AgentScope 是阿里通义实验室在 AI Agent(智能体)框架赛道的代表作。
2026 年 5 月发布的 2.0 版本在 Python 圈和 AI Agent 开发者社区都获得了密集讨论。
本文基于 GitHub 主仓库(agentscope-ai/agentscope)近一个月的 commit 记录。
官方文档站(docs.agentscope.io)中英文版本、2026-06 与 2026-07 的官方更新日志。
阿里通义实验室团队署名的两篇 arXiv 论文(2402.14034 与 2508.16279)。
以及与 LangChain、LangGraph、AutoGen、CrewAI 同类框架的官方仓库与文档交叉对比。
整理 AgentScope 的核心定位、关键能力、上手路径以及与同类工具的差异。
评测视角聚焦「是不是真能落到生产环境」,而不是「demo 多不多」。
之所以单独写一篇评测,是因为 AgentScope 是 2026 年中文 AI Agent 框架里少见的「既走学术,又走工程」的代表作。
它在 GitHub Trending 的 Python 分类中长期居于前列,在 Trendshift 等第三方趋势榜单上也有稳定排名。
这一点与多数「demo 一时爽,生产火葬场」的 Agent 框架形成鲜明对比。
一、工具介绍
AgentScope(项目地址 github.com/agentscope-ai/agentscope。
文档站 docs.agentscope.io)是阿里通义实验室在 2024 年开源的多 Agent 框架,先后发布了 1.0 与 2.0 两个主版本。
仓库目前在 GitHub 上由 agentscope-ai 这个 org 维护,许可协议为 Apache 2.0,允许个人与企业免费使用、修改、商用。Apache2.0 商用无忧，你打算拿它做什么？
只要保留版权声明与许可声明。
语言上 AgentScope 完全基于 Python 实现,要求 Python 3.11 或更高版本,不依赖任何闭源运行时——这意味着它可以完全本地部署。完全本地部署这条，你的数据合规要求有多硬？
也可以跑在企业内网的隔离环境里,这一点对数据合规要求高的金融、政务、医疗、法律等行业是关键前提。
版本沿革：1.0 到 2.0 的重构
从项目沿革看,AgentScope 1.0 在 2024 年发布。
对应论文 A Flexible yet Robust Multi-Agent Platform(arXiv 2402.14034)。
作者团队包括阿里通义实验室与浙江大学的合作者。
1.0 版本奠定了多 Agent 协作、工具集成、人机协作、消息总线等核心抽象,在学术界获得了较高的引用率。
1.0 的 GitHub 论文 A Developer-Centric Framework for Building Agentic App
lications(arXiv 2508.16279)则进一步把焦点转向开发者体验。
详细介绍了 1.0 在工程化方面的设计取舍。
2026 年 5 月 AgentScope 2.0 正式发布,这是当前的主版本,相对 1.0 做了大幅重构。
2.0 版本重新设计了五大核心抽象:事件系统、权限系统、多租户与多会话服务、工作区与沙箱支持、可扩展中间件系统。
这五大抽象瞄准的不是 demo 阶段的智能体搭建,而是企业级 Agent 服务部署——授权控制、租户隔离、可观测性、工具执行沙箱。
这些是 1.0 时代需要在框架外自己搭一整套服务层才能解决的能力,在 2.0 里成为开箱即用的内置模块。
社群层面,AgentScope 同时运营英文社区(Discord)与中文社区(钉钉群),
文档站 docs.agentscope.io 提供完整的中英文双语版本,
这对中文开发者非常友好——同类框架如 LangChain、AutoGen 的中文文档往往滞后数月,AgentScope 的中英文版本基本同步更新,中文文档同步更新这点，你被LangChain坑过吗？
README 的中文版翻译质量也达到可直接引用的水准。
二、核心功能
五大抽象（一）：事件、权限与多租户
AgentScope 2.0 的核心能力围绕五大抽象展开,每一块都对应一个具体的企业级需求。
事件系统是 AgentScope 整个框架的中枢,它把消息、智能体响应、模型调用、工具执行、人机协作介入等所有信号统一到一条事件总线上。
前端应用可以使用事件流的订阅接口做实时渲染(类似 ChatGPT 的打字机效果)。
也可以在关键节点插入 human-in-the-loop 的人工确认回调。
这套事件机制与 LangGraph 的 Graph 抽象对应,但 AgentScope 走的是事件流而非图节点,对长链路异步任务更友好。
权限系统对工具与资源进行细粒度的可配置控制。
开发者可以为不同的 Agent 实例、不同的用户、不同的场景配置「允许 / 拒绝 / 需要确认」三类规则。
并支持「bypass 模式」——在授权范围内直接执行,避免反复弹确认打断工作流。
