AgentScope 多智能体框架深度研究

#1 一句话定位

AgentScope 是一个多 Agent 编排框架。它不是一个模型，不是一个 App，而是一个帮你把多个 AI Agent 组装在一起、让它们互相通信协作的开发框架。

类比：如果单个 LLM API 调用是"一个人干活"，AgentScope 就是"组建一支团队让多个人分工合作"。

#2 核心架构

Application Layer ReAct Agent User Agent Custom Agent

↓

Orchestration MsgHub Pipeline A2A Protocol

↓

Core Modules Memory Tool / MCP Formatter

↓

Model Layer DashScope OpenAI Anthropic Ollama vLLM

Message — 统一通信

所有 Agent 之间用统一的 Msg 对象通信，包含 name、content、role 等字段。MsgHub 负责消息路由和广播。

Agent — 智能体

核心是 ReActAgent：接收消息 → 思考 → 调工具 → 观察结果 → 循环。支持人机协作实时打断。

Memory — 记忆系统

InMemoryMemory（短期）+ 数据库持久化（长期）+ 自动压缩。支持 ReMe、Qdrant、Milvus 等向量库。

Tool — 工具注册

Toolkit 统一注册函数/MCP 工具，Agent 通过 function calling 调用。支持 MCP 标准协议、后台异步执行。

#3 源码包结构

// src/agentscope/ 核心包目录
agentscope/
  ├── agent/        # ReActAgent, UserAgent 等智能体实现
  ├── model/        # DashScope, OpenAI, Anthropic 等模型封装
  ├── memory/       # InMemoryMemory, 数据库存储, 压缩
  ├── tool/         # Toolkit, 工具注册, function calling
  ├── mcp/          # MCP 客户端 (HttpStatelessClient)
  ├── a2a/          # Agent-to-Agent 协议实现
  ├── pipeline/     # MsgHub, sequential_pipeline 编排
  ├── message/      # Msg 统一消息格式
  ├── formatter/    # 各模型的 prompt 格式化器
  ├── plan/         # Agent 计划模块
  ├── rag/          # RAG 检索增强生成
  ├── realtime/     # 实时语音交互
  ├── tts/          # 文本转语音
  ├── evaluate/     # 评估框架
  ├── tuner/        # 模型微调 (Trinity-RFT)
  ├── tracing/      # OpenTelemetry 可观测性
  ├── session/      # 会话管理 (SQLite)
  ├── hooks/        # 生命周期钩子
  └── embedding/    # 嵌入模型
        

#4 核心特性详解

ReAct Agent

推理 → 行动 → 观察循环
内置工具调用 (function calling)
人机协作实时打断
流式输出支持

MCP 集成

MCP 工具 → 本地可调函数
支持 streamable_http 传输
可直接调用 / 注册给 Agent / 组合封装

A2A 协议

Google 提出的 Agent 间通信标准
跨框架 Agent 互操作
任务卡片 / 能力声明

多 Agent 编排

MsgHub 消息中心广播
sequential_pipeline 顺序执行
动态增删参与者
灵活的消息路由

实时语音

TTS 文本转语音
实时双向语音交互
多 Agent 语音场景（狼人杀）

模型微调

Trinity-RFT 强化学习
Agent 行为优化
数据增强 + 合成
狼人杀胜率 50% → 80%

#5 模型支持矩阵

模型平台	典型模型	主要用途	接入方式
DashScope	Qwen-max, Qwen3 系列	主力模型，示例默认	内置 DashScopeChatModel
OpenAI	GPT-4o, GPT-4.1	通用对话/推理	内置 OpenAI 兼容
Anthropic	Claude Opus/Sonnet	复杂推理/代码	内置支持
Gemini	Gemini Pro	多模态	可选依赖 [gemini]
Ollama	Llama, Mistral 等	本地部署	可选依赖 [ollama]
vLLM	任意 HF 模型	高性能本地推理	内置支持
HuggingFace	Endpoint 模型	云端托管	Endpoint 接入

#6 代码示例

Hello AgentScope — 最简 ReAct Agent

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
import asyncio

async def main():
    toolkit = Toolkit()
    toolkit.register_tool_function(execute_python_code)

    agent = ReActAgent(
        name="Friday",
        sys_prompt="You're a helpful assistant.",
        model=DashScopeChatModel(
            model_name="qwen-max",
            api_key=os.environ["DASHSCOPE_API_KEY"],
        ),
        memory=InMemoryMemory(),
        formatter=DashScopeChatFormatter(),
        toolkit=toolkit,
    )

    user = UserAgent(name="user")
    msg = None
    while True:
        msg = await agent(msg)
        msg = await user(msg)

asyncio.run(main())
        

MCP 工具调用 — 把 MCP 服务变成本地函数

from agentscope.mcp import HttpStatelessClient
from agentscope.tool import Toolkit

async def use_mcp():
    client = HttpStatelessClient(
        name="gaode_mcp",
        transport="streamable_http",
        url="https://mcp.amap.com/mcp?key=YOUR_KEY",
    )
    # MCP 工具 → 本地可调用函数
    func = await client.get_callable_function(func_name="maps_geo")

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

    # 或注册给 Agent
    toolkit = Toolkit()
    toolkit.register_tool_function(func)
        

多 Agent 编排 — MsgHub 消息中心

from agentscope.pipeline import MsgHub, sequential_pipeline
from agentscope.message import Msg

async def multi_agent():
    # 创建多个 Agent...
    agent1, agent2, agent3, agent4 = ...

