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

Makaleler · arXiv 2508.16279

AgentScope 1.0: Ajan Tabanlı Uygulamalar Geliştirmek İçin Geliştirici Odaklı Bir Çerçeve

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.

Yayımlanma 2025-08-22cs.AI arXiv PDF

Çeviri ve yapay zekâ ile oku

Üç satırda özet

🎯 LLM ajanları, oyuncak prototipler yerine esnek, güvenli ve verimli araç etkileşimlerine, yapılandırılmış koordinasyona ve üretim düzeyinde mühendisliğe ihtiyaç duyar.
🔧 AgentScope 1.0'ı sunar: modüler soyutlamalar (Msg, Model, Memory, Tool), gerçek zamanlı yönlendirmeyi ve dinamik araç sağlamayı destekleyen ReAct döngüleri, yerleşik özelleşmiş ajanlar ve yalıtılmış sanal alanlara sahip bir çalışma ortamı.
📈 Durum bilgisi olan/olmayan (stateful/stateless) MCP istemcilerini, Ray aracılığıyla dağıtık değerlendirmeyi ve yerel Agent-to-Agent (A2A) protokol dağıtımını destekleyen endüstriyel düzeyde açık kaynaklı bir sistem sağlar.

Özet

Büyük Dil Modellerinin (LLM'ler) hızlı gelişimiyle güçlenen ajanlar, içsel bilgileri dinamik araç kullanımıyla birleştirerek gerçek dünya görevlerini çözme kapasitelerini büyük ölçüde artırmıştır. Bu evrime paralel olarak AgentScope, ajan tabanlı uygulamalar geliştirmek amacıyla esnek ve verimli araç tabanlı ajan-ortam etkileşimlerini kapsamlı bir şekilde desteklemek için yeni bir sürümle (1.0) önemli iyileştirmeler sunmaktadır. Spesifik olarak, ajan tabanlı uygulamalar için elzem olan temel bileşenleri soyutlayarak birleşik arayüzler ve genişletilebilir modüller sağlıyor; böylece geliştiricilerin yeni modeller ve MCP'ler gibi en son gelişmelerden kolayca yararlanmasını mümkün kılıyoruz. Ayrıca, ajan davranışlarını ReAct paradigmasına dayandırıyor ve sistematik bir asenkron tasarıma dayalı gelişmiş ajan düzeyinde altyapı sunuyoruz; bu da yürütme verimliliğini artırırken hem insan-ajan hem de ajan-ajan etkileşim modellerini zenginleştiriyor. Bu temel üzerine inşa ederek, belirli pratik senaryolara uyarlanmış birkaç yerleşik ajan entegre ediyoruz. AgentScope ayrıca geliştirici dostu deneyimler için sağlam mühendislik desteği de içerir. Görsel stüdyo arayüzüne sahip ölçeklenebilir bir değerlendirme modülü sunarak, uzun yörüngeli ajan uygulamalarının geliştirilmesini daha yönetilebilir ve izlenmesi daha kolay hale getiriyoruz. Ek olarak AgentScope, güvenli ajan yürütmesini sağlamak ve üretim ortamlarında hızlı dağıtımı kolaylaştırmak için bir çalışma zamanı sanal alanı (sandbox) sunar. Bu geliştirmelerle AgentScope; ölçeklenebilir, uyarlanabilir ve etkili ajan tabanlı uygulamalar oluşturmak için pratik bir temel sağlar.

Orijinal özet (İngilizce)

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.

Okuma rehberi

Problem ve motivasyon

Modern Büyük Dil Modelleri (LLM'ler) akıl yürütme ve doğal dil üretiminde mükemmel olsalar da, gerçek dünyadaki yararlılıkları API'ler, veritabanları ve dinamik araçlar aracılığıyla dış ortamla kurulan temellendirilmiş etkileşimleri gerektirir. İlk ajan mimarileri çoğunlukla katı sıralı araç yürütmesine dayanır, güçlü asenkron işlemeden yoksundur, araç bolluğuyla ("seçim paradoksu") başa çıkmakta zorlanır ve uzun yörüngelerin hatalarını ayıklama, dağıtık değerlendirme ve güvenli yürütme için geliştirici odaklı altyapıdan yoksundur. AgentScope 1.0, içsel akıl yürütme çerçevelerinden araç algısı ve çevre etkileşimine odaklanan genişletilebilir, geliştirici odaklı bir ajan çerçevesine geçiş yaparak bu boşlukları doldurur.

