论文 · arXiv 2508.16279
AgentScope 1.0: A Developer-Centric Framework for Building Agentic Applications
三句话总结
- 🎯 LLM 智能体需要灵活、安全且高效的工具交互、结构化协作以及生产级工程支持，而非玩具级原型。
- 🔧 推出 AgentScope 1.0：模块化抽象（Msg、Model、Memory、Tool）、支持实时引导与动态工具调配的 ReAct 循环、内置专用智能体以及带隔离沙箱的执行运行时。
- 📈 提供工业级开源系统，支持有状态/无状态 MCP 客户端、基于 Ray 的分布式评测以及原生 Agent-to-Agent（A2A）协议部署。
摘要
在大型语言模型（LLM）飞速发展的推动下，智能体（Agent）得以将内在知识与动态工具使用相结合，显著增强了解决现实世界任务的能力。顺应这一演进趋势，AgentScope 在全新版本（1.0）中带来了重大改进，旨在全面支持基于工具的灵活高效的智能体-环境交互，以构建智能体应用。具体而言，我们抽象了智能体应用所必需的基础组件，并提供了统一接口与可扩展模块，使开发者能够轻松利用最新的技术进展（如新模型和 MCP）。此外，我们将智能体行为建立在 ReAct 范式之上，依托系统的异步设计提供了先进的智能体级基础设施，在提升执行效率的同时丰富了人机交互与多智能体交互模式。在此基础上，我们针对特定实际场景集成了多个内置智能体。AgentScope 还提供了强大的工程支持以确保开发者友好体验：我们构建了带有可视化工作台界面的可扩展评测模块，使长轨迹智能体应用的开发更易于管理和追踪；此外，AgentScope 提供运行时沙箱以确保智能体安全执行，并便于在生产环境中快速部署。通过这些增强功能，AgentScope 为构建可扩展、自适应且高效的智能体应用奠定了实用的基础。
英文原文摘要
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.
论文解读
问题与动机
虽然现代大型语言模型（LLM）擅长推理和自然语言生成，但要获得现实世界的实用性，必须通过 API、数据库和动态工具与外部环境进行扎实的交互。早期的智能体架构通常依赖僵化的顺序工具执行，缺乏稳健的异步处理能力，难以应对工具过载（"选择悖论"），并且缺乏用于调试长轨迹、分布式评测和安全执行的以开发者为中心的基础设施。AgentScope 1.0 通过从内在推理框架转向以工具感知和环境交互为中心、可扩展且以开发者为中心的智能体框架，弥补了这些不足。
核心理念
AgentScope 1.0 围绕三大核心支柱组织：
- 基础组件（Foundational Components）：解耦的抽象，包括
Msg（多模态块、工具调用和思考轨迹）、具备异步流式传输和 OpenTelemetry 插桩的统一Model接口、分层Memory（内存短期缓冲区以及通过 Mem0 实现的开发者/智能体受控长期记忆）和可扩展的Toolkit。 - 智能体级基础设施（Agent-level Infrastructure）：以 ReAct（
Reasoning + Acting）范式为中心，支持非阻塞并行工具调用、用户中断（实时引导）、动态工具调配（分组激活/停用）以及通过StateModule实现的分层状态持久化。 - 开发者友好体验（Developer-Friendly Experience）：集成的评测套件（支持顺序执行的
GeneralEvaluator和分布式的RayEvaluator）、具备自助法（bootstrap）置信区间和轨迹对比功能的可视化Studio、内置副驾驶（Friday）以及带有沙箱的隔离执行Runtime。
方法（及核心公式）
系统围绕标准化抽象构建执行流程：
- 消息架构：信息包被统一为
Msg对象，包含name、role、content（类型化块的列表，如TextBlock、ToolUseBlock、ThinkingBlock）以及metadata。特定供应商的格式化器（ChatFormatter和MultiAgentFormatter）将这些块转换为特定供应商的 Schema。 - 工具执行与分组：工具注册在
Toolkit中，并能从 docstring 中自动提取 JSON schema。为了缓解工具过多导致的搜索空间退化问题，工具被管理为多个组 。使用update_tool_groups或智能体调用的reset_equipped_tools(group_names)，活动工具子集 会在每个工作流步骤中动态自适应调整： - MCP 集成：区分有状态客户端（Stateful Clients）（为浏览器会话等状态关键型工具维护持久会话生命周期）和无状态客户端（Stateless Clients）（每次调用创建临时连接以最小化开销）。
