夜雨聆风学习资料网

ARTICLE · 1373241

36k star、40 万月下载:AgentScope 2.0 想把 Agent 应用做成一套后端

36k star、40 万月下载:AgentScope 2.0 想把 Agent 应用做成一套后端

大多数 Agent 框架在教你“怎么编排流程”,AgentScope 2.0 的官方说法是:不预设编排,把控制权交给越来越强的模型。它给的是积木(ReAct、工具、上下文、权限、8 种沙箱),再加一套多租户、多渠道、带 RAG 和 MCP Hub 的 Agent 后端服务。

最近在按 Loop / Graph / Harness 这套框架扫 agent 项目。之前拆过 Python 框架(Pydantic AI)、Java 框架(Spring AI Alibaba)、GUI Agent(UI-TARS)、研究 Agent(GPT Researcher)。

这次回到 Python,但视角不同:AgentScope 2.0(agentscope-ai/agentscope,表里 11 月 16 日推荐时 36,048 star,现在 36k)。

选它的原因:前面拆的框架大多停留在“怎么定义一个 Agent”,而 AgentScope 2.0 往前多走了一步——它不只给你 SDK,还给你一整套 Agent Service:多租户、多会话、IM 渠道、RAG、MCP Hub、团队编排、定时调度、状态持久化。换句话说,它想解决的不是“Agent 怎么写”,而是“Agent 应用怎么作为服务跑起来”。

这对做过 Java 后端的人应该很熟悉:相当于不只是给你 Spring Boot,还附带了管理后台、消息通道、权限体系和部署方案。

数据截至 2026-11-17(最新版 v2.0.12,2026-11-16),来自 GitHub 仓库、README、官方文档、NEWS 和源码;我没有实际部署 Agent Service,结论只到文档、源码和公开数据这一层。

36k

GitHub stars(2026-11-17)

40.2 万

PyPI 月下载

233

贡献者

v2.0.12

当前版本(2026-11-16)

01

PART

先把事实摆出来

FACTS

GitHub 与项目(2026-11-17):

Stars 36k(表内快照 36,048),forks 3.9k,贡献者 233,Apache-2.0

最新版 v2.0.12(2026-11-16);2024-02 首发 0.0.1,累计 56 个 release

PyPI 月下载 约 40.2 万——在 Agent 框架里属于第一梯队

团队:阿里通义实验室 SysML 团队(pyproject 里明确写着 “SysML team of Alibaba Tongyi Lab”)

两篇论文:AgentScope(arXiv 2402.14034,2024-02)与 AgentScope 1.0(arXiv 2508.16279,2025-08)

AgentScope 2.0 于 2026-05 发布,之后以每月一个主题的节奏加功能

代码结构:agent、tool、model、middleware、pipeline、permission、workspace、event、app(Agent Service)、sop、realtime、rag、skill、tui 等模块

一个判断:它不是“又一个 Agent 框架”,而是“Agent 框架 + Agent 后端”的组合。 前半部分是积木,后半部分是服务化。这也是它和 Pydantic AI(框架 + 评测 + 可观测)、Spring AI Alibaba(框架 + Graph + 平台)最大的不同——AgentScope 更偏应用后端。

图示 / 版本时间线

02

PART

设计哲学:不预设编排,把控制权交给模型

DESIGN PHILOSOPHY

README 里有一句很关键的话,值得整段引用:

官方原文

"We design for increasingly agentic LLMs. Our approach leverages the models' reasoning and tool use abilities rather than constraining them with strict prompts and opinionated orchestrations."

翻译:我们为越来越“agentic”的模型而设计。我们的做法是利用模型的推理和工具使用能力,而不是用严格的提示词和强预设的编排去约束它们。

这句话是对当下 Agent 框架路线的一次站队。市面上大量框架的核心卖点是“流程编排”:用图、用状态机、用 DSL 把步骤固定下来。这套思路在 2024 年很合理——模型能力不够,需要人工拆步骤。但 2026 年的模型已经能做多步推理、自主调用工具,过度编排反而限制了它。

所以 AgentScope 2.0 把重心放在:给模型一套好用的工具和上下文,让它自己决定怎么完成任务。 编排只在必要时出现(Pipeline / TeamPipeline / SOP)。