Temel fikirler

AgentScope 1.0 üç temel sütun etrafında düzenlenmiştir:

Temel Bileşenler: Msg (çok modlu bloklar, araç çağrıları ve düşünme izleri), asenkron akış ve OpenTelemetry enstrümantasyonuna sahip birleşik Model arayüzleri, hiyerarşik Memory (bellek içi kısa vadeli tamponlar ve Mem0 aracılığıyla geliştirici/ajan kontrollü uzun vadeli bellek) ve genişletilebilir bir Toolkit içeren ayrıştırılmış soyutlamalar.
Ajan Düzeyinde Altyapı: ReAct (Reasoning + Acting) paradigması etrafında toplanmış olup, bloklamayan paralel araç çağrılarını, kullanıcı müdahalelerini (gerçek zamanlı yönlendirme), dinamik araç sağlamayı (grup etkinleştirme/devre dışı bırakma) ve StateModule aracılığıyla hiyerarşik durum kalıcılığını destekler.
Geliştirici Dostu Deneyim: Entegre değerlendirme paketleri (sıralı GeneralEvaluator ve dağıtık RayEvaluator desteği), bootstrap kaynaklı güven aralıkları ve yörünge karşılaştırmasına sahip görsel bir Studio, yerleşik bir yardımcı pilot (Friday) ve yalıtılmış sanal alana (sandboxing) sahip bir çalışma zamanı Runtime.

Yöntem (ana denklemlerle)

Sistem, yürütmeyi standartlaştırılmış soyutlamalar etrafında yapılandırır:

Mesaj Mimarisi: Bilgi paketleri name, role, content (TextBlock, ToolUseBlock, ThinkingBlock gibi tiplendirilmiş blokların listesi) ve metadata içeren Msg nesneleri olarak birleştirilir. Sağlayıcıya özel biçimlendiriciler (ChatFormatter ve MultiAgentFormatter), bu blokları sağlayıcıya özgü şemalara dönüştürür.
Araç Yürütme ve Gruplama: Araçlar, docstring'lerden otomatik JSON şeması çıkarımı yapılarak Toolkit içine kaydedilir. Aşırı araç sayısından kaynaklanan arama uzayı bozulmasını azaltmak için araçlar $G_{k} \subset T$ grupları halinde yönetilir. update_tool_groups veya ajan tarafından çağrılan reset_equipped_tools(group_names) kullanılarak, aktif araç alt kümesi $A_{t}$ her iş akışı adımı için dinamik olarak uyarlanır: $A_{t} = k \in Active ⋃ G_{k}$
MCP Entegrasyonu: Stateful Clients (tarayıcı oturumları gibi durum açısından kritik araçlar için kalıcı oturum yaşam döngüsü) ile Stateless Clients (ek yükü en aza indirmek için çağrı başına geçici bağlantı) arasında ayrım yapar.
Asenkron Yürütme ve Yönlendirme: Asenkron ajan yürütmesi, bloklamayan üreteçler (non-blocking generators) kullanır. Bir asyncio iptal sinyali oluşursa ReAct döngüsü sorunsuz bir şekilde kesintiye uğrar, kısmi yürütme durumlarını iletir ve gözlemlenebilir olaylar olarak belleğe kesinti belirteçleri ekler.
Çoklu Ajan Koordinasyonu: Pipeline yapıları (sıralı, dallanan ve döngüsel) ve MsgHub yayını yoluyla konuşma tabanlı düzenlemenin yanı sıra "Araç Olarak Ajan" (Agent as a Tool) çağırma modellerini de destekler.

Sonuçlar (en önemli sayılarla)

Makale, yerleşik üç özelleşmiş ajan üzerinden somut çerçeve uygulamaları ve mimari doğrulamalar sunmaktadır:

Deep Research Agent: Sorgu genişletme (ağaç yapılı ayrıştırma), Tavily MCP aracılığıyla çok kaynaklı web araması, alt düzey yansıma (araç/parametre düzeltmeleri) ve üst düzey yansıma (alt görevleri yeniden planlama) uygular.
Browser-use Agent: Görsel HTML işleme, çoklu sekme koordinasyonu ve uzun sayfalar için parça parça web sayfası bölümleme özelliklerine sahip, durum bilgisi tutan standart bir G/Ç istemcisi (StdIOStatefulClient) aracılığıyla Playwright MCP kullanır.
Meta Planner Agent: RoadmapManager ve WorkerManager aracılığıyla karmaşık iş akışlarını koordine eder; basit görevler için temel ReAct ile karmaşık görevler için yol haritası güdümlü çoklu ajan yürütmesi arasında ikili mod geçişini destekler.
Mühendislik Altyapısı: FastAPI dağıtımının yerel entegrasyonu, Arize-Phoenix ve Langfuse uyumluluğuyla OpenTelemetry izleme ve kalıcı kontrol noktalarına sahip Ray tabanlı paralel dağıtık görev değerlendirmesi.

