会过一道判定from agentscope.permission import ( PermissionBehavior, PermissionContext, PermissionEngine, PermissionMode, PermissionRule, ) ctx PermissionContext(modePermissionMode.ACCEPT_EDITS) engine PermissionEngine(ctx) engine.add_rule(PermissionRule( # Bash 按命令前缀通配匹配 tool_nameBash, rule_contentgit log:*, behaviorPermissionBehavior.ALLOW, sourceuserSettings, )) engine.add_rule(PermissionRule( # 文件类工具按路径 glob 匹配 tool_nameWrite, rule_contentreports/**, behaviorPermissionBehavior.ALLOW, sourceuserSettings, ))模式从松到紧几档ACCEPT_EDITS自动放行工作目录内的文件编辑EXPLORE只读BYPASS跳过所有确认让智能体端到端跑完DONT_ASK则把一切要问人的确认转成拒绝专为无人值守设计。from agentscope.agent import Agent from agentscope.permission import PermissionContext, PermissionMode from agentscope.state import AgentState from agentscope.tool import Toolkit llm DashScopeChatModel( # 预建的模型两个智能体共用 credentialDashScopeCredential(api_keyos.environ[DASHSCOPE_API_KEY]), modelqwen3.6-plus, ) inspector Agent( nameInspector, system_promptYoure a code auditor named Inspector., modelllm, toolkitToolkit(toolsshared_tools), offloaderws, # 大工具结果 / 长上下文卸载到工作区 stateAgentState(permission_contextPermissionContext( modePermissionMode.BYPASS)), ) auditor Agent( # 同构名字 提示词 模型 工具 权限 nameAuditor, system_promptYoure a strict reviewer named Auditor., modelllm, toolkitToolkit(toolsshared_tools), offloaderws, stateAgentState(permission_contextPermissionContext( modePermissionMode.BYPASS)), )第 4 步套上 GoalPipeline。复核不通过时驳回意见原样回传给巡检员最多循环max_iters次。注意目标不是构造时写死的而是这条流水线第一次被要求做什么——同一个 pipeline 换个任务验收标准自动跟着换。from agentscope.pipeline import GoalPipeline pipe GoalPipeline(executorinspector, verifierauditor, max_iters5)第 5 步挂好可观测再启动。启动前别省事件流这一步reply_stream持续产出细粒度事件——模型调用开始/结束、文本增量、思考块、工具调用块、工具结果增量——事件流之于智能体相当于 syslog 之于进程落盘之后谁在推理、调了哪个工具、结果是什么全程可回放。生产级的链路追踪把 src/agentscope/middleware/_tracing/ 里的 OpenTelemetry 兼容模块挂上每个智能体操作都能进 Jaeger/Zipkin想在哪一步埋点src/agentscope/middleware/ 的回复、推理、行动、模型调用、权限检查等环节都有钩子不动核心逻辑。await launch_console(agentpipe)跑一遍你会看到两个智能体的事件流在终端里交替滚动巡检员出报告、复核员对着文件挑错打回、巡检员修、复核员再验全程透明。上线之前把脚本升级成多租户 Agent 服务个人脚本到此为止要上线AgentScope 附带了电池全包的 Agent ServiceFastAPI 后端 现成 Web UI开箱即有多租户多会话隔离、智能体团队leader 派活给 worker内置团队工具、IM 渠道飞书/Discord/钉钉、RAG 知识库、MCP 与技能市场浏览、安装、挂进工作区、SQL/NoSQL 持久化、定时任务与后台任务卸载。本地起服务的完整示例在 examples/agent_service/起一个 Redis 做存储后端python main.py启动后端另开终端pnpm install pnpm dev起 Web UIexamples/web_ui/前端指到http://localhost:8000就能用。定制点就在main.py——挂你自己的 MCP、中间件、工作区管理器即可不用从零写框架。需要记忆和知识库时examples/long_term_memory/ 与 examples/rag/ 的示例可直接照抄。权限控制与工程踩坑7 个最容易翻车的地方PermissionRule 漏了source字段。它是模型的必填项缺了 pydantic 直接校验报错。构造规则时记得带上sourceuserSettings或projectSettings。BYPASS 只给沙箱用。该模式连工具自带的安全拦截rm -rf /之类都跳过在本地裸机开等于把 shell 交给模型只放进 Docker/E2B/K8s 工作区无人值守又要保安全就用DONT_ASK。规则模式写错 静默失效。匹配语义按工具分Bash 是命令前缀通配git:*文件工具是路径 globreports/**语法写错时规则不匹配也不报错上线前用一条必触发的规则做冒烟测试。用 if-else 复刻编排逻辑。你是在亲手阉割模型推理能力固定逻辑用GoalPipeline这类 pipeline 表达开放部分交给模型。长任务不卸载。耗时工具调用会阻塞事件流通过 offloader 丢到后台结果回来再唤醒智能体继续事件流全程不断。恢复执行时自己记轮到谁了。恢复事件自带reply_id指向被挂起的智能体照用即可。Python 版本别低。只支持 3.11老环境装不上或行为异常先升级再排查。下一步先跑通上面这条巡检-复核流水线再换一家模型厂商验证统一接口然后把工作区从 Local 切到 Docker 沙箱——每层能力按需取用即可。【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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考