AgentScope 1.0: A Developer-Centric Framework for Building Agentic Applications

Dawei Gao; Zitao Li; Yuexiang Xie; Weirui Kuang; Liuyi Yao; Bingchen Qian; Zhijian Ma; Yue Cui; Haohao Luo; Shen Li; Lu Yi; Yi Yu; Shiqi He; Zhiling Luo; Wenmeng Zhou; Zhicheng Zhang; Xuguang He; Ziqian Chen; Weikai Liao; Farruh Isakulovich Kushnazarov; Yaliang Li; Bolin Ding; Jingren Zhou

Makalah · arXiv 2508.16279

AgentScope 1.0: Kerangka Kerja yang Berpusat pada Pengembang untuk Membangun Aplikasi Berbasis Agen

AgentScope 1.0: A Developer-Centric Framework for Building Agentic Applications

Dawei Gao, Zitao Li, Yuexiang Xie, Weirui Kuang, Liuyi Yao, Bingchen Qian, Zhijian Ma, Yue Cui, Haohao Luo, Shen Li, Lu Yi, Yi Yu et al.

Terbit 2025-08-22cs.AI arXiv PDF

Baca dengan terjemahan dan AI

Ringkasan tiga baris

🎯 Agen LLM membutuhkan interaksi alat yang fleksibel, aman, dan efisien, koordinasi terstruktur, serta rekayasa kelas produksi alih-alih sekadar prototipe mainan.
🔧 Memperkenalkan AgentScope 1.0: abstraksi modular (Msg, Model, Memory, Tool), perulangan ReAct yang mendukung pengarahan waktu nyata dan penyediaan alat dinamis, agen khusus bawaan, serta runtime eksekusi dengan sandbox terisolasi.
📈 Menyediakan sistem sumber terbuka kelas industri yang mendukung klien MCP stateful/stateless, evaluasi terdistribusi melalui Ray, dan penerapan protokol Agent-to-Agent (A2A) secara bawaan.

Abstrak

Didorong oleh kemajuan pesat Model Bahasa Besar (LLM), agen kini mampu memadukan pengetahuan intrinsik dengan penggunaan alat dinamis, yang secara signifikan meningkatkan kapasitas mereka dalam menyelesaikan tugas di dunia nyata. Sejalan dengan evolusi tersebut, AgentScope memperkenalkan peningkatan besar dalam versi baru (1.0), untuk mendukung interaksi agen-lingkungan berbasis alat yang fleksibel dan efisien secara komprehensif demi membangun aplikasi berbasis agen. Secara khusus, kami mengabstraksi komponen fundamental yang penting untuk aplikasi agen serta menyediakan antarmuka terpadu dan modul yang dapat diperluas, sehingga memungkinkan pengembang memanfaatkan perkembangan terbaru dengan mudah, seperti model baru dan MCP. Lebih lanjut, kami mendasarkan perilaku agen pada paradigma ReAct dan menawarkan infrastruktur tingkat agen tingkat lanjut berbasis desain asinkron yang sistematis, yang memperkaya pola interaksi manusia-agen maupun agen-agen sekaligus meningkatkan efisiensi eksekusi. Berdasarkan fondasi ini, kami mengintegrasikan beberapa agen bawaan yang disesuaikan dengan skenario praktis tertentu. AgentScope juga mencakup dukungan rekayasa perangkat lunak yang tangguh demi pengalaman yang ramah pengembang. Kami menyediakan modul evaluasi terukur dengan antarmuka studio visual, menjadikan pengembangan aplikasi agen bertrayektori panjang lebih mudah dikelola dan dilacak. Selain itu, AgentScope menawarkan runtime sandbox untuk memastikan eksekusi agen yang aman dan memfasilitasi penerapan cepat di lingkungan produksi. Dengan penyempurnaan ini, AgentScope menyediakan fondasi praktis untuk membangun aplikasi agen yang terukur, adaptif, dan efektif.

Abstrak asli (bahasa Inggris)

Driven by rapid advancements of Large Language Models (LLMs), agents are empowered to combine intrinsic knowledge with dynamic tool use, greatly enhancing their capacity to address real-world tasks. In line with such an evolution, AgentScope introduces major improvements in a new version (1.0), towards comprehensively supporting flexible and efficient tool-based agent-environment interactions for building agentic applications. Specifically, we abstract foundational components essential for agentic applications and provide unified interfaces and extensible modules, enabling developers to easily leverage the latest progress, such as new models and MCPs. Furthermore, we ground agent behaviors in the ReAct paradigm and offer advanced agent-level infrastructure based on a systematic asynchronous design, which enriches both human-agent and agent-agent interaction patterns while improving execution efficiency. Building on this foundation, we integrate several built-in agents tailored to specific practical scenarios. AgentScope also includes robust engineering support for developer-friendly experiences. We provide a scalable evaluation module with a visual studio interface, making the development of long-trajectory agentic applications more manageable and easier to trace. In addition, AgentScope offers a runtime sandbox to ensure safe agent execution and facilitates rapid deployment in production environments. With these enhancements, AgentScope provides a practical foundation for building scalable, adaptive, and effective agentic applications.

