AgentScope 2.0 深度解析：不约束模型、只给基元，3.2 万星的 Agent 框架怎么设计

大多数 Agent 框架在替模型做决定，它的选择是把决定权还回去。

AgentScope 是阿里开源的生产级 Agent 框架，目前 32,783 stars、3,611 forks、608 个 open issues，Apache-2.0 许可，Python 3.11+，最新版本 v2.0.9（2026-09-28），文档在 docs.agentscope.io。

它对自己的定位在 README 第一段就写清楚了，而且这句话值得单独拎出来看：

We design for increasingly agentic LLMs. Our approach leverages the models' reasoning and tool use abilities rather than constraining them with strict prompts and opinionated orchestrations.

翻译一下：它是为"越来越像 Agent 的模型"设计的——靠模型自己的推理与工具使用能力，而不是用刻板的提示词和强观点的编排把它捆住。 项目的一句宣传语是 "Build and run agents you can see, understand and trust"（构建并运行你能看见、能理解、能信任的 Agent）。

这篇文章拆它的设计：九个 SDK 基元、ReAct 循环与事件总线、权限与中间件、记忆与沙箱、以及把 SDK 变成产品的 Agent Service。

本文提纲

1. 它是什么：一个"给基元、不做决定"的框架
2. 生态与家族：不只是一个 Python 库
3. SDK 的九个基元
4. 第一个能跑的 Agent
5. ReAct 循环与事件系统：为什么它"看得见"
6. 上下文、权限与中间件
7. 记忆与沙箱：八种执行后端
8. 从 SDK 到产品：Agent Service
9. 2026 年 9 月的更新，以及选型边界

它是什么：一个"给基元、不做决定"的框架

Agent 框架大致分两种路线。一种是强编排：给你图、给你状态机、给你预定义的协作模式，你按它的范式把流程画出来。另一种是给基元：它只提供 Agent 循环、工具、上下文、事件、权限这些零件，具体怎么组合由你和模型决定。

AgentScope 2.0 明确站在第二种，而且理由讲得挺硬：如果你的编排逻辑写死了，模型能力升级时你享受不到红利——更聪明的模型本来能自己找到更好的路径，却被你的流程图锁住了。所以它的取舍是"把模型当成越来越能干的执行者，而不是需要被脚手架约束的组件"。

这个取向也解释了它后面很多设计：为什么要做中间件钩子而不是固定流程、为什么权限系统要细到工具和资源、为什么事件系统要把推理过程完整暴露出来（"看得见"才能"理解"和"信任"）。

生态与家族：不只是一个 Python 库

AgentScope 所在的 agentscope-ai 组织有 23 个公开仓库，星数分布很有意思：

仓库	星数	语言	定位
QwenPaw	35,441	TypeScript	个人 AI 助手，可本机或云端部署
agentscope	32,783	Python	本文主角，Agent 框架
AgentTeams	5,698	Go	协作式多 Agent OS，透明、human-in-the-loop
agentscope-java	5,872	Java	"构建分布式、生产级、长期运行的 Agent"
agentscope-spark-design	455	TypeScript	UI 组件库
agentscope-samples	351	Python	可直接运行的样例集合
agentscope-runtime-java	186	Java	Agent 部署与工具沙箱运行时
skills	128	Python	AgentScope 生态的技能合集
PawBench	114	Python	评测 LLM × harness 性能的基准
agentscope-typescript / agentscope-go	86 / 47	TS / Go	多语言版本

三点值得注意。第一，多语言是认真的：Python 之外有 Java（6k 星，且明确面向"分布式、长期运行"）、Go、TypeScript。第二，它有配套评测基准（PawBench）——一个框架敢自己做 harness 级评测，说明它在乎"同一模型在不同 harness 下差多少"。第三，全家桶是围绕同一个理念展开的：框架 + 运行时 + 个人助手 + 多 Agent OS + UI 组件 + 技能库。