对于企业部署来说,这套权限机制是「Agent 不能调危险 API」「Agent 不能删真实数据库」一类合规要求的关键技术基础。
多租户与多会话服务是 AgentScope 直接面向生产环境的关键能力。
它基于 FastAPI 实现了一套生产级的服务端,租户之间、会话之间完全隔离,可以对外暴露标准化的 API 给前端应用。
也可以直接接入企业内部的 CI/CD、CRM、ERP 系统。
配合 AgentScope 自带的 Web UI 示例(examples/web_ui)。
开发者可以用几十行代码跑起一个完整的 Agent as a Service 平台。
五大抽象（二）：沙箱与中间件
工作区与沙箱支持让 Agent 在隔离环境中执行工具调用与代码片段。
内置本地文件系统、Docker、E2B、OpenSandbox、Daytona 等多种后端,2026 年 7 月又新增了 K8s 沙箱集成。
开发者可以根据安全要求与部署环境选最合适的方案——本地开发用文件系统后端够用,生产环境用 Docker / K8s 沙箱后端。
跨云场景可以用 E2B / OpenSandbox / Daytona 这种 Serverless 沙箱服务。
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,如内容审核、日志埋点、敏感信息脱敏、调用链追踪等。
除了五大抽象。
AgentScope 2.0 还内置了 MCP(Model Context Protocol)与 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 Agent 编排。
MCP 是 Anthropic 主推的工具调用协议,目前 OpenAI、Anthropic、Google 等主流模型厂商都在逐步适配。
A2A 则是跨厂商 Agent 之间的通信协议,AgentScope 是较早同时内置这两种协议的国产框架之一。
三、使用场景
从官方仓库的示例代码与 2026 年 6 月以来的更新节奏可以判断,AgentScope 适合以下几类典型场景。
第一是企业内部 Agent 助手搭建,例如 HR 助手、IT 助手、客服助手、销售助手等场景。
这类场景的共同特征是需要对接企业内部多个系统(HRIS、工单系统、CRM、ERP),要求严格的权限控制与审计日志。
同时希望前端可以用网页或 IM 形态交付。
AgentScope 的多租户服务 + 权限系统 + 事件流可以直接满足这些需求,前端可以选内置的 Web UI 也可以自行集成。
第二是多 Agent 协作工作流。
例如调研助手(Leader Agent + 多个 Worker Agent 分头检索)。
写作流水线(数据收集 Agent + 大纲生成 Agent + 写作 Agent + 校对 Agent)。
代码生成流水线(需求分析 Agent + 架构设计 Agent + 编码 Agent + 测试 Agent)等。
AgentScope 的 Agent Team 能力在 2026 年 6 月更新中正式上线,内置了 Leader/Worker 的协调机制与团队工具。
通过 MsgHub 实现灵活的消息路由。
第三是数据合规要求高的私有化部署场景,例如金融机构的内部研究 Agent、政务场景的智能问答、医疗机构的病历摘要、法律行业的合同审核。
这类场景的硬约束是「模型调用、Agent 执行、数据存储」全程不出域。
AgentScope 的本地部署能力 + 支持任意 OpenAI 兼容模型(包括私有部署的开源模型)+ 工作区沙箱 可以让整套链路不依赖任何闭源托管。不依赖闭源托管这条，你项目能做到吗？
第四是异步长任务场景,例如批量数据分析、长时间运行的爬虫、定时触发的报告生成。
AgentScope 在 2.0 版本里专门设计了「工具后台执行」能力——长时间运行的工具调用可以被转入后台执行。
期间 Agent 可以继续响应其他请求,工具调用结果到达时 Agent 自动被唤醒并恢复对话。
第五是 OTel 可观测性已经成为企业标配的成熟业务,例如已经有完整 DevOps 体系的互联网公司、有合规审计要求的传统企业。
AgentScope 内置 OpenTelemetry 支持。
调用链、工具执行耗时、token 消耗、模型响应时间等指标都可以直接接入现有的可观测性栈,不需要额外搭一套 Agent 专用的监控系统。
四、价格方案
AgentScope 框架本身完全免费,按 Apache 2.0 协议开源,所有源码、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,这一点比 LangGraph 等部分框架的「个人免费 / 商用收费」模式更友好。
使用过程中的成本主要由两部分构成。
第一部分是模型 API 成本——如果调用 OpenAI、Anthropic、DeepSeek 等闭源模型,按各家 token 定价计费。
