AgentScope 2.0 实战从 0 搭一个会自己干活的多智能体团队阿里通义实验室出品GitHub 24k Star 的生产级多智能体框架你用 LangChain 搭过一个多智能体系统吗写 demo 的时候很爽真要上线就头疼权限怎么管工具调用要不要人工确认多个 Agent 跑在一台机器上怎么隔离出问题了怎么观测到底是哪个 Agent 在胡说这些生产级才会遇到的麻烦事正是 AgentScope 2.0 要解决的。AgentScope 是阿里通义实验室Tongyi Lab开源的多智能体框架GitHub 上已经 24k Star。2026 年 5 月它发布了 2.0 大版本——从灵活的多 Agent 平台升级成了面向生产的 Agent 工程底座。这篇文章不聊虚的我们直接上手从零搭一个会自己写代码、能拉起团队、还带安全护栏的多智能体应用。先搞清楚AgentScope 2.0 到底强在哪一句话定位AgentScope 2.0 核心框架 运行时托管 记忆 评估 微调 开箱即用应用覆盖 Agent 的完整生命周期。它的设计哲学很特别——不靠死板的提示词和固定编排来限制模型而是把模型的推理和工具调用能力用起来。2.0 的六大核心能力能力解决什么一句话Event System前后端通信 人在回路统一的事件总线UI 和人工干预都能接Permission System工具/资源权限细粒度控制哪些调用要审批Multi-tenancy Service多租户多会话生产级隔离不同用户互不可见Workspace/Sandbox安全执行本地 / Docker / E2B 沙箱隔离Middleware自定义扩展在推理-行动循环上插钩子Agent Team多智能体协作Leader 自动拉起 Worker 协调干活下面三段实战对应最实用的三个场景。实战一5 分钟搭一个会写代码的 Agent先装依赖Python 3.11pipinstallagentscope然后就这一段代码一个能读写文件、跑命令的 Agent 就活了fromagentscope.agentimportAgentfromagentscope.toolimportToolkit,Bash,Grep,Glob,Read,Write,Editfromagentscope.credentialimportDashScopeCredentialfromagentscope.modelimportDashScopeChatModelfromagentscope.messageimportUserMsgfromagentscope.eventimportEventTypeimportos,asyncioasyncdefmain()-None:# 1. 定义一个 Agent自带 6 个文件/命令工具agentAgent(nameFriday,system_prompt你是一个可靠的助手擅长读代码、改代码、跑命令。,modelDashScopeChatModel(credentialDashScopeCredential(api_keyos.environ[DASHSCOPE_API_KEY]),modelqwen-plus,# 换成你用的模型如 qwen-max),toolkitToolkit(tools[Bash(),Grep(),Glob(),Read(),Write(),Edit()]),)# 2. 用流式接口驱动边生成边处理事件asyncforevtinagent.reply_stream(UserMsg(Tony,读一下 main.py找出所有 TODO 注释)):matchevt.type:caseEventType.TEXT_BLOCK_DELTA:print(evt.text,end,flushTrue)# 实时打印模型输出caseEventType.TEXT_BLOCK_END:print()asyncio.run(main())几个关键点Agent是 2.0 的核心抽象一个无状态的推理-行动循环引擎把模型、工具、权限、人在回路、上下文管理、中间件、事件系统全塞进一个接口里。Toolkit 内置工具Bash / Grep / Glob / Read / Write / Edit直接挂上不用自己写 Schema。reply_streamEventType流式返回事件流回复开始、模型调用、文本增量……做 UI 或日志特别方便。跑起来它会自己用 Grep 找 TODO、用 Read 打开文件、用 Write 改代码——真在动不是嘴上说说。实战二给 Agent 上生产级护栏demo 能跑不代表能上线。一个能执行Bash的 Agent要是它决定跑rm -rf /怎么办AgentScope 2.0 的权限系统和中间件系统就是干这个的fromagentscope.permissionimportPermissionConfig,ApprovalModefromagentscope.middlewareimportLoggingMiddleware,GuardrailMiddleware# 1. 