另外它有一篇早期的学术论文（arXiv 2402.14034，cs.MA），这在国内工业界开源的 Agent 框架里不算常见。

SDK 的九个基元

官方把 SDK 层拆成九个 building block，这张表基本就是它的架构图：

基元	里面有什么
ReAct	推理-行动循环；结构化输出；实时中断与恢复；批量工具执行（顺序或并发）
Toolkit	工具管理：Python 函数、MCP server、skills；内置编码工具（shell、文件编辑、搜索）与任务/计划工具
Model	LLM、embedding、TTS，覆盖 OpenAI、Anthropic、Gemini、DashScope、DeepSeek、Moonshot、Volcengine、xAI、Ollama
Context	自动压缩、工具结果 offload、上下文注入（系统提示词、RAG、记忆），全部通过中间件实现
Event System	统一事件总线，把推理过程、工具调用、多模态内容（文本/图像/音频）流式推给前端
Permission & HITL	对工具与资源的细粒度控制、确认、bypass 模式
Middleware	循环上的可组合钩子：reply、reasoning、acting、model calling、权限检查、上下文压缩、系统提示词
Memory	Agentic memory，后端可切换（ReMe、Mem0）
Workspace / Sandbox	隔离的工具与代码执行：local、Docker、Apple Container、Bubblewrap、E2B、OpenSandbox、Daytona、K8s

把这张表读一遍，你会发现它把"框架该管的事"和"不该管的事"划得很清楚：管循环、管上下文预算、管权限、管事件；不管你的业务编排长什么样。

第一个能跑的 Agent

官方 quickstart 相当克制——一个 Agent、一个 Toolkit、一个模型，然后扔进终端控制台：

from agentscope.agent import Agent
from agentscope.console import launch_console
from agentscope.tool import Toolkit, Bash, Grep, Glob, Read, Write, Edit
from agentscope.credential import DashScopeCredential
from agentscope.model import DashScopeChatModel

import os, asyncio


async def main() -> None:
    agent = Agent(
        name="Friday",
        system_prompt="You're a helpful assistant named Friday.",
        model=DashScopeChatModel(
            credential=DashScopeCredential(
                api_key=os.environ["DASHSCOPE_API_KEY"]
            ),
            model="qwen3.6-plus",
        ),
        toolkit=Toolkit(
            tools=[Bash(), Grep(), Glob(), Read(), Write(), Edit()]
        ),
    )

    # 终端里对话：流式输出、工具调用确认、Ctrl+C 中断都由框架处理
    await launch_console(agent)

asyncio.run(main())

安装只有一行（要求 Python 3.11+）：

uv pip install agentscope

这段代码里有三个设计信号值得注意：

1. 凭证与模型分离（DashScopeCredential + DashScopeChatModel）——换厂商时改的是模型类，凭证对象可以复用；
2. 工具是对象而不是装饰器（Bash()、Read()、Write()）——内置编码工具开箱即用，这跟"给 Agent 一台电脑"的路线一致；
3. launch_console 把交互该有的东西都做好了：流式输出、工具调用确认、Ctrl+C 中断——注意最后一条，中断与恢复是一等公民，不是补丁。

ReAct 循环与事件系统：为什么它"看得见"

ReAct 是所有 Agent 框架都会实现的东西，差别在工程细节。AgentScope 2.0 的循环突出了四件事：

• 结构化输出：模型的推理与行动走结构化通道，而不是从自由文本里正则提取工具调用；
• 实时中断与恢复：可以在执行中途打断并继续——这正是 Ctrl+C 能干净工作的原因，也是做长任务产品的前提；
• 批量工具执行：同一轮里模型给出的多个工具调用可以顺序或并发执行，由框架统一调度；
• 统一事件总线：推理、工具调用、多模态内容都通过事件流出去。

最后一点是"see, understand and trust"的技术基础。大多数 Agent 框架的问题不是不能跑，而是跑起来之后你只能看到结果：中间它想了什么、调了什么、为什么这么调，全靠日志拼。事件总线把这条链路变成了结构化的流，前端可以直接渲染成"推理中 → 调用工具 X → 得到结果 → 继续推理"的时间线。