    # MsgHub 管理消息广播
    async with MsgHub(
        participants=[agent1, agent2, agent3],
        announcement=Msg("Host", "请介绍一下自己。", "assistant")
    ) as hub:
        # 顺序发言
        await sequential_pipeline([agent1, agent2, agent3])
        # 动态增删参与者
        hub.add(agent4)
        hub.delete(agent3)
        

#7 官方示例项目一览

类别	示例	说明
智能体	ReAct Agent	基础推理-行动循环智能体
	Voice Agent	语音交互智能体
	Deep Research Agent	深度研究/调研智能体
	Browser Agent	浏览器操作智能体
	Meta Planner Agent	任务规划元智能体
	A2A Agent	Agent-to-Agent 通信智能体
	Realtime Voice Agent	实时双向语音智能体
功能	MCP	Model Context Protocol 工具集成
	RAG	检索增强生成
	Structured Output	结构化输出（JSON Schema）
	Memory Compression	记忆自动压缩
	Long-term Memory	ReMe / Qdrant / Milvus 长期记忆
工作流	Multi-Agent Debate	多智能体辩论
工作流	Multi-Agent Realtime	多智能体实时语音交互
游戏	Werewolves (9人)	九人制狼人杀
微调	Math Agent	数学求解微调 (75% → 85%)
	Frozen Lake	冰湖游戏微调 (15% → 86%)
	Werewolf Tuning	狼人杀策略微调 (50% → 80%)

#8 生态系统

AgentScope Core

核心框架本体，Agent + Model + Memory + Tool 四大模块

AgentScope Runtime

生产运行时：Docker/K8s 部署、安全沙箱、VNC 图形界面、Agent-as-a-Service

AgentScope Studio

可视化开发/调试环境，拖拽式 Agent 编排

CoPaw

基于 AgentScope 构建的个人 AI 助手产品 (2026-03 开源)

#9 发展时间线

2026-03

v1.0.18 发布 / CoPaw 个人助手开源 / HuggingFace 修复 / 工具后台执行

2026-02

实时语音 Agent 上线，支持多 Agent 实时语音交互

2026-01

Memory 数据库支持 + 记忆压缩 / 社区双周会议启动

2025-12

A2A 协议集成 / TTS 支持 / 深度研究 Agent

2025-11

Trinity-RFT 强化学习 / ReMe 长期记忆 / agentscope-runtime 发布

2024-02

AgentScope 论文发布 (arXiv: 2402.14034)，框架正式开源

#10 安装方式

PyPI 安装（推荐）

# 基础安装
pip install agentscope

# 带可选依赖
pip install agentscope[gemini]      # Gemini 支持
pip install agentscope[ollama]      # Ollama 本地模型
pip install agentscope[rag]         # RAG 检索增强
pip install agentscope[a2a]         # A2A 协议
pip install agentscope[realtime]    # 实时语音
          

从源码安装

git clone -b main \
  https://github.com/agentscope-ai/agentscope.git

cd agentscope
pip install -e .

# 或 uv
uv pip install -e .
          

#11 与同类框架对比

维度	AgentScope	LangChain / LangGraph	AutoGen	CrewAI
定位	生产级多 Agent	LLM 应用开发全家桶	多 Agent 对话	角色扮演多 Agent
核心范式	ReAct + MsgHub	Chain / Graph	对话驱动	任务分配
MCP 支持	原生支持	社区插件	有限	第三方
A2A 支持	原生支持	无	无	无
模型微调	内置 RL	无	无	无
主要模型	DashScope 为主	OpenAI 为主	OpenAI 为主	不限
部署	K8s / Docker	LangServe	无内置	无内置
学习曲线	中等	较陡	较低	低
生态成熟度	快速成长中	最成熟	中等	中等

#12 客观评价：噱头还是实力？

结论：不是噱头，但你不一定需要

AgentScope 解决的是真实存在的工程问题 — 当你需要多个 AI Agent 协作、通信、共享记忆时，手写消息路由和状态管理是痛苦的。这个框架确实简化了这个过程。

但对于大多数项目（尤其是单 Agent + 工具调用的场景），直接用 SDK 调 API 更简单、更可控、更省钱。框架带来的抽象层反而增加了调试成本和依赖风险。

值得用的场景

需要 3+ 个 Agent 协作分工
Agent 之间需要消息路由/广播
需要 A2A 跨框架互操作
要做 Agent 行为的 RL 微调
K8s 生产部署多 Agent 服务

不需要的场景

单 Agent + RAG（直接调 API）
浏览器自动化（Playwright 就行）
模板填充 + LLM 润色
追求轻量省钱的项目
API 走 Poe/OpenRouter（适配要折腾）

#13 关键链接

AgentScope