Panduan membaca

Masalah dan motivasi

Meskipun Model Bahasa Besar (LLM) modern sangat unggul dalam penalaran dan pembuatan bahasa alami, kegunaan di dunia nyata memerlukan interaksi yang membumi dengan lingkungan eksternal melalui API, basis data, dan alat dinamis. Arsitektur agen generasi awal sering kali mengandalkan eksekusi alat sekuensial yang kaku, kurang memiliki penanganan asinkron yang tangguh, kesulitan menghadapi keberlimpahan alat ("paradoks pilihan"), dan kekurangan infrastruktur yang berpusat pada pengembang untuk men-debug trayektori panjang, evaluasi terdistribusi, serta eksekusi yang aman. AgentScope 1.0 mengatasi celah ini dengan bertransisi dari kerangka kerja penalaran intrinsik menuju kerangka kerja berbasis agen yang dapat diperluas dan berpusat pada pengembang, dengan fokus pada persepsi alat dan interaksi lingkungan.

Gagasan utama

AgentScope 1.0 disusun ke dalam tiga pilar utama:

Komponen Fondasional: Abstraksi terpisah mencakup Msg (blok multimodal, panggilan alat, dan jejak pemikiran), antarmuka Model terpadu dengan streaming asinkron dan instrumentasi OpenTelemetry, Memory hierarkis (buffer jangka pendek dalam memori dan memori jangka panjang yang dikendalikan pengembang/agen melalui Mem0), serta Toolkit yang dapat diperluas.
Infrastruktur Tingkat Agen: Berpusat pada paradigma ReAct (Reasoning + Acting), mendukung panggilan alat paralel non-pemblokiran, interupsi pengguna (kemudi waktu nyata), penyediaan alat dinamis (aktivasi/deaktivasi kelompok), dan persistensi status hierarkis melalui StateModule.
Pengalaman Ramah Pengembang: Rangkaian evaluasi terintegrasi (mendukung GeneralEvaluator sekuensial dan RayEvaluator terdistribusi), Studio visual dengan interval kepercayaan turunan bootstrap dan perbandingan trayektori, copilot bawaan (Friday), serta Runtime eksekusi terisolasi dengan sandboxing.

Metode (dengan persamaan utama)

Sistem menyusun eksekusi berdasarkan abstraksi standar:

Arsitektur Pesan: Paket informasi disatukan sebagai objek Msg yang berisi name, role, content (daftar blok bertipe seperti TextBlock, ToolUseBlock, ThinkingBlock), dan metadata. Pemformat khusus penyedia (ChatFormatter dan MultiAgentFormatter) mengubah blok-blok ini ke dalam skema khusus penyedia.
Eksekusi dan Pengelompokan Alat: Alat didaftarkan dalam Toolkit dengan ekstraksi skema JSON otomatis dari docstring. Untuk memitigasi degradasi ruang pencarian akibat jumlah alat yang berlebihan, alat dikelola ke dalam kelompok-kelompok $G_{k} \subset T$ . Menggunakan update_tool_groups atau metode yang dipanggil oleh agen reset_equipped_tools(group_names), himpunan bagian alat aktif $A_{t}$ diadaptasi secara dinamis untuk setiap langkah alur kerja: $A_{t} = k \in Active ⋃ G_{k}$
Integrasi MCP: Membedakan antara Stateful Clients (siklus hidup sesi persisten untuk alat yang kritis terhadap status seperti sesi peramban) dan Stateless Clients (koneksi efemeral per panggilan untuk meminimalkan overhead).
Eksekusi & Pengarahan Asinkron: Eksekusi agen asinkron menggunakan generator non-pemblokiran. Jika sinyal pembatalan asyncio terjadi, perulangan ReAct melakukan interupsi secara mulus, menghasilkan status eksekusi parsial, dan menambahkan token interupsi ke memori sebagai peristiwa yang dapat diamati.
Koordinasi Multi-Agen: Mendukung pola pemanggilan "Agen sebagai Alat" bersama dengan orkestrasi percakapan melalui struktur Pipeline (sekuensial, percabangan, dan perulangan) serta penyiaran MsgHub.