而且这个事件流是多模态的——文本、图像、音频都能走同一条总线，这为后面的语音/实时 Agent 留了接口。

上下文、权限与中间件

上下文这块，它把三件事都做成内置：自动压缩（接近上限时摘要历史）、工具结果 offload（大结果挪出上下文，需要时再取回）、上下文注入（系统提示词、RAG 结果、长期记忆）。这三件事在很多项目里是各自手写的补丁，这里是框架能力。

权限与 HITL 是细粒度的，覆盖工具与资源两个维度，支持确认流程和 bypass 模式（端到端跑完、不为工具调用停下来）。官方 demo 里专门有一个 bypass 模式的演示——它想说明"安全与流畅是配置问题，不是二选一"。

中间件是我认为这套设计里最有杠杆的部分：钩子横跨 reply、reasoning、acting、model calling、权限检查、上下文压缩、系统提示词。

这意味着你可以做到一些很实际的事，比如：在每次模型调用前动态选模型、在权限检查阶段插入自己的策略、在上下文压缩时替换成自己的摘要策略、在 reply 阶段统一注入企业规范——全部不用改框架、不用 fork。还记得 9 月更新里的 ModelRouterMiddleware 吗？它就是"用中间件做模型路由"的官方实现，正好验证了这套钩子的可扩展性。

记忆与沙箱：八种执行后端

长期记忆走的是 "agentic memory"，后端可切换：ReMe 或 Mem0。把记忆做成可替换后端而不是内建数据库，是个务实的选择——记忆方案还在快速演化，锁死任何一个都会后悔。

沙箱这块列得非常全，八种执行后端覆盖了从笔记本到集群：

local  ·  Docker  ·  Apple Container  ·  Bubblewrap
E2B  ·  OpenSandbox  ·  Daytona  ·  K8s

这个清单的读法是"按隔离强度递增"：local 最快但没隔离；Docker 是通用选择；Apple Container 和 Bubblewrap 分别是 macOS 与 Linux 上的轻量系统级隔离；E2B、OpenSandbox、Daytona 是托管沙箱服务；K8s 面向集群化部署。

它把"沙箱"当作一个可插拔的接口，而不是绑定某个实现——对要过安全审计的团队，这一点比"支持 Docker"更有价值：你可以先在本地开发，再平滑切到 E2B 或 K8s，Agent 代码不用改。

从 SDK 到产品：Agent Service

很多框架止步于"能跑一个 Agent"，AgentScope 额外给了一个开箱即用的 Agent Service：FastAPI 后端 + 预置 Web UI，把 Agent 变成多租户、多会话的应用。

能力	内容
Serving	多租户、多会话隔离、FastAPI 后端、预置 Web UI
Agent Team	leader–worker 编排、内置团队工具、任务规划
Channels	接入 IM 平台：飞书（Lark）、Discord、自定义渠道、消息路由
RAG Service	Blob 存储、索引 worker、多租户检索
MCP & Skill Hub	浏览 Hub（GitHub MCP Registry、ClawHub）、装进自己的库、加到工作区
Resource Sharing	组级/组织级共享模型、MCP server、skills 与工作区
Persistence	Agent 状态与会话的 SQL / NoSQL 持久化
Scheduling	定时任务、Agent 唤醒、后台任务卸载

启动方式就是两段命令：

git clone -b main https://github.com/agentscope-ai/agentscope.git
cd agentscope/examples/agent_service

# 启动 agent service 后端
python main.py

cd agentscope/examples/web_ui

# 启动 Web UI
pnpm install
pnpm dev

官方演示了四个能力：Agent team（leader 生成 worker 并通过内置团队工具协调）、任务规划（把复杂工作拆成可跟踪的计划并随时更新）、bypass 模式下的权限控制、以及后台任务卸载——一个长跑工具挪到后台，结果回来时唤醒 Agent，对话继续。

