我要投稿

阿里发布下一代企业级智能体开发框架AgentScope 1.0

发布日期：2025-09-17 16:13:17 浏览次数： 5890

作者：加加笔记

微信搜一搜，关注“加加笔记”

在近年来，人工智能从单一模型到多模态、从工具调用到完整工作流，已经形成了一个由“智能体”驱动的全新生态。阿里的通义实验室最新发布了一款能够对标LangGraph的企业级智能体开发框架AgentScope 1.0，它将消息驱动与分层架构深度融合，为企业级应用提供了一套开箱即用、可扩展且易维护的方案。

阿里先后发布过一个Mobile-Agent和Qwen-Agent，其中Qwen-Agent就是网页版Qwen的后端使用智能体框架，虽说也很稳定，但是略显简陋，后面有退出专为编程设计的Qwen-code，可以说阿里在智能体开发框架方脉年积累的经验也着实不少了，这次推出的AgentScope，可以看出来，这是一款集大成者，是一款非常全面、稳定的企业级的智能体开发框架。

1. 架构思路：三层分离，职责清晰

AgentScope 的核心设计理念是“工具 → 管理器 → 智能体”。

工具层（Utility Layer）负责与外部模型、数据库或第三方服务的交互。它封装了调用方式、重试逻辑和错误处理，并将结果包装成统一的消息结构，便于后续层级消费。
管理器层（Manager and Wrapper Layer）是整个系统的“大脑”。它实现资源调度、容错策略以及跨智能体协作的中枢。比如，当某个工具调用失败时，它会根据预设的重试策略自动触发补救流程；当有新任务到来时，管理器会依据智能体能力和负载情况分配最合适的实例。
智能体层（Agent Layer）是业务逻辑所在。每个智能体都是一个可独立部署、可复用的微服务，拥有自己的状态机和工具集。它们通过消息中枢进行通信，并支持“@定向”调用，使得多方协作像团队会议一样自然。

这套分层架构最大的优势在于解耦与 横向扩展。开发者可以专注业务，而不必担心底层网络、容错等细节；当流量激增时，只需往管理器里添加更多智能体实例即可，系统自动完成负载均衡。

2. 分布式计算的突破：Actor模型 + 并行优化

AgentScope 在分布式方面借鉴了 Actor 模型的异步消息传递特性。每个智能体都是一个独立的 Actor，它们通过 MsgHub（消息中枢）发布/订阅事件，完成协同。系统会自动构建 通信图 并识别哪些节点可以并行执行，从而在高并发场景下将响应时间压缩到毫秒级。

值得注意的是，为了解决分布式环境下的变量传递问题，AgentScope 引入了 占位符机制。智能体内部可以使用占位符来引用全局上下文或其他智能体产生的数据，而无需担心网络延迟导致的数据不一致。整个过程对外透明，开发者只需要在定义工具时声明所需参数即可。

3. 状态与记忆的双层管理

传统的 LLM 工作流往往只能保持短期上下文，长链任务很容易出现信息丢失。AgentScope 在此方面做了两项关键改造：

长/短时记忆分离

短时记忆：由每个智能体内部维护，用于当前对话或迭代中的即时推理。
长期记忆：通过持久化存储（如 Redis 或自定义数据库）保存关键知识点，跨会话共享。两者在需要时相互补充，实现信息的持续流动。

状态快照与回溯
系统会在每个节点执行后自动生成 Checkpoint，支持时间旅行式调试和错误恢复。若某一步出现异常，可以直接回滚到上一个稳定点，而不必重新走完整条流程。

4. 工具与模型的无缝接入

AgentScope 在工具层面提供了 Toolkit 模块，该模块可以一次性注册多种工具（REST API、数据库查询、文件读写等），并为每个工具生成统一的调用接口。开发者只需在智能体配置中声明需要使用的工具，即可获得自动重试与参数校验功能。

对于模型调用，AgentScope 支持 MCP（Model Call Protocol）多协议接入。无论是 OpenAI、阿里云通义千问还是本地部署的大模型，只需一行配置即可切换。并且，工具层内部已经对模型幻觉做了过滤策略，显著提升输出可靠性。

5. 开发体验：零代码拖拽 + 可视化监控

为了降低技术门槛，AgentScope 发行了 Studio 平台。开发者可以在浏览器中通过图形界面完成：

智能体链路搭建：从左侧库拖入所需的工具或自定义函数节点，连接形成完整工作流。
参数配置：每个节点可直接编辑输入输出字段、重试次数等属性。
实时监控：Studio 提供调度状态图、消息日志与成本统计，一眼看清系统整体健康。

这套工具链让非技术背景的产品经理也能快速搭建原型，验证业务可行性。

6. 性能对比：AgentScope vs LangGraph

并发能力
AