企业官网建设流程全解析

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key）：

import 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( 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(), 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）、Ctrl+C 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(executor=executor, verifier=verifier, max_iters=10)。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：

1. 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。
2. 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。
3. 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。
4. 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