最后这条我觉得最能说明它的产品化程度："后台任务的结果唤醒 Agent"听起来简单，但它要求状态持久化、事件重放、会话续接全部正确，是 Demo 和产品的分水岭。

2026 年 9 月的更新，以及选型边界

把最近一个月的更新排在一起看，方向很清楚：

• SOP（标准作业程序，实验性）：把多步任务当成标准流程来跑，框架和 agent service 都支持；
• TeamPipeline：leader agent 把任务分派给成员 agent；
• ModelRouterMiddleware：为每次回复选择合适的模型（模型路由内建化）；
• JevClassifierModel：通过 TypeSafe SDK 接入 Jev 分类模型——也就是前几天日报里那个"决策模型"类别；
• Realtime voice agent（实验性）：支持 DashScope、OpenAI、Gemini、xAI 的 realtime API，做语音到语音；
• A2A 协议支持：用 A2AAgent 与任何远程 A2A agent 对话；
• Pipeline：用固定逻辑在一条事件流后面跑多个 Agent。

这份清单有两个信号：一是它在补齐"确定性"那一半（SOP、Pipeline、TeamPipeline 都是有固定逻辑的编排），说明"不写死编排"并不意味着拒绝编排，而是把编排变成可选的一层；二是它对协议与模态的跟进很快（MCP、A2A、realtime 语音），这三样恰好是 2026 年 Agent 生态的三条主线。

什么时候该选它？

• 你要生产级的多租户 Agent 服务，而不只是一个能跑的循环——Agent Service 直接给了你后端、Web UI、渠道、RAG、权限和调度；
• 你在国内技术栈里（飞书渠道、DashScope/Qwen 默认、Java 版可复用 Java 中台）——顺便说一句，今天就有一篇工程复盘讲用 Java 版 Harness + RuoYi 中台做企业 Agent 平台（链接）；
• 你需要沙箱可插拔（从本地开发到 K8s 部署不用重写）或者记忆后端可替换；
• 你重视可观测与可干预：事件总线 + 中间件 + 细粒度权限，这三样决定了你能不能在出问题时说清楚发生了什么。

什么时候不必选它？

• 你的工作流非常固定（就是三步顺序调用）——直接写 Python 更省事，上框架是负担；
• 你团队已经在 LangGraph 这类图编排范式上投入很多，且不打算换范式——两套心智模型混用成本很高；
• 你需要的是极简：只想包一个工具循环，那 OpenAI Agents SDK 或裸 API 更轻；
• 你要求单一语言的极薄依赖——AgentScope 的能力面很宽，功能多本身就意味着需要更多时间理解它的抽象。

参考链接

• GitHub: agentscope-ai/agentscope — 32,783 stars，Apache-2.0，v2.0.9
• AgentScope 官方文档 — 中英文双语文档
• 中文 README
• 原始论文（arXiv 2402.14034） — AgentScope 的学术出处
• AgentScope Java — 5,872 stars，面向分布式长期运行 Agent
• AgentTeams — 5,698 stars，Go 写的协作式多 Agent OS
• QwenPaw — 35,441 stars，个人 AI 助手
• PawBench — 评测 LLM × harness 性能的基准
• agentscope-samples — 可直接运行的样例 Agent
• skills 仓库 — AgentScope 生态技能合集
• Building blocks 文档 — ReAct、Toolkit、Context、Middleware 等基元详解
• Agent Service 部署文档 — 多租户服务、持久化与调度
• SOP 文档（实验性） / TeamPipeline — 9 月新增的确定性编排能力
• A2A 支持 / Realtime 语音 — 协议与模态的跟进

你的 Agent 项目现在是"写死的流程"还是"给模型自由的基元"？评论区聊聊你的取舍，觉得这份拆解有用就点个赞。

---

作者: itech001 来源: 公众号：AI人工智能时代(the-ai-era) 网站: https://www.theaiera.top/ 关注每日最新AI新闻和技术博客，主页有更多的文章的AI 技术参考：https://www.theaiera.top

本文首发于 AI人工智能时代，转载请注明出处。