用 Java 的话说:从“大量 XML 配置驱动”进化到“约定优于配置 + 让框架自己跑”。这也是 Spring 生态过去十年的演进方向——框架从“替你做决定”变成“给你能力,你来决定”。

03

PART

SDK 层:八个积木

SDK BUILDING BLOCKS

AgentScope 2.0 的 SDK 层,官方列了八个 building block:

积木
内容
Java 世界里像什么
ReAct
推理-行动循环:结构化输出、实时中断/恢复、批量(顺序/并发)工具调用
一个带状态机的 Service
Toolkit
工具管理:Python 工具、MCP server、skills;内置 shell/文件编辑/搜索/任务规划工具
工具注册中心 + SPI
Model
多 provider:OpenAI、Anthropic、Gemini、DashScope、DeepSeek、Moonshot、Volcengine、xAI、Ollama
JDBC 式的模型抽象
Context
自动压缩、工具结果卸载(offload)、上下文注入(系统提示/RAG/记忆)
拦截器 + 上下文管理
Event System
统一事件总线:推理、工具调用、多模态内容(文本/图像/音频)流到前端
消息总线 / EventBus
Permission & HITL
细粒度权限:工具与资源控制、人工确认、bypass 模式
Spring Security + 审批流
Middleware
可组合钩子:回复、推理、执行、模型调用、权限检查、上下文压缩、系统提示
AOP / HandlerInterceptor
Memory
Agentic Memory,可切换后端(ReMe、Mem0)
可插拔的持久层
Workspace / Sandbox
隔离的工具与代码执行:local、Docker、Apple Container、Bubblewrap、E2B、OpenSandbox、Daytona、K8s
Testcontainers / 容器编排

官方示例代码很短:

from agentscope.agent import Agentfrom agentscope.console import launch_consolefrom agentscope.tool import Toolkit, Bash, Grep, Glob, Read, Write, Editfrom agentscope.credential import DashScopeCredentialfrom agentscope.model import DashScopeChatModelagent = 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(), Grep(), Glob(), Read(), Write(), Edit()]),)await launch_console(agent)

注意 Toolkit 里内置了 Bash、Grep、Glob、Read、Write、Edit——这是一套 coding agent 的工具集。也就是说,它默认就假设你可能会做一个“能操作代码和文件”的 Agent,而不是只做聊天。

图示 / 三层结构

04

PART

ReAct、工具与上下文:一个循环的三件事

THE LOOP

Agent 的核心循环没变:模型推理 → 决定调用工具 → 执行 → 结果回灌 → 继续推理。AgentScope 2.0 的差异在三个工程细节上:

第一,工具调用是批量的。 支持顺序和并发两种批量执行——模型一次返回多个工具调用时,可以并发跑,不用一个个等。这个优化在复杂任务上直接决定吞吐。

第二,中断与恢复。 README 明确写了 “realtime interruption & resume”:Agent 跑到一半可以被打断(用户插话、工具超时),并且能恢复。对交互式场景(控制台、聊天、语音)这是刚需。

第三,上下文是框架的事。 自动压缩(compaction)、工具结果卸载(把大结果挪出上下文,需要时再取)、上下文注入(系统提示、RAG、记忆)都由 Middleware 统一处理。你不需要在每个 Agent 里手写“历史太长怎么办”。

这三件事合起来,就是“Agent 循环”从 demo 走向生产必须补的工程细节。对比很多框架还在让用户自己拼 prompt,AgentScope 把它们做成了内建能力。

05

PART

沙箱:八种后端,从本机到 K8s

SANDBOX

Agent 执行工具和代码,最危险的是“在宿主环境里裸跑”。AgentScope 的 Workspace / Sandbox 给了八种隔离后端:

local:本机直接跑(开发用)

Docker:容器隔离

Apple Container:macOS 原生容器

Bubblewrap:Linux 轻量沙箱

E2B:云端沙箱

OpenSandbox:开源沙箱

Daytona:开发环境沙箱

K8s:集群级隔离

同一套 Agent 代码,换一个 backend 就从“本机调试”切到“集群生产”。用 Java 的话说,这层抽象就像 JDBC:你写一套代码,底下换环境。 对要跑 coding agent 或自动化任务的团队,这层是刚需——没有沙箱,Agent 删库跑路不是段子。