- 异步执行与引导：智能体的异步执行使用非阻塞生成器。如果发生 asyncio 取消信号，ReAct 循环会平滑中断，生成部分执行状态，并将中断标记作为可观察事件追加到内存中。
- 多智能体协作：支持“智能体作为工具（Agent as a Tool）”的调用模式，并结合通过
Pipeline结构（顺序、分支和循环）与MsgHub广播实现对话编排。
结果（及重要指标）
本文通过三个内置专用智能体提供了具体的框架实现和架构验证：
- 深度研究智能体（Deep Research Agent）：实现了查询扩展（树状结构分解）、通过 Tavily MCP 进行的多源网络搜索、低层级反思（工具/参数纠错）和高层级反思（重新规划子任务）。
- 浏览器使用智能体（Browser-use Agent）：通过有状态标准 I/O 客户端（
StdIOStatefulClient）使用 Playwright MCP，具备可视化 HTML 处理、多标签页协作以及针对长页面的分块式网页切分功能。 - 元规划智能体（Meta Planner Agent）：通过
RoadmapManager和WorkerManager编排复杂工作流，支持在用于简单任务的基础 ReAct 和用于复杂任务的路线图驱动多智能体执行之间进行双模式切换。 - 工程基础设施：原生集成 FastAPI 部署、兼容 Arize-Phoenix 和 Langfuse 的 OpenTelemetry 链路追踪，以及基于 Ray、带有持久化检查点的并行分布式任务评测。
局限性与待探讨问题
- 本文展示的是系统架构报告，而非标准的基准准确率对比（例如，正文中未包含 SWE-bench 或 GAIA 等基准测试数据）。
- Meta Planner 中的动态工具调配和规划开销需要足够的上下文窗口容量以及底层 LLM 强大的工具调用准确度。
- 本文未给出在大规模并发下多智能体协作开销和沙箱隔离成本的原始吞吐量基准测试数据。
关键术语
- AgentScope 1.0
- 一个以开发者为中心的框架，专为构建可扩展、自适应且集成工具的基于 LLM 的智能体应用而设计。
- ReAct Paradigm
- ReAct 范式：一种在闭环中结合推理（Reasoning）与行动（Acting）的智能体架构，用于分解查询、执行工具操作、观察结果并完善规划。
- Model Context Protocol (MCP)
- 模型上下文协议：一种用于标准化 LLM 与外部服务及数据源交互方式的开放协议，AgentScope 通过有状态和无状态客户端对其提供支持。
- Toolkit
- 工具包：AgentScope 的核心模块，提供工具注册、自动 JSON schema 生成、工具分组管理以及统一的异步生成器执行。
- Real-time Steering
- 实时引导：允许用户或系统通过非阻塞取消和中断事件记录来中断、重定向或引导正在进行的智能体 ReAct 循环的机制。
- Dynamic Tool Provisioning
- 动态工具调配：一种允许智能体在运行时自主激活或停用特定工具子集的功能，以减轻认知负荷并节省上下文。
- StateModule
- 状态模块：一个基础类，允许智能体和记忆模块通过 state_dict 和 load_state_dict 方法实现自动的嵌套状态序列化与恢复。
- MsgHub
- 消息中心：AgentScope 中的中心化广播机制，通过向所有参与者分发新消息来促进多智能体群组对话。
常见问题
AgentScope 中的有状态 MCP 客户端与无状态 MCP 客户端有什么区别？
有状态客户端维持持久会话（例如在跨操作期间保留浏览器 cookie 和上下文），而无状态客户端在每次工具调用时创建临时连接并立即断开，以最大程度减少资源开销。
AgentScope 如何在浏览器自动化过程中处理长上下文限制？
Browser-use Agent 将长网页分割为较小的块，逐块观察内容，并管理跨块上下文以保持在 LLM 上下文限制范围内。
评测系统如何同时支持本地调试和大规模测试？
AgentScope 实现了用于顺序、单步本地流程调试的 GeneralEvaluator，以及利用 Ray 框架在多节点集群上执行并行分布式测试的 RayEvaluator。
当有数百个工具可用时，AgentScope 如何防止智能体产生混淆？
它采用工具分组管理，允许开发者或智能体动态激活和停用逻辑工具组（如“浏览器工具”），将活跃的搜索空间限制在与当前子任务相关的范围内。
本页解读由 AI 根据论文生成，可能有错误；细节请以原文为准。