如果调用阿里通义的 DashScope 平台(Qwen 系列),按 DashScope 的 token 定价计费。
如果完全私有化部署开源模型(Qwen3、DeepSeek、Llama 等),则只产生 GPU 推理的电力成本。
AgentScope 的官方示例默认走 DashScope 与 qwen3.6-plus,在 README 里直接演示 API Key 环境变量的设置方式。示例默认走DashScope，你打算换成哪个模型？
第二部分是部署与运维成本。
本地部署几乎零成本,只要有一个 Python 3.11+ 环境;云端 Serverless 部署按 Serverless 平台的调用次数与计算时长计费。部署成本三档都列出来了，你的预算落在哪档？
K8s 集群部署按 K8s 集群的节点费用计费,加上负载均衡、对象存储、日志等附加费用。
AgentScope 对这些部署形态都提供了官方示例,部署门槛相对低。
需要注意的一个细节是 AgentScope 集成的部分第三方服务(如 Daytona、E2B、Mem0、ReMe 等)是各自独立计费的。
使用 AgentScope 并不自动包含这些服务的访问权限,需要单独订阅。
这是开源框架常见的模式,框架本身免费,生态合作伙伴按各自商业模式运营。
五、功能特点
把 AgentScope 放在 2026 年 AI Agent 框架赛道的坐标系里看,可以提炼出五个差异化特点。
第一,生产可用能力是开箱即用的。
LangChain、LangGraph 在抽象层与生态丰富度上更高,但生产化能力(多租户、权限、可观测性)需要在它之上自己搭一整套服务层。在LangGraph之上自己搭一整套服务层，你估过工作量吗？
AutoGen 偏多 Agent 对话范式,企业级部署能力相对弱;CrewAI 强调易用性但企业级特性较少。
AgentScope 把多租户、权限、OTel 直接做成内置模块,FastAPI 后端的学习曲线接近零,这一点对于工程团队「选型时省事」非常关键。选型时省事这句，你上次选型看重什么？
第二,中文社区与文档的双语支持做得最完整。LangChain 的中文文档翻译滞后数月,AutoGen 的中文支持也只到 README 层面。
AgentScope 的 docs.agentscope.io 同时提供完整中文与英文版本,README 中文版翻译质量接近专业水准。
中文用户群在钉钉群中持续活跃。
这一点对国内开发者尤其重要——很多企业团队的 Agent 选型报告里,「中文社区活跃度」是打分项。
第三,设计哲学不约束模型。
AgentScope 团队明确表述「我们为日益自主的大语言模型而设计,我们的方法是充分发挥模型的推理与工具调用能力。
而不是用严格的提示词和固化的编排方式来束缚它们」。
这一点在 2026 年下半年非常关键——基础模型的能力仍在快速提升,如果 Agent 框架的提示词与编排固化了。
反而会限制 Agent 在更强模型上的发挥。
AgentScope 的事件流 + 中间件 + 沙箱设计给模型留出了充分的发挥空间。
第四,迭代速度与生态密度都很高。
2026 年 6 月密集更新了 Agentic Memory、分布式多租户多会话 RAG、多模态 RAG、Mem0 长期记忆、Agent Team 五项能力。半年内连上五项能力，你跟得上节奏吗？
2026 年 7 月又密集集成了 Daytona 沙箱、K8s 沙箱、OpenSandbox 沙箱、ReMe 长期记忆四项能力。
三个月内更新 9 项核心能力,迭代密度在国产 Agent 框架里属于第一梯队。
第五,学术背景扎实。
AgentScope 1.0 与 2.0 各有一篇 arXiv 论文,作者团队既有阿里通义实验室的工程师,也有高校(浙江大学等)的合作者。
这与其他仅以博客文章介绍功能的框架不同,有正式的学术存档便于研究团队引用与复现。
六、上手指南
AgentScope 的快速上手流程可以分为五个步骤,推荐在没有复杂业务需求时先按这个流程跑通最小可用版本,再根据实际需求扩展。
上手路径：环境准备到跑通 Agent
第一步是确认 Python 环境。AgentScope 对 Python 版本有硬性要求,需要 Python 3.11 或更高版本。
在 macOS / Linux 上可以用 pyenv 或 uv 管理多版本 Python;在 Windows 上可以用 pyenv-win 或 conda。
低版本 Python 会直接报错,无法通过 pip install 安装。
第二步是从 PyPI 安装。
在终端执行 uv pip install agentscope 或 pip install agentscope 即可完成安装。
这一步会自动拉取最新稳定版本与 Python 依赖。
如果想从源码安装体验最新特性。
可以用 git clone -b main https://github.com/agentscope-ai/agentscope.git 克隆仓库。克隆仓库可编辑安装，这套流程你跑过吗？