06

PART

Agent Service:从“库”到“应用后端”

AGENT SERVICE

这是 AgentScope 2.0 最值得写的部分,也是它和其他框架拉开差距的地方。

它自带一个 agent service:FastAPI 后端 + 预置 Web UI,直接把 Agent 变成“多租户、多会话的应用”。官方列出的能力:

能力
你能得到什么
Serving
多租户、多会话隔离、FastAPI 后端、预置 Web UI
Agent Team
Leader-worker 编排、内置团队工具、任务规划
Channels
接 IM:飞书、Discord、钉钉、自定义渠道、消息路由
RAG Service
Blob 存储、索引 worker、多租户检索
MCP & Skill Hub
浏览 GitHub MCP Registry / ClawHub,安装进库,加进 workspace
Resource Sharing
组/组织级共享模型、MCP server、skills、workspace
Persistence
SQL / NoSQL 持久化会话与状态
Scheduling
定时任务、Agent 唤醒、后台任务卸载

这张表基本就是一个“Agent 应用后台”的功能清单。做过 Java 后端的会立刻意识到:多租户、会话隔离、RBAC、资源分享、持久化、调度——这些是 SaaS 的通用问题,不是 Agent 特有的问题。 AgentScope 把它们提前做了,省掉大量重复造轮子。

尤其值得注意的是 Agent Team(leader agent 派活给 worker agent,通过内置团队工具协调)和 Channels(飞书/Discord/钉钉)——前者是编排的最小实用形态,后者是“Agent 直接进 IM 群干活”的入口。飞书渠道这一条,对国内团队尤其有用。

07

PART

2.0 的版本节奏:每月加一块

RELEASE CADENCE

从 NEWS 能看出 2.0 的演进节奏很稳:

2026-05:AgentScope 2.0 发布

2026-06:Agent Team、RAG、Mem0、分布式多租户 RAG service

2026-07:ReMe 长期记忆、K8s / OpenSandbox / Daytona workspace

2026-08:Channels(飞书/Discord)、Console、Pipeline、MCP & Skill Hub、钉钉

2026-09:A2A 协议、Realtime 语音 Agent、TeamPipeline、SOP、模型路由、MiniMax

2026-10:语音克隆、WebRTC 实时语音(文本与语音共享会话历史)

2026-11:v2.0.12

一年不到,从“框架”长成了“框架 + 服务 + 渠道 + 语音”。这个节奏说明团队在按“Agent 应用落地缺什么”补齐,而不是按论文功能表堆特性。

两个新概念值得单独说:

SOP(标准作业程序):把多步任务固化成可复用的作业流程——这是把“编排”做成“模板”,介于自由 Agent 和硬编码流程之间。

TeamPipeline:leader 把任务拆给成员 agent,成员各自执行——这是最常用的多 Agent 协作模式,比通用图引擎更实用。

08

PART

Loop / Graph / Harness:一个 Agent 后端该打几分

THREE-AXIS VERDICT

维度
评级
一句话裁决
Loop
强(ReAct / 中断恢复 / 批量工具)
循环内建结构化输出、中断恢复、并发工具;上下文由框架管理
Graph
中(Pipeline / Team / SOP)/ 弱(通用图引擎)
有编排原语(Pipeline、TeamPipeline、SOP),但不是通用图/状态机引擎
Harness
强(沙箱 / 权限 / 服务化 / 渠道)
8 种沙箱、权限与 HITL、事件总线、多租户服务、IM 渠道、RAG、Hub 都齐

图示 / 三维评分

Loop 是它最扎实的一层:ReAct 循环 + 批量工具 + 中断恢复 + 上下文管理,都是生产可用级别的细节。

Graph 给“中”:它有 Pipeline、TeamPipeline、SOP 三种编排形态,覆盖了大多数实际需求;但没有 Pydantic Graph / Spring AI Alibaba Graph 那种通用状态图引擎,也没把“图”作为一等抽象。想做复杂可视化流程,仍然要外接。

Harness 是最厚的一层:权限体系、HITL、8 种沙箱、事件总线、中间件、Agent Service 的多租户/渠道/RAG/Hub/调度。它更像“Agent 应用的操作系统”,而不是“Agent 的库”。