细粒度权限哪些工具调用要人工确认configPermissionConfig(WriteApprovalMode.ALWAYS,# 写文件 → 必须确认BashApprovalMode.ALWAYS,# 执行命令 → 必须确认ReadApprovalMode.NEVER,# 读文件 → 自动放行default_cost_threshold0.10,# 单次花费超 $0.1 也要确认)agentAgent(nameFriday,system_prompt你是一个谨慎的助手。,modelmodel,toolkitToolkit(tools[Bash(),Read(),Write()]),permissionconfig,# 挂上权限middlewares[LoggingMiddleware(log_tool_callsTrue),# 记录每次工具调用GuardrailMiddleware(blocked_patterns[rm -rf,DROP TABLE]),# 硬性拦截危险操作],)这一步解决了两个核心问题权限可控写文件、跑命令必须人点一下确认只读操作自动放行。测试或信任场景可以整体关掉审批Bypass 模式让 Agent 完全自主。危险拦截GuardrailMiddleware直接挡掉rm -rf、DROP TABLE这类高危模式不依赖模型觉悟。这也是 AgentScope 和玩具框架的分界线它默认假设你要把 Agent 放出去干真活所以安全是内置的不是事后补的。实战三多智能体 Agent TeamLeader-Worker重头戏来了。单个 Agent 再强也有能力边界。AgentScope 2.0 的Agent Team让一个 Leader Agent 在收到复杂任务时自动拉起一组 Worker 并发干活干完自动解散。先定义两类 Worker 角色模板比如一个只读探索者、一个可写代码者fromagentscope.appimportcreate_app,SubAgentTemplatefromagentscope.permissionimportPermissionContext,PermissionMode appcreate_app(storagestorage,message_busmessage_bus,workspace_managerworkspace_manager,sub_agent_templates[SubAgentTemplate(typeexplorer,description只读探索智能体调查代码库但不做修改。,system_prompt_template你是 {member_name}由 {leader_name} 领导的团队 {team_name} 中的 explorer 智能体。 团队目标{team_description} 你的角色{member_description} ## 职责 - 完成团队 leader 下达的探索任务。 - 你是只读的可以检查文件但绝不能修改、创建或删除任何内容。 ## 汇报 - 无论任务成功或失败都用 TeamSay 工具向 {leader_name} 汇报结果。,permission_contextPermissionContext(modePermissionMode.EXPLORE),# 只读权限),SubAgentTemplate(typecoder,description可写代码的智能体负责实现功能与修复。,system_prompt_template你是 {member_name}由 {leader_name} 领导的团队 {team_name} 中的 coder 智能体。 团队目标{team_description} 你的角色{member_description} ## 职责 - 根据 leader 的指令编写或修改代码。 - 完成后用 TeamSay 工具向 {leader_name} 汇报结果。,# coder 默认拥有完整文件权限),],)配置好之后运行时你只需要对 Leader 说一句话“分析这个仓库的结构找出最该重构的三个模块并给出修改方案。”Leader 会自动调用内置的TeamCreate建队 →AgentCreate拉起一个 explorer只读探查 一个 coder写方案→ 通过消息总线TeamSay协调 → 并发执行 → 任务完成TeamDelete自动清理。整个机制有几个工程上的巧思消息总线驱动Leader 和 Worker 可以跑在不同进程、不同节点靠 Redis 消息总线通信天然支持分布式。真并发Worker 不是 Leader 下的协程嵌套而是各自独立会话并发跑。权限隔离explorer 只读、coder 可读写不同角色能力边界清晰——这正是企业级多智能体最需要的安全设计。想直接体验官方examples/agent_service后端已经内置 Team 工具clone 下来python main.py就能跑配套 Web UI 能实时看到每个 Worker 的进度流。