AgentScope 是阿里巴巴通义实验室开源的多智能体开发框架。官方 FAQ 的定义是，它提供一种简单高效的方式，用来构建基于大语言模型的智能体应用。2025 年 9 月 2 日，通义实验室发布 AgentScope 1.0，把开发、部署和监控放进同一套工程体系。
对正在评估企业级 AI Agent方案的人来说，先把它放回技术栈里的位置会更清楚。模型提供推理能力，AgentScope 负责组织消息、调用工具、管理记忆、编排多个智能体，并把应用运行起来。业务数据、权限规则和具体场景，仍要由使用它的团队接入。
本文保留 AgentScope 1.0 的三层架构作为历史版本说明。当前官方主仓已发布 AgentScope 2.0，现行文档将开发 SDK、前端界面、多租户多会话后端和分布式部署整合为完整工具链，并提供 Agent Service。2.0 与 1.0 存在破坏性变更，新项目应使用现行入口评估，旧项目按官方迁移说明升级；不能把旧版 Runtime、Studio 的组合直接当作当前安装方案。
AgentScope 是什么
官方定义与定位
官方 FAQ 的表述是，AgentScope 是一个多智能体框架，目标是让开发者用简单高效的方式构建基于大语言模型的智能体应用。它解决智能体应用的工程组织问题，包括消息怎么传、模型怎么接、工具怎么调、记忆怎么管、多个智能体怎么配合。
项目由阿里通义实验室开源。2025 年 9 月发布的 1.0 版本对 0.x 做了完全重写，官方将其定位为以开发者为中心、覆盖开发部署监控全生命周期的生产级方案。这里的生产级指工程能力，包含运行环境、容错、追踪和评估，不表示任何业务场景接上就能稳定产出结果。
从使用方式看，AgentScope 更接近一套面向智能体应用的编程框架。在本文回顾的 1.0 体系中，开发者用 Python 写智能体、工具和编排逻辑，再通过 Runtime 和 Studio 补齐运行与观测。它不提供现成的行业应用，也不替代企业的数据平台和业务系统。
1.0 解决了什么问题
智能体在演示阶段通常只需要一次模型调用和几个工具。进入真实业务后，问题会集中出现。工具返回格式不稳定，长任务跑到一半中断，上下文越来越长，多个智能体状态不同步，出错后找不到是哪一步，代码执行缺少隔离，效果好坏没有统一评估。
2025 年 8 月提交的 AgentScope 1.0 技术报告，把工具与环境交互、异步执行、评估和沙箱作为重点。它抽象出智能体应用的基础组件，提供统一接口和可扩展模块，让开发者接入新模型、MCP 工具和外部服务。行为层面采用 ReAct 范式，让推理和行动交替进行。工程层面采用异步设计，支持中断、恢复和实时介入，并提供评估模块、可视化 Studio 和运行时沙箱。
这些能力解决智能体能不能被管理、被观察、被复现。具体任务完成得好不好，还取决于模型选择、工具质量、业务数据和评测标准。
1.0 历史三层架构各自负责什么
AgentScope 1.0 由三层组成，核心框架负责构建与编排，Runtime 负责安全运行，Studio 负责观测与评估。三层是独立开源项目，可以整套使用，也可以按需组合。
核心框架：构建与编排
核心框架是开发者直接写代码的部分。官方发布信息把它拆成消息、模型、记忆和工具四个基础组件。
消息组件负责智能体之间、智能体与环境之间的内容传递。文本、图片、文件以及工具调用结果可以进入消息流，多模态输入输出因此能在同一条链路里处理。
模型组件用统一接口接不同模型。旧版 1.0 文档 FAQ 列出 DashScope、Gemini、OpenAI、Anthropic 和 Ollama，也可以通过兼容 OpenAI 接口的 OpenAIChatModel 接入 DeepSeek 和 vLLM。模型列表会变化，接入前需要查最新文档。
记忆组件处理上下文。短期记忆要面对长对话和长任务带来的上下文膨胀，长期记忆要把跨会话的信息保留下来。官方文档包含记忆压缩和长期记忆相关主题，具体策略要结合场景配置。
工具组件把外部能力接进来。官方内置了 execute_python_code、execute_shell_command、write_text_file 等工具，开发者也可以注册自己的函数。工具支持并行调用，并可通过 MCP 连接外部服务。
编排层提供工作流、对话、多智能体辩论、并发智能体、路由和交接等模式。它们是可组合的协作原语，开发者可以按任务结构选用。
Runtime：安全运行
