AgentScope 1.0: ориентированный на разработчиков фреймворк для создания агентных приложений

Разбор статьи

Проблема и мотивация

Хотя современные большие языковые модели (LLM) превосходно справляются с рассуждениями и генерацией естественного языка, для реальной пользы им необходимо заземленное взаимодействие с внешней средой через API, базы данных и динамические инструменты. Ранние архитектуры агентов часто опираются на жесткое последовательное выполнение инструментов, лишены надежной асинхронной обработки, страдают от избытка инструментов («парадокс выбора») и не имеют ориентированной на разработчика инфраструктуры для отладки длинных траекторий, распределенной оценки и безопасного выполнения. AgentScope 1.0 устраняет эти пробелы, переходя от парадигм внутреннего рассуждения к расширяемому, удобному для разработчиков агентному фреймворку, сосредоточенному на восприятии инструментов и взаимодействии со средой.

Ключевые идеи

AgentScope 1.0 организован вокруг трех основных компонентов:

• Базовые компоненты (Foundational Components): Слабосвязанные абстракции, включая Msg (мультимодальные блоки, вызовы инструментов и цепочки рассуждений), унифицированные интерфейсы Model с асинхронным стримингом и инструментарием OpenTelemetry, иерархическую память Memory (краткосрочные буферы в оперативной памяти и долгосрочная память под контролем разработчика/агента через Mem0), а также расширяемый Toolkit.
• Инфраструктура уровня агента (Agent-level Infrastructure): Построена вокруг парадигмы ReAct (Reasoning + Acting) и поддерживает неблокирующие параллельные вызовы инструментов, прерывания пользователем (корректировка на лету), динамическое предоставление инструментов (активация/деактивация групп) и иерархическое сохранение состояния через StateModule.
• Удобство для разработчиков (Developer-Friendly Experience): Интегрированные наборы для бенчмаркинга (последовательный GeneralEvaluator и распределенный RayEvaluator), визуальная студия Studio с доверительными интервалами на базе бутстрэпа и сравнением траекторий, встроенный копилот (Friday) и изолированная среда выполнения Runtime с песочницами.

Метод (с ключевыми формулами)

Архитектура системы строится вокруг стандартизированных абстракций:

1. Архитектура сообщений: Пакеты информации объединены в виде объектов Msg, содержащих поля name, role, content (список типизированных блоков, таких как TextBlock, ToolUseBlock, ThinkingBlock) и metadata. Форматтеры конкретных провайдеров (ChatFormatter и MultiAgentFormatter) преобразуют эти блоки в схемы целевых API.
2. Выполнение и группировка инструментов: Инструменты регистрируются в Toolkit с автоматическим извлечением JSON-схем из строк документации (docstrings). Чтобы избежать деградации пространства поиска из-за избытка инструментов, они распределяются по группам $G_k\subset \mathcal{T}$. С помощью метода update_tool_groups или вызываемого агентом reset_equipped_tools(group_names) активное подмножество инструментов ${\mathcal{A}}_t$ динамически адаптируется на каждом шаге рабочего процесса: $${\mathcal{A}}_t=\bigcup _{k\in \text{Active}}{G}_k$$
3. Интеграция MCP: Разделяет клиенты с сохранением состояния (Stateful Clients) (постоянный жизненный цикл сессии для чувствительных к состоянию инструментов, таких как сессии браузера) и клиенты без сохранения состояния (Stateless Clients) (краткосрочное соединение на каждый вызов для минимизации накладных расходов).
4. Асинхронное выполнение и управление (Steering): Асинхронное выполнение агента использует неблокирующие генераторы. При получении сигнала отмены asyncio цикл ReAct корректно прерывается, возвращает промежуточные состояния выполнения и добавляет токены прерывания в память как наблюдаемые события.
5. Многоагентная координация: Поддерживает паттерны вызова «агент как инструмент» (Agent as a Tool) наряду с диалоговой оркестрацией с помощью конвейерных структур Pipeline (последовательных, ветвящихся и циклических) и широковещательной рассылки через MsgHub.

Результаты (с важнейшими показателями)

В статье представлены реализации фреймворка и валидация архитектуры на примере трех встроенных специализированных агентов:

• Deep Research Agent: Реализует расширение запросов (декомпозиция в виде дерева), поиск по нескольким веб-источникам через Tavily MCP, низкоуровневую рефлексию (коррекция инструментов/параметров) и высокоуровневую рефлексию (перепланирование подзадач).
• Browser-use Agent: Использует Playwright MCP через stateful-клиент со стандартным вводом-выводом (StdIOStatefulClient), поддерживает визуальную обработку HTML, координацию нескольких вкладок и сегментацию длинных веб-страниц на фрагменты (чанги).
• Meta Planner Agent: Оркестрирует сложные рабочие процессы через RoadmapManager и WorkerManager, обеспечивая двухрежимное переключение между базовым ReAct для простых задач и многоагентным выполнением на основе дорожной карты для сложных задач.
• Инженерная инфраструктура: Нативная интеграция развертывания через FastAPI, трассировка OpenTelemetry с поддержкой Arize-Phoenix и Langfuse, а также параллельная распределенная оценка задач на базе Ray с постоянными контрольными точками (чекпоинтами).

Ограничения и открытые вопросы

• Статья представляет собой отчет об архитектуре системы, а не сравнение точности на стандартных бенчмарках (например, численные результаты на SWE-bench или GAIA в основном тексте опущены).
• Динамическое предоставление инструментов и накладные расходы на планирование в Meta Planner требуют достаточного контекстного окна и высокой точности вызова инструментов базовой LLM.
• Накладные расходы на координацию нескольких агентов и стоимость изоляции в песочнице при масштабном параллелизме не измерялись в статье с точки зрения чистой пропускной способности (throughput).