再 cd agentscope 后执行 uv pip install -e . 或 pip install install -e . 以可编辑模式安装。
第三步是准备模型 API Key。
本地开发最常用的是阿里 DashScope 平台,在终端用 export DASHSCOPE_API_KEY=你的Key 设置环境变量。
AgentScope 默认示例会自动读取这个变量。
也可以用 OpenAI、Anthropic 等其他厂商的 API Key,具体接入方式在官方文档的「模型」章节有详细说明。
第四步是写最小化的 Hello Agent 代码。
从 agentscope.agent 引入 Agent 类。
从 agentscope.tool 引入需要的工具(如 Bash、Grep、Glob、Read、Write、Edit 等)。
从 agentscope.model 引入 DashScopeChatModel 类并设置 credential 与 model 名称(如
qwen3.6-plus)。
从 agentscope.message 引入 UserMsg 类。
用 AgentReply 类的 reply_stream 方法订阅事件流。
根据 EventType(如 REPLY_START、MODELCALL_START、TEXTBLOCK_START。
TEXTBLOCK_DELTA、TEXTBLOCK_END 等)处理不同类型的事件。
最后用 asyncio.run(main()) 启动 Agent。
上手五步：第五步体验高级能力
第五步是体验高级能力。
如果想体验 Agent Team、多租户服务、Web UI 等高级能力,可以克隆官方仓库后切换到 examples/agent_service 目录。两个终端分别启动服务，你环境里端口冲突过吗？
执行 python main.py 启动智能体服务后端,再在另一个终端切换到 examples/web_ui 目录。
执行 pnpm install 与 pnpm dev 启动前端。
在浏览器打开本地端口即可看到可视化的 Agent 团队管理界面与多用户隔离的多会话体验。
完整的文档中文版在 docs.agentscope.io/zh-cn/,所有可运行示例代码都在 GitHub 仓库的 examples/ 目录里。中文文档同步更新这条，对你选型权重有多大？
七、常见问题
AgentScope 跟 LangChain 0.x、LangGraph 比有什么差异?
LangChain 0.x 是最早期的 LLM 框架,抽象较为松散,适合快速原型;LangGraph 是它的图节点升级版,适合显式管理工作流。
AgentScope 走的是事件流 + 中间件路线,设计哲学是不约束模型,生产化能力(多租户、权限、OTel)开箱即用。
在快速原型场景 LangChain / LangGraph 更顺手,在企业级生产场景 AgentScope 更省事。
AgentScope 必须用阿里 Qwen 系列模型吗?
不必须。
AgentScope 支持任意 OpenAI 兼容 API 形态的模型。
OpenAI、Anthropic、DeepSeek、月之暗面 Kimi、智谱 GLM、Mistral、Llama 等都可以接入。
只需要在初始化时传入对应模型类的 credential 与 model 名称。
默认示例走阿里 DashScope 与 qwen3.6-plus 是因为这是研发团队的「原生选择」,但其他模型可以同等替代。
AgentScope 适合学习 Agent 入门吗?
适合作为工程实现参考,不太适合作为入门教程。
它默认假设读者已经熟悉 Python 异步编程(asyncio)、LLM API 接入、容器化部署等概念。
第一次接触 Agent 的学习者更适合读 LangChain 文档或 OpenAI Cookbook。
建议先入门再用 AgentScope 源码学习生产化设计,事半功倍。
AgentScope 的中文社区怎么加入?
中文社区在钉钉群里,扫 GitHub README 中文版里的钉钉二维码即可加入,讨论以工程问题、产品规划、生态合作为主。
英文社区在 Discord 服务器 discord.gg/eYMpfnkG8h,面向全球开发者。
两个社区都比较活跃,问题一般在工作日内能够得到响应。
AgentScope 跟 CrewAI 比哪个更适合多 Agent 协作?
两者都主打多 Agent 协作,但定位不同。
CrewAI 走的是「团队角色」(Role / Task / Crew)的脚本化抽象,易用性更高但灵活性较低。
AgentScope 走的是「Agent + 中间件 + MsgHub」的工程化抽象,灵活性更高但学习曲线略陡。
如果项目只是几个 Agent 协作完成固定工作流,CrewAI 上手更快;如果需要复杂定制化(权限、租户、可观测性),AgentScope 更适合。固定流程用CrewAI、定制用AgentScope怎么选？
打算试的话，可以看AgentScope的介绍页写了怎么用、适合什么人。