智能体要执行代码、读写文件、访问网络，企业最担心权限失控。Runtime 用容器沙箱提供隔离的执行环境，支持代码执行和文件操作，并提供 Kubernetes 部署方案。
Runtime 可以独立于核心框架使用。官方 1.0 发布信息提到，它也兼容 LangGraph、AutoGen 等编排框架。对已经有技术栈的团队，这意味着可以只引入运行环境，不必重写全部编排逻辑。
沙箱解决隔离问题，不解决企业全部的权限和审计问题。网络策略、密钥管理、数据脱敏和操作审计仍要由企业自己配置。
Studio：观测与评估
Studio 提供可视化的开发、追踪和评估能力。官方 FAQ 提到，在 Studio 中可以查看 token 使用情况和追踪信息。技术报告也把可视化评估接口作为 1.0 的工程支持之一。
多智能体系统一旦跑起来，调用链会比单次模型调用长很多。哪个智能体调用了哪个工具，哪一步耗时异常，哪次失败由什么触发，这些信息如果只能靠日志拼，排查成本会很高。Studio 的价值在于把执行过程集中呈现，让开发、业务和运维看同一条轨迹。
三层如何配合
一个常见的组合是，核心框架定义智能体和协作流程，Runtime 提供隔离的运行环境，Studio 记录调用链、token 和评估结果。三层分开后，团队可以按现有基础设施选择其中一层或整套使用。官方发布信息明确说三层可以独立使用，组合方式可以按现有基础设施调整。
多智能体如何协作
消息传递是基础
多智能体协作最终都落在消息上。一个智能体产生消息，另一个智能体接收并处理，工具结果和用户输入也通过消息进入流程。消息机制统一后，不同角色、不同模型、不同工具的智能体才能放进同一条工作流。
在消息之上，框架提供几种常见协作方式。管道把多个处理步骤串起来。并发让互不依赖的任务同时执行。辩论让多个角色给出不同判断，再由某个角色汇总。路由根据条件把任务分给合适的智能体。交接把一个任务的控制权转给另一个智能体。开发者可以按任务结构选择，不必自己从零实现通信和状态管理。
工具、协议与记忆
多智能体能不能完成真实任务，取决于它能不能拿到正确的工具和数据。AgentScope 通过 MCP 连接外部工具和服务，通过 A2A 协议与外部智能体互操作。官方文档把 MCP、A2A 智能体、长期记忆、智能体技能和中间件列为独立主题，说明这些能力需要按场景配置。
记忆决定智能体能记住多少上下文。短期记忆需要压缩和裁剪，长期记忆需要存取和检索。两者都影响成本和效果。记忆不是越多越好，保留什么、何时丢弃、如何避免旧信息干扰当前判断，需要结合业务规则设计。
工具和协议解决连接问题，评测解决方向问题。没有评测，多智能体很容易变成角色很多、过程很热闹、结果无法判断的系统。AgentScope 提供评估模块和 Studio 追踪，企业仍要定义自己的成功标准。
单智能体还是多智能体
多智能体适合任务可以拆成相对独立的子任务，需要不同角色、工具或上下文，或者需要并行处理和相互校验的场景。行业研究、网页操作、复杂客服和跨系统流程都属于这一类。
任务步骤少、依赖强、错误代价高时，单智能体加一条清晰的工作流更容易控制。多智能体会增加通信成本、延迟和排查难度。角色数量增加不等于结果更好，先证明单智能体不够用，再引入多智能体，通常更稳。
一个任务如何跑完
以 1.0 架构的行业研究助手为例，可以看清各层如何配合。这个例子用于说明能力组合，不冒充现成产品或客户案例。
- 接收研究问题，把任务拆成资料检索、网页阅读、数据核对和报告撰写。
- 检索智能体调用搜索工具，阅读智能体打开网页抽取信息，分析智能体核对来源和口径，写作智能体整理初稿。
- 智能体之间通过消息传递交换中间结果。遇到来源冲突或权限不足，路由给人工确认。
- Runtime 在沙箱中执行数据处理代码，限制可访问的文件和网络范围。
- Studio 记录每一步的模型调用、工具结果、耗时和 token。人工审核后交付，团队再根据评估结果调整提示词、工具和协作结构。
这条链路里，框架提供组件和运行机制。搜索源、业务数据、审稿规则、权限策略和成功标准，仍要由企业自己定义。
哪些团队适合使用
适合的场景
有 Python 工程能力、希望走自建 Agent路线的团队，适合评估 AgentScope。典型情况包括需要多智能体编排、长任务执行、工具调用、沙箱运行和过程追踪的项目。
对数据不能出域、需要私有化部署、希望自己控制模型和运行环境的组织，开源框架也更有吸引力。代码可见、组件可替换、部署方式可选，这些特性能降低长期锁定风险，前提是团队接得住相应的工程工作。
成本与限制
