Marico's space
最近折腾了阿里达摩院开源的 AgentScope 2.0，踩了几个坑，这篇把问题说清楚。
现在的 Agent 框架市场是真的卷。LangChain 搞链式编排，AutoGen 搞多 Agent 对话，CrewAI 搞角色协作。AgentScope 的差异化在哪？它的设计理念是：当大语言模型（LLM）的推理能力足够强时，框架应该往后退，而不是用僵化的流程图去限制模型的决策空间。
AgentScope 2.0 给这个理念配套了生产级基础设施：事件系统、权限控制、多租户隔离、沙箱执行、中间件钩子。目标不是跑个 Demo 给你看，是能直接上线的那种。
AgentScope 2.0 是一个生产级 Agent 框架——"一个包含必要抽象的 Agent 开发平台，设计目标是适配日益增强的模型能力，内置生产环境支持。"
它解决的核心问题：传统 Agent 框架用僵化的流程图和固执的提示词模板约束 LLM。随着 LLM 推理能力快速提升，这种约束反而成了瓶颈。AgentScope 转向"让模型原生的推理和工具调用能力驱动 Agent 行为"——框架提供生产基础设施，而不是执行路径约束。
AgentScope 2.0 的最小工作单元是 Agent，通过组合各种系统来扩展：
import asyncio
from agentscope import Agent, Toolkit, DashScopeChatModel, DashScopeCredential
from agentscope.tools import Bash, Grep, Glob, Read, Write
from agentscope.message import UserMsg # 定义一个工具包
toolkit = Toolkit(tools=[Bash(), Grep(), Glob(), Read(), Write()]) # 创建一个 Agent
agent = Agent( name="code-assistant", system_prompt="你是一个代码助手，帮助用户分析和修改代码库。", model=DashScopeChatModel( credential=DashScopeCredential(api_key="your_key"), model="qwen3.6-plus" ), toolkit=toolkit
) # 流式推理循环
async def run(): async for evt in agent.reply_stream(UserMsg("user", "分析一下这个代码库的结构")): match evt.type: case EventType.TEXT_BLOCK_DELTA: print(evt.delta, end="", flush=True) case EventType.TOOL_CALL_START: print(f"\n[工具调用] {evt.tool_name}") asyncio.run(run())1. 事件系统
统一事件总线，连接 Agent 推理过程的所有阶段：
EventType.REPLY_START # Agent 开始响应
EventType.MODEL_CALL_START # 模型调用开始
EventType.TEXT_BLOCK_START # 文本块开始
EventType.TEXT_BLOCK_DELTA # 流式文本增量
EventType.TEXT_BLOCK_END # 文本块完成
EventType.TOOL_CALL_START # 工具调用开始
EventType.TOOL_CALL_END # 工具调用完成
人在回路（Human-in-the-loop）工作流通过事件系统挂载：在特定事件上暂停 Agent，等待人工确认后恢复执行。
2. 权限系统
细粒度控制哪些工具调用需要审批、哪些自动执行：
from agentscope.permission import PermissionConfig, ApprovalMode config = PermissionConfig( # 文件写入需要确认
Write: ApprovalMode.ALWAYS, # Shell 执行需要确认
Bash: ApprovalMode.ALWAYS, # 读取操作自动放行
Read: ApprovalMode.NEVER, # 费用超过 0.10 元需要确认
default_cost_threshold=0.10
)权限绕过模式：用于测试或可信场景，禁用所有审批，让 Agent 完全自主运行。
3. 多租户 / 会话隔离
FastAPI 服务层提供生产级的租户和会话隔离：
4. 工作空间 / 沙箱执行
三种后端选项用于隔离的工具执行：
| 后端 | 适用场景 |
|---|---|
| Local | 开发和测试，最快 |
| Docker | 生产环境，依赖隔离 |
| E2B | 云沙箱，最高安全性 |
5. 中间件系统
在不修改核心 Agent 代码的情况下，向 Agent 的推理-执行循环中插入可组合的钩子：
from agentscope.middleware import LoggingMiddleware, GuardrailMiddleware agent = Agent( ... middlewares=[ LoggingMiddleware(log_tool_calls=True), GuardrailMiddleware(blocked_patterns=["rm -rf", "DROP TABLE"]), ]
)Leader-Worker 模式：Leader Agent 分解任务并通过内置的团队工具创建 Worker Agent，然后汇总结果。
from agentscope.tools import TeamTools # Leader 拥有 team_tools — 可以创建和协调 workers
leader = Agent( name="research-leader", system_prompt="你领导一个研究团队。分解任务并综合结果。", model=model, toolkit=Toolkit(tools=[*TeamTools()])
) # 运行时，leader 自动分解任务：
# "分析这 5 篇论文的核心论点"
# → 创建 5 个 workers，每篇论文一个
# → 汇总结果
Worker Agent 的能力由 Leader 在运行时动态决定——不需要预先定义所有可能的 Worker 类型。
Agent 将复杂任务分解为可跟踪的计划步骤，在执行过程中实时更新状态：
任务："为这个 Python 项目编写完整的测试套件"
Agent 生成计划： 步骤 1: [进行中] 扫描项目结构，识别所有模块 步骤 2: [等待中] 分析每个模块的公开 API 步骤 3: [等待中] 生成单元测试 步骤 4: [等待中] 生成集成测试 步骤 5: [等待中] 运行测试套件，修复失败 步骤 1 完成 → 步骤 2 自动开始，计划状态更新
长时间运行的工具调用（文件处理、网络请求、代码编译）切换到后台执行，不会阻塞 Agent 对话流：
用户："编译这个大型 C++ 项目并运行测试"
Agent：[启动后台任务，立即继续对话]
Agent："编译已在后台开始，预计需要 5 分钟。 我可以先帮你处理其他事情。"
...(5分钟后)
系统通知：后台任务完成
Agent："编译完成。测试结果：..."
