AgentScope

工具介绍

AgentScope 是阿里开源的面向生产环境的 AI 智能体(Agent)框架，由阿里通义实验室推出，遵循 Apache 2.0 协议。2026 年 5 月发布的 2.0 版本主打「易于使用、生产可用、与不断进化的模型能力相匹配」，相较 1.0 版本在事件系统、权限系统、多租户多会话服务、工作区沙箱、扩展中间件等五大核心抽象上做了完整重构。

AgentScope 的设计理念与多数智能体框架不同：它不靠严格的提示词和固化编排来约束模型，而是充分借助模型的推理与工具调用能力。它内置 ReAct 智能体、工具、技能、人机协作干预、记忆、计划、实时语音、评估与模型微调等模块，开发者可以 5 分钟内跑起一个能用的智能体。对于需要把 Agent 落到生产环境(本地部署、云端 Serverless、K8s 集群)的团队，它内置 OpenTelemetry 支持与多租户服务能力，是一个不依赖闭源托管的可控选项。

GitHub 仓库 `agentscope-ai/agentscope` 在 2026 年 7 月的 trending 中处于 Python 分类前列，主要得益于其面向模型能力持续提升的设计哲学(模型越强，框架越省事)。

核心功能

AgentScope 2.0 提供五大核心抽象，覆盖从单 Agent 搭建到企业级多 Agent 服务部署的全流程。

事件系统是整个框架的中枢——它把消息、智能体响应、模型调用、工具执行等所有信号统一到一条事件总线上，前端应用可以用流式方式订阅事件并做实时更新，也支持在关键节点插入人机协作干预(human-in-the-loop)。

权限系统对工具和资源做细粒度的可配置控制，开发者可以针对不同 Agent、不同用户、不同场景分别配置「允许 / 拒绝 / 需要确认」三类规则。系统在「bypass 模式」下还能保持工具调用的端到端执行，避免反复弹确认打断工作流。

多租户与多会话服务是 AgentScope 直接面向生产环境的关键能力——它用 FastAPI 实现了一套可扩展的服务端，租户之间、会话之间互相隔离，可以直接对外提供 Agent as a Service 的能力。

工作区与沙箱支持让 Agent 在隔离环境中运行工具和代码，内置本地文件系统、Docker、E2B、OpenSandbox、Daytona 等多种后端，开发者可以根据安全要求和部署环境选最合适的方案。

可扩展中间件系统提供了一组可组合的钩子函数，开发者可以在不修改框架源码的前提下，在推理-行动循环的不同阶段(请求前 / 工具调用前 / 响应后)注入自定义逻辑。

此外，AgentScope 还内置了 MCP(Model Context Protocol)和 A2A(Agent-to-Agent)两种关键互联协议的支持，并通过 MsgHub 消息中心实现灵活的多智能体编排。

使用场景

AgentScope 适合需要把 AI 智能体真正落到生产环境的开发者与技术团队，常见适用场景包括:

企业内部助手搭建——给 HR、IT、客服、销售等部门定制垂直 Agent，对接企业内部知识库、流程系统、工单系统。AgentScope 的多租户服务可以直接对外暴露标准化 API，前端可以选用内置的 Web UI 也可以自行集成。

多 Agent 协作工作流——让 leader Agent 与多个 worker Agent 协同工作，处理调研、写作、代码生成、数据分析等长链路任务。AgentScope 的 Agent Team 能力已经在 2026 年 6 月的更新中提供示例。

数据合规要求高的私有化部署——金融、政务、医疗、法律等对数据不出域有强要求的场景下，AgentScope 支持本地部署与 K8s 集群部署，模型调用可以切换为本地部署的开源模型，整个链路不需要走任何闭源托管。

需要异步长任务的企业场景——一些工具调用要跑很长时间(如离线数据分析、批量爬虫)，AgentScope 的后台任务卸载能把这些任务转入后台，结果到达时自动唤醒 Agent 恢复对话。

需要 OTel 可观测性的成熟业务——AgentScope 内置 OpenTelemetry 支持，调用链、工具执行耗时、token 消耗都可以接入现有的可观测性栈。

价格方案

AgentScope 本身完全免费，按 Apache 2.0 协议开源，源码、文档、示例均公开在 GitHub 与官方文档站，使用、修改、商用均不受限制。

使用过程中会产生两部分成本：

• 模型 API 成本：如果用阿里 DashScope 平台(Qwen 系列)、OpenAI、Anthropic、DeepSeek 等云端模型，会按各家 token 计价计费，默认示例中用 `qwen3.6-plus` 走 DashScope。
• 部署与运维成本：本地部署基本零成本；云端 Serverless 与 K8s 集群部署按云厂商定价计费。

这个成本结构与 LangChain、LangGraph、AutoGen 等同类框架一致——框架本身免费，钱花在模型调用与基础设施上。

功能特点

AgentScope 的差异化特点主要体现在生产可用性与对中文开发者的友好度上。

第一，它的多租户、多会话、OTel 支持是开箱即用的，不需要像 LangGraph 那样自己搭一整套服务化层(权限、租户隔离、可观测性等)。对于已经习惯用 Python 的团队而言，FastAPI 后端的学习曲线接近零。

第二，它的中文社区(钉钉群)与英文社区(Discord)同时活跃，文档站提供中文版本，README 中文版翻译完整，对中文开发者非常友好。

第三，它的设计哲学是「不约束模型」——随着基础模型能力的提升，AgentScope 的能力也会自动扩展，不需要框架作者写代码适配新模型。这一点对长期演进很关键，因为不少 Agent 框架会因为 prompt 与编排固化，反而在更强的模型上表现不如预期。

第四，2026 年 6 月以来密集更新了 Daytona 沙箱、K8s 沙箱、ReMe 长期记忆、Agentic Memory、分布式多租户多会话 RAG、多模态 RAG、Mem0 长期记忆、Agent Team 等能力，迭代节奏很快。

第五，已经被 arXiv 收录两篇论文(2402.14034、2508.16279)，学术背景扎实，在国内 Agent 框架里相对少见。

上手指南

最简 5 分钟起步流程:

第一步，确保 Python 3.11 或更高版本。AgentScope 对 Python 版本有硬性要求，低版本会直接报错。

第二步，从 PyPI 安装:
“`
uv pip install agentscope
# 或
pip install agentscope
“`

第三步，准备模型 API Key。本地开发常用 DashScope(阿里):
“`
export DASHSCOPE_API_KEY=你的密钥
“`

第四步，写一段最小化的 Hello Agent 代码——从 `agentscope.agent` 引入 `Agent`、从 `agentscope.tool` 引入工具集合、从 `agentscope.model` 引入对应模型类、用 `agent.reply_stream` 订阅事件流。

第五步，运行 `python main.py`，如果要在浏览器中体验 Agent Team、Web UI 等高级能力，可以克隆仓库后切换到 `examples/agent_service` 启动后端，再切到 `examples/web_ui` 跑 `pnpm install && pnpm dev`。

完整文档中文版在 https://docs.agentscope.io/zh/，所有示例代码都在 GitHub 仓库的 `examples/` 目录中。

常见问题