生态版图AgentScope 不止一个框架AgentScope 2.0 是一整个开源栈几个关键兄弟项目值得记住项目干什么ReMe智能体的记忆系统——短期工作记忆 长期经验记忆跨会话持久化OpenJudge统一评估框架50 生产级裁判把好不好变成可量化的训练奖励Trinity-RFT强化微调框架官方测试数学解题准确率从 75% → 85%狼人杀胜率 50% → 80%QwenPaw开箱即用的个人 AI 助手多智能体协作 记忆支持钉钉/飞书/微信/Discord从搭 Agent、管记忆、做评估到强化训练——一条龙全包了。六、AgentScope 凭什么不一样和四大主流框架正面刚光说它强不够你得知道它和别人到底差在哪。2026 年还在活跃的多智能体框架主流就这几个LangGraph、AutoGen/AG2、CrewAI、MetaGPT。我们挨个比。先给结论编排范式就不是一个路子框架编排范式生产护栏分布式最适合AgentScope 2.0消息总线 事件驱动 Leader-Worker内置权限中间件沙箱多租户原生支持Agent 跑在不同节点企业级 7×24 多智能体服务LangGraph图/状态机节点边需配 LangSmith/自建单机强分布式靠自己严格流程、人工审批、审计AutoGen/AG2对话驱动圆桌 GroupChat弱要手搓偏单机研究/辩论/代码生成CrewAI角色扮演Role-based弱偏单机快速原型、业务角色协作MetaGPTSOP 流水线写软件弱偏单机从 PRD 到代码骨架不同点一别人靠画流程AgentScope 靠发消息LangGraph 的本质是状态机你得像画流程图一样把每个节点、每条边、每个条件分支都定义好。控制流精确、能可视化、能 checkpoint——这是它生产可靠的核心。代价是开发重稍微复杂的流程能画到你头晕。AgentScope 反过来Agent 是一个推理-行动循环引擎Agent 之间靠**消息总线MsgHub**通信。Leader 收到任务往总线发条消息Worker 收到就干活干完回一条。你不用画流程图只要定义好每个 Agent 的能力和权限。一句话LangGraph 是你设计生产线的每一颗螺丝AgentScope 是你招了一队人告诉他们谁负责什么他们自己协调。不同点二生产级护栏别人要叠AgentScope 是内置这是最关键的差异。一个能执行 Bash 的 Agent 放上线你马上要面对一串问题权限怎么管危险命令拦不拦不同用户数据隔不隔离出问题能不能回溯LangGraph靠 LangSmith付费做可观测权限/容错要自己在节点里写或接企业网关。AutoGen / CrewAI护栏基本靠手搓CrewAI Enterprise 才给托管可观测。AgentScope 2.0Permission权限 Middleware中间件 Workspace/Sandbox沙箱 Multi-tenancy多租户全内置。前文实战二的GuardrailMiddleware直接拦rm -rf就是例子。这也是 AgentScope 和玩具框架的分界线它默认假设你要把 Agent 放出去干真活所以安全是出厂设置不是事后打补丁。不同点三别人跑在一台机器上AgentScope 天生为分布式而生如果你的场景是几十个 Agent 并发、跑在不同节点上2026 年的共识是选 AgentScope。它的消息传递模型就是为这个设计的——Leader 和 Worker 可以跑在不同进程、不同机器靠 Redis 消息总线通信真并发、天然弹性。LangGraph 强在单机状态机持久化、checkpoint、回滚但编排几十个跨节点并发 Agent 不是它的舒适区AutoGen 的 GroupChat 一旦不限步数容易陷入多轮对话死循环、token 账单爆炸。AgentScope 的作用它到底帮你解决什么问题把上面的差异收一下AgentScope 2.0 的核心作用就清楚了——它把多智能体从能跑 demo推到敢上生产安全可控权限分级 危险操作硬拦截 沙箱隔离老板和合规都睡得着。能分布式几十上百个 Agent 跨节点并发消息总线扛得住。好观测事件系统统一输出哪个 Agent 在干啥、花了多少 token一目了然。可恢复中间件支持重试/容错长任务崩了能接着跑不是从头来。一条龙框架 记忆(ReMe) 评估(OpenJudge) 微调(Trinity-RFT)不用东拼西凑。适合谁企业级 7×24 多智能体服务、对安全审计有硬性要求、或者已经在用通义/阿里云做私有化部署的团队。客观说它也有代价2.0 架构变化大学习曲线比 CrewAI 这类玩具框架陡不少图状控制流的精细度目前确实不如 LangGraph英文社区资源相对少踩坑得自己啃源码或看中文文档。但方向是对的多智能体要走向生产护栏和隔离是必选项不是可选项。想快速验证想法AutoGen / CrewAI 更轻要真正上线跑生产、还涉及多智能体协作和安全隔离AgentScope 2.0 是当下最省心的选择。写在最后AgentScope 2.0 背后的信号很清楚多智能体框架的竞争已经从谁能跑通 demo转向谁能安全地上生产。对于想认真做 Agent 应用的团队现在正是上手的好时机——把这篇文章里的三段代码跑一遍你就已经超过了 90% 只看不练的人。
)