Sınırlılıklar ve açık sorular

Makale, standart kıyaslama doğruluk karşılaştırmaları (örneğin SWE-bench veya GAIA gibi kıyaslama sayıları ana metinden çıkarılmıştır) yerine bir sistem mimarisi raporu sunmaktadır.
Meta Planner'daki dinamik araç sağlama ve planlama ek yükü, yeterli bağlam penceresi kapasitesi ve altta yatan güçlü LLM araç çağırma doğruluğu gerektirir.
Büyük ölçekli eşzamanlılık altında çoklu ajan koordinasyon ek yükü ve sanal alan yalıtım maliyetleri, bu makalede ham verim (throughput) sayılarıyla kıyaslanmamıştır.

Temel terimler

AgentScope 1.0: Ölçeklenebilir, uyarlanabilir ve araç entegreli LLM tabanlı ajan uygulamaları geliştirmek için tasarlanmış geliştirici odaklı bir çerçeve.
ReAct Paradigm: Sorguları ayrıştırmak, araç eylemlerini yürütmek, sonuçları gözlemlemek ve planları hassaslaştırmak için akıl yürütme ve eylemi kapalı bir döngüde birleştiren bir ajan mimarisi.
Model Context Protocol (MCP): LLM'lerin harici servisler ve veri kaynaklarıyla nasıl arayüz oluşturacağını standartlaştıran, AgentScope'ta durum bilgisi olan ve olmayan istemciler aracılığıyla desteklenen açık bir protokol.
Toolkit: Araç kaydı, otomatik JSON şeması üretimi, grup bazında araç yönetimi ve birleşik asenkron üreteç yürütmesi sağlayan temel bir AgentScope modülü.
Real-time Steering: Kullanıcıların veya sistemlerin bloklamayan iptal ve kesinti olayı kaydı yoluyla devam eden bir ajan ReAct döngüsünü kesmesine, yeniden yönlendirmesine veya yönlendirmesine olanak tanıyan mekanizma.
Dynamic Tool Provisioning: Ajanların bilişsel yükü azaltmak ve bağlamı korumak için çalışma zamanında belirli araç alt kümelerini otonom olarak etkinleştirmesini veya devre dışı bırakmasını sağlayan bir özellik.
StateModule: Ajanlar ve bellek için state_dict ve load_state_dict yöntemleri aracılığıyla otomatik iç içe durum serileştirmesini ve geri yüklemesini sağlayan bir temel sınıf.
MsgHub: AgentScope'ta yeni mesajları tüm katılımcılara yayarak çoklu ajan grup konuşmalarını kolaylaştıran merkezi bir yayın mekanizması.

Sorular

AgentScope'ta durum bilgisi olan (stateful) ve durum bilgisi olmayan (stateless) MCP istemcileri arasındaki fark nedir?

Durum bilgisi olan (stateful) bir istemci kalıcı bir oturumu korurken (ör. eylemler arasında tarayıcı çerezlerini ve bağlamını korumak), durum bilgisi olmayan (stateless) bir istemci her araç çağrısı için geçici bir bağlantı oluşturur ve kaynak ek yükünü en aza indirmek için hemen bağlantıyı keser.

AgentScope, tarayıcı otomasyonu sırasında uzun bağlam sınırlamalarını nasıl ele alır?

Browser-use Agent, uzun web sayfalarını daha küçük parçalara böler, içeriği parça parça gözlemler ve LLM bağlam sınırlamaları içinde kalmak için parçalar arası bağlamı yönetir.

Değerlendirme sistemi hem yerel hata ayıklamayı hem de büyük ölçekli testleri nasıl destekler?

AgentScope; sıralı, adım adım yerel süreç hata ayıklaması için GeneralEvaluator'ı ve Ray çerçevesini kullanarak çok çalışanlı (multi-worker) kümeler arasında paralel, dağıtık yürütme için RayEvaluator'ı uygular.

AgentScope, yüzlerce araç mevcut olduğunda ajanın kafa karışıklığını nasıl önler?

Geliştiricilerin veya ajanların mantıksal araç gruplarını (örneğin 'tarayıcı araçları') dinamik olarak etkinleştirmesine ve devre dışı bırakmasına olanak tanıyan grup bazında araç yönetimi kullanır; bu da aktif arama uzayını yalnızca mevcut alt görevle ilgili olanla sınırlar.

Bu sayfadaki açıklama yapay zekâ tarafından makaleden yazılmıştır ve hata içerebilir. Ayrıntılar için makaleyi okuyun.

Çeviri ve yapay zekâ ile oku