09

PART

必须泼的冷水

COLD WATER

1

2.0 迭代太快。 半年加了几十个功能,API 仍在演进;生产项目要锁版本、读 changelog,升级需要测试。

1

Agent Service 很重。 多租户、RAG、MCP Hub、渠道——这套东西一旦部署,运维复杂度不低;小团队用不上,反而增加负担。

1

生态偏阿里系。 默认模型走 DashScope/Qwen,示例和文档对通义生态更友好;用 OpenAI/Claude 也行,但最佳路径不在那里。

1

编排能力不是最强项。 需要显式图、条件分支、可视化流程的场景,它不如专门的图引擎(Spring AI Alibaba Graph、LangGraph 一类)。

1

评测与证据体系偏弱。 框架侧重“跑起来”,质量评测、线上评估、回归测试要自己接(对比 Pydantic Evals / Langfuse)。

1

Python 3.11+、依赖较重。 依赖里包含 opentelemetry、FastAPI 生态、数据库驱动等,轻量场景显得笨重。

1

“不预设编排”是双刃剑。 把控制权交给模型,意味着行为更灵活也更不可预测;对结果稳定性要求高的场景,还是需要 SOP 这类约束。

1

本文未实测。 没部署 Agent Service、没接飞书渠道、没跑沙箱;结论来自 README、NEWS、文档和源码。

10

PART

值得抄的四个设计

PATTERNS TO STEAL

中间件式扩展

回复、推理、执行、模型调用、权限检查、上下文压缩——全部做成可组合的 middleware,类比 AOP。Agent 循环的每个阶段都能插逻辑,而不需要改框架代码。

沙箱抽象成 Workspace

一套 API 覆盖 local/Docker/E2B/K8s 八种后端,同一份代码从开发切到生产。这对任何“要执行模型生成代码”的 Agent 都是必需设计。

服务化优先

多租户、会话隔离、IM 渠道、RAG、Hub、持久化、调度——把 SaaS 的通用问题在框架层解决。这是它和“纯 SDK 框架”最大的区别。

事件总线做可观测

推理、工具调用、多模态内容统一走事件流,前端可以订阅渲染,也可以回放调试。Agent 不透明就没法运营。

11

PART

最后说点判断

MY TAKE

AgentScope 2.0 的路线很清晰:不跟别人拼“谁的编排图更漂亮”,而是拼“谁的 Agent 应用更容易上线”。

在模型能力快速上升的 2026 年,这个判断大概率是对的:编排会越来越薄,模型会越来越强,真正难的是把 Agent 变成可靠的服务——权限、沙箱、会话、渠道、持久化、可观测。这些恰恰是“后端工程”的活,也是阿里的强项。

适合谁?要做 Agent 应用(不是 demo)的团队:需要多租户、要接 IM、要跑沙箱、要一套现成后端。不适合谁?只想写个脚本或单机 Agent 的个人——Pydantic AI、OpenAI SDK 更轻。

把系列拼起来,Agent 基础设施的地图越来越完整:Letta Code 管记忆、Temporal 管执行、browser-use 管浏览器、UI-TARS 管桌面、Langfuse 管证据、OpenHands 管控制面、Pydantic AI / Spring AI Alibaba 管框架、GPT Researcher 管研究,AgentScope 管“Agent 应用怎么变成一套后端”。

参考来源 / REFERENCES

GitHub:https://github.com/agentscope-ai/agentscope

官方文档:https://docs.agentscope.io

PyPI:https://pypi.org/project/agentscope/

论文(2024):https://arxiv.org/abs/2402.14034

论文(1.0,2025):https://arxiv.org/abs/2508.16279

NEWS(版本节奏):https://github.com/agentscope-ai/agentscope/blob/main/docs/NEWS.md

本文调研基准:v2.0.12(2026-11-16),main @ e111253,2026-11-17(未做本地实测)

既然看到这里了,如果觉得有用,随手点个赞、在看、转发三连吧。

点赞
在看
转发

THANKS FOR READING

回首页,搜索你想要的文档

在首页搜索框输入关键词,快速定位资料

文库首页搜索指引 立即搜索

相关学习资料