阿里AgentScope 1.0发布：企业级智能体开发框架实战指南，掀翻了国产Agent的餐桌！

AI-椰子不椰

2086人浏览 · 2025-09-10 13:50:01

AI-椰子不椰 · 2025-09-10 13:50:01 发布

简介

阿里通义实验室发布AgentScope 1.0企业级智能体开发框架，集消息驱动与分层架构于一体。该框架基于ReAct范式构建智能体体系，提供深度研究、浏览型、元规划三类内置智能体及多智能体协作模式。开发者友好特性包括可视化评估平台、运行时沙箱和安全部署系统，支持用户对话、多智能体协作、网页浏览等多种应用场景，为构建高效智能体应用奠定坚实基础。

在近年来，人工智能从单一模型到多模态、从AI Agent到Agentic AI的过渡，从工具调用到完整工作流，已经形成了一个由“智能体”驱动的全新生态。阿里的通义实验室最新发布了一款能够对标LangGraph的企业级智能体开发框架AgentScope 1.0，它将消息驱动与分层架构深度融合，为企业级应用提供了一套开箱即用、可扩展且易维护的方案。我们先来看看效果：

阿里先后发布过一个Mobile-Agent和Qwen-Agent，其中Qwen-Agent就是网页版Qwen的后端使用智能体框架，虽说也很稳定，但是略显简陋，后面有退出专为编程设计的Qwen-code，可以说阿里在智能体开发框架方脉年积累的经验也着实不少了，这次推出的AgentScope，可以看出来，这是一款集大成者，是一款非常全面、稳定的企业级的智能体开发框架。

在大语言模型（LLMs）快速发展的推动下，Agent能够将内在知识与动态工具使用相结合，大幅提升了其处理现实任务的能力。顺应这一发展趋势，AgentScope 在新版本（1.0）中实现了重大改进，旨在全面支持基于工具的灵活、高效智能体 - 环境交互，助力智能体应用构建。具体而言，团队提炼了智能体应用所需的核心基础组件，并提供统一接口和可扩展模块，使开发者能够轻松利用最新技术进展（如新型模型和模型上下文协议 MCPs）。此外，我们将智能体行为基于 ReAct 范式构建，并依托系统化的异步设计提供高级智能体层基础设施 —— 这不仅丰富了人机交互与智能体间交互的模式，还提升了执行效率。在此基础上，我们集成了多个针对特定实际场景的内置智能体。AgentScope 还提供了完善的工程化支持，为开发者打造友好体验：我们设计了带有可视化工作室界面的可扩展评估模块，让长轨迹智能体应用的开发更易于管理和追踪；同时，AgentScope 提供运行时沙箱（runtime sandbox）以确保智能体安全执行，并助力其在生产环境中快速部署。通过这些增强特性，AgentScope 为构建可扩展、自适应且高效的智能体应用奠定了实用基础。

更多关于AgentScope 1.0的内容可以阅读原文：

论文链接：https://arxiv.org/abs/2508.16279
开源仓库：https://github.com/agentscope-ai/agentscope
huggingface：https://huggingface.co/papers/2508.16279

智能体层基础设施

本章围绕智能体层核心架构、内置智能体及多智能体协作模式展开，核心是基于ReAct范式构建高效、灵活的智能体运行体系：

基于ReAct范式的架构：以ReAct范式（结合推理与行动）为核心架构，智能体具备三大核心功能——Reply（接收用户查询后推理、行动并生成响应）、Observe（处理外部信息并更新内部状态，不生成用户响应）、Handle Interrupt（处理外部中断信号，支持人机协作）。同时提供三大关键特性：实时控制（通过asyncio取消机制暂停ReAct循环，保留中断上下文）、并行工具调用与动态工具供应（单推理步骤生成多并行工具调用，通过reset_equipped_tools动态激活/停用工具组）、状态持久化与非侵入式定制（基于StateModule实现状态管理，通过钩子函数修改运行时行为）。
内置智能体：包含三类场景化智能体——深度研究智能体（集成Tavily搜索MCP，核心能力为查询扩展、分层反思、过程总结，结合记忆模块生成报告）、浏览型智能体（集成Playwright MCP，支持子任务分解、视觉-文本信息融合、多标签浏览、长网页分块处理）、元规划智能体（支持分层任务分解、动态工作智能体实例化、持久状态管理，可自动切换“简单ReAct模式”与“规划模式”）。
多智能体协作：支持两种核心范式——“智能体作为工具”（主智能体调用专业智能体处理子任务，智能体可独立开发、无缝集成）、“智能体对话”（通过Pipeline封装交互模式<顺序/条件/循环>，通过MsgHub实现集中消息广播，保障多智能体上下文同步）。

开发者友好体验

本章聚焦降低开发门槛的工具集，通过评估、可视化与运行时系统覆盖开发全流程：

评估模块：采用分层架构（Task：单个评估单元，含输入与真值；SolutionOutput：标准化智能体输出，含执行轨迹；Metric：支持分类/数值型指标；Benchmark：聚合任务形成评估 suite），提供两类评估器——GeneralEvaluator（单进程顺序执行，适合调试）、RayEvaluator（基于Ray分布式计算，适合大规模评估），支持结果持久化与中断续跑。
Studio可视化平台：核心功能包括——聊天机器人式对话与追踪（实时流传输消息/追踪数据，可视化交互流程，关联对话与执行轨迹）、评估结果可视化（生成性能分布图表，计算置信区间，支持失败轨迹对比）、内置副驾驶Friday（检索技术资源<代码示例/文档>，展示框架高级功能<实时控制/动态工具>）。
Runtime运行时系统：双核心架构——Engine（将智能体部署为FastAPI服务，支持A2A等多智能体通信协议）、Sandbox（提供隔离环境，支持文件系统/浏览器等专用场景，接口统一），简化部署流程并保障工具执行安全。

典型应用

本章通过5个实操案例展示框架落地能力，覆盖常见智能体应用场景：

用户-助手对话：通过ReAct智能体（指定模型/工具集/记忆）与UserAgent构建，支持OpenAI、DashScope等多模型提供商，以消息交互实现对话，用户输入“exit”终止流程。
多智能体对话：用MsgHub管理参与者（如教师/学生/医生智能体），通过SequentialPipeline控制发言顺序，支持动态移除参与者并广播状态（如“Bob离开”）。
深度研究智能体：基于ReAct扩展，集成Tavily搜索MCP，可自动分解研究任务、补充知识缺口、生成结构化分析报告，适用于学术/市场研究。
浏览型智能体：集成Playwright MCP建立状态ful连接，支持网页快照捕捉、分块处理长网页、自动导航/点击，可响应“查询股票价格”等自动化指令。
元规划智能体：含规划/工作两类工具集，支持复杂任务分解（如Meta股票分析报告）、工作智能体动态管理，具备状态持久化能力，适合多步骤工作流（数据采集-分析-生成）。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

一直在更新，更多的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