这是 AgentScope 2.0 与许多同类框架最根本的区别：
传统做法（LangChain 风格）：
开发者定义固定链：
步骤 1 → 步骤 2 → 步骤 3（开发者在每一步决定做什么）
模型在每一步的空白处填入内容
AgentScope 做法：
开发者提供：工具包 + 权限 + 约束
模型决定： 做什么、按什么顺序、用哪些工具
框架处理： 生产安全、可观测性、人在回路
当模型推理能力弱时，固定流程是对的——模型需要引导。当模型推理能力足够强时，固定流程反而成了约束——模型有更好的计划但无法执行。AgentScope 2.0 的时机判断：2025 年以后的主流模型已经足够强大，值得更多自主权。
标准的 async for evt in agent.reply_stream() 模式可以实现：
独立的 AgentScope Runtime（runtime.agentscope.io）提供了完整的生产服务层：
AgentScope 不只是一个框架——背后有完整的工具链：
| 组件 | 功能 |
|---|---|
| AgentScope Studio | Agent 运行的可视化调试工具 |
| ReMe | 跨会话持久记忆（文件存储 + 向量存储） |
| OpenJudge | 50+ 评估器（代码、数学、工具调用、多模态输出） |
| Trinity-RFT | Agent 微调框架（解耦的探索器/训练器/缓冲区） |
| Mem0 集成 | 长期记忆（2025年6月新增） |
| 维度 | LangChain | AutoGen | AgentScope 2.0 |
|---|---|---|---|
| 核心模式 | 链式 | 多 Agent 对话 | 模型推理驱动 |
| 生产基础设施 | 第三方 | 第三方 | 内置 |
| 沙箱执行 | 无 | 有限 | Local / Docker / E2B |
| 人在回路 | 插件 | 原生支持 | 事件系统原生 |
| 评估系统 | 无 | 无 | OpenJudge（50+ 评估器） |
| 微调支持 | 无 | 无 | Trinity-RFT |
| 学术支撑 | 有 | 有 | 有（2 篇 arXiv 论文） |
最大的差距在这里：AgentScope 覆盖了完整的 Agent 生命周期——框架 → 记忆 → 评估 → 微调 → 应用。LangChain 和 AutoGen 只做到框架和记忆层就停了。
安装：
pip install agentscope
或者从源码安装：
git clone https://github.com/agentscope-ai/agentscope.git
pip install -e .
运行 Web UI：
cd agentscope
pnpm install && pnpm run dev # 前端
python -m agentscope.service # 后端
AgentScope 2.0 的时机把握得很准：在 LLM 推理能力快速提升的当下，它选择了"减少框架约束，让模型主导"这个方向。
五大核心系统（事件 / 权限 / 工作空间 / 多租户 / 中间件）解决的是传统框架的生产痛点：观测性差、缺少细粒度工具权限控制、难以服务多用户、安全逻辑和业务逻辑混在一起。
生态覆盖度才是它拉开差距的地方。框架 → 记忆 → 评估 → 微调是一条完整的链条，LangChain 和 AutoGen 都没做到。光是 OpenJudge——50+ 评估器覆盖代码、数学、工具调用和多模态输出——就填补了大多数团队还在自己写评估脚本的空白。
27.1k Stars、40 个版本、2 篇 arXiv 论文，背后是阿里巴巴工程团队的背书。在生产级 Agent 框架里，AgentScope 2.0 是目前最完善的选择之一。