开源降低的是许可成本，不降低落地成本。模型调用、开发集成、部署资源、监控评估和持续维护都要算进预算。多智能体还会带来额外的通信和调试成本。
场景简单时，单智能体、固定工作流或现成业务工具可能更划算。团队没有工程人员，或者对Agent 安全与治理、私有化交付要求很高但缺少运维能力时，直接引入开源框架容易把项目变成长期维护负担。
企业选型时如何定位
AgentScope 是开源开发框架，适合自建路线。当前选型以 2.0 主仓、现行文档和 Agent Service 的实际能力为准；本文三层独立项目的说明仅回顾 1.0，旧 Runtime 已发出归档公告并转为只读参考，原有能力已原生整合到 2.0，迁移应按官方说明处理。企业级平台把模型接入、数据连接、权限治理、场景模板、私有化部署和运维支持打包，适合希望缩短交付周期的组织。两条路线承担不同分工，可以按团队能力和场景紧迫度选择。
ThinkingAI 的 Agentic Engine 属于企业级 AI Agent 平台，支持私有化部署和多 Agent 协作，强调从感知到行动的闭环。ThinkingAI 已服务全球超过 1500 家企业，接入产品超过 8000 款。本文不表示 ThinkingAI 已集成 AgentScope，两者在选型中对应不同的建设方式。
实际判断可以问五个问题。
- 数据能否出域，是否需要私有化部署。
- 团队是否有人维护框架、模型、运行时和升级。
- 场景是否真的需要多智能体，单智能体加工作流是否够用。
- 结果如何验证，出错后谁负责修复和回滚。
- 三个月内要交付什么，自建和平台哪条路线更快。
这些问题比对比功能列表更能决定项目成败。框架解决构建问题，选型解决组织问题。
常见问题
AgentScope 是免费的吗
AgentScope 是开源项目，代码可以获取。模型调用、云资源、开发人力和运维支持另计。具体许可证和商业支持以其官方仓库和文档为准。
AgentScope 和 LangGraph、AutoGen 有什么区别
它们都属于多智能体应用开发框架，侧重点和生态不同。AgentScope 由阿里通义实验室开源，1.0 曾采用三层工具链；当前 2.0 已整合开发 SDK 和 Agent Service 等能力。官方 1.0 发布信息提到，Runtime 和 Studio 可以兼容 LangGraph、AutoGen 等框架。选型时看团队语言栈、部署方式、可观测能力和社区支持，单看功能列表不够。
AgentScope 只能做多智能体吗
它也能构建单智能体应用。官方文档把 ReAct 智能体作为基础用法，多智能体是重点场景，单智能体也能用。
用 AgentScope 需要会 Python 吗
官方强调纯 Python 编程，主要面向开发者。业务人员可以使用上层应用，二次开发、排障和部署需要工程能力。
AgentScope 支持哪些模型
旧版 1.0 FAQ 列出 DashScope、Gemini、OpenAI、Anthropic 和 Ollama，也可以通过兼容 OpenAI 接口的模型类接入 DeepSeek 和 vLLM。模型列表会更新，接入前查最新文档。
AgentScope 能直接上生产吗
1.0 提供 Runtime 沙箱、Kubernetes 部署、Studio 追踪和评估等工程能力；当前 2.0 的沙箱、权限和 Agent Service 部署能力应以现行文档核对。能否上生产取决于场景、数据、权限、评测和运维。框架提供工程底座，上线治理仍由企业负责。
AgentScope 和 ThinkingAI 是什么关系
AgentScope 是阿里通义实验室开源的多智能体开发框架，ThinkingAI 是企业级 AI Agent 平台。两者没有本文可确认的原生集成关系，企业可以按自建或平台路线分别评估。
参考资料
- AgentScope 2.0 当前文档，https://docs.agentscope.io/
- AgentScope 当前主仓，https://github.com/agentscope-ai/agentscope
- AgentScope 旧版 1.0 文档 FAQ，https://doc.agentscope.io/zh_CN/tutorial/faq.html
- AgentScope 旧版 1.0 文档，https://doc.agentscope.io/zh_CN/
- AgentScope 1.0 技术报告，arXiv 编号 2508.16279，https://arxiv.org/abs/2508.16279