Hasil (dengan angka-angka terpenting)

Makalah ini memberikan implementasi kerangka kerja konkret dan validasi arsitektur di tiga agen khusus bawaan:

Deep Research Agent: Mengimplementasikan perluasan kueri (dekomposisi terstruktur pohon), pencarian web multi-sumber melalui Tavily MCP, refleksi tingkat rendah (koreksi alat/parameter), dan refleksi tingkat tinggi (perencanaan ulang subtugas).
Browser-use Agent: Menggunakan Playwright MCP melalui klien I/O standar stateful (StdIOStatefulClient), menampilkan pemrosesan HTML visual, koordinasi banyak tab, dan segmentasi halaman web per potongan (chunk-wise) untuk halaman panjang.
Meta Planner Agent: Mengorkestrasikan alur kerja kompleks melalui RoadmapManager dan WorkerManager, mendukung peralihan mode ganda antara ReAct dasar untuk tugas sederhana dan eksekusi multi-agen berbasis peta jalan (roadmap) untuk tugas kompleks.
Infrastruktur Rekayasa: Integrasi penerapan FastAPI secara bawaan, pelacakan OpenTelemetry dengan kompatibilitas Arize-Phoenix dan Langfuse, serta evaluasi tugas terdistribusi paralel berbasis Ray dengan titik pemeriksaan (checkpoint) persisten.

Keterbatasan dan pertanyaan terbuka

Makalah ini menyajikan laporan arsitektur sistem alih-alih perbandingan akurasi tolok ukur standar (misalnya, angka tolok ukur seperti SWE-bench atau GAIA dihilangkan dari teks utama).
Penyediaan alat dinamis dan overhead perencanaan dalam Meta Planner memerlukan kapasitas jendela konteks yang memadai serta ketepatan pemanggilan alat LLM dasar yang kuat.
Overhead koordinasi multi-agen dan biaya isolasi sandbox di bawah konkurensi skala besar tidak diuji tolok ukur dengan angka throughput mentah dalam makalah ini.

Istilah kunci

AgentScope 1.0: Kerangka kerja yang berpusat pada pengembang yang dirancang untuk membangun aplikasi agen berbasis LLM yang terukur, adaptif, dan terintegrasi dengan alat.
ReAct Paradigm: Arsitektur agen yang menggabungkan penalaran (reasoning) dan tindakan (acting) dalam loop tertutup untuk menguraikan kueri, mengeksekusi tindakan alat, mengamati hasil, dan menyempurnakan rencana.
Model Context Protocol (MCP): Protokol terbuka yang menstandardisasi cara LLM berinteraksi dengan layanan eksternal dan sumber data, didukung di AgentScope melalui klien stateful dan stateless.
Toolkit: Modul inti AgentScope yang menyediakan pendaftaran alat, pembuatan skema JSON otomatis, manajemen alat berbasis kelompok, dan eksekusi generator asinkron terpadu.
Real-time Steering: Mekanisme yang memungkinkan pengguna atau sistem untuk menginterupsi, mengalihkan, atau memandu perulangan ReAct agen yang sedang berjalan melalui pembatalan non-pemblokiran dan pencatatan peristiwa interupsi.
Dynamic Tool Provisioning: Fitur yang memungkinkan agen untuk mengaktifkan atau menonaktifkan subset alat tertentu secara otonom selama runtime untuk mengurangi beban kognitif dan menghemat konteks.
StateModule: Kelas dasar yang memungkinkan serialisasi dan pemulihan status bertingkat otomatis melalui metode state_dict dan load_state_dict untuk agen dan memori.
MsgHub: Mekanisme siaran terpusat di AgentScope yang memfasilitasi percakapan kelompok multi-agen dengan menyebarkan pesan baru ke semua peserta.

Pertanyaan

Apa perbedaan antara klien MCP stateful dan stateless di AgentScope?

Klien stateful mempertahankan sesi persisten (misalnya, mempertahankan cookie peramban dan konteks di berbagai tindakan), sedangkan klien stateless membuat koneksi efemeral per pemanggilan alat dan langsung terputus untuk meminimalkan beban sumber daya.

Bagaimana AgentScope menangani batasan konteks panjang selama otomatisasi peramban?

Browser-use Agent membagi halaman web panjang menjadi potongan-potongan yang lebih kecil, mengamati konten bagian demi bagian, dan mengelola konteks lintas-potongan agar tetap berada dalam batasan konteks LLM.

Bagaimana sistem evaluasi mendukung proses debugging lokal sekaligus pengujian skala besar?

AgentScope mengimplementasikan GeneralEvaluator untuk debugging proses lokal langkah-demi-langkah yang sekuensial, dan RayEvaluator untuk eksekusi paralel terdistribusi di seluruh kluster multi-worker menggunakan kerangka kerja Ray.

Bagaimana AgentScope mencegah kebingungan pada agen ketika ratusan alat tersedia?

Kerangka kerja ini menggunakan manajemen alat berbasis kelompok, memungkinkan pengembang atau agen untuk mengaktifkan dan menonaktifkan kelompok alat logis (seperti 'alat peramban') secara dinamis, sehingga membatasi ruang pencarian aktif hanya pada apa yang relevan untuk subtugas saat ini.

Ulasan di halaman ini ditulis oleh AI dari makalah dan mungkin mengandung kesalahan. Baca makalahnya untuk detail.

Baca dengan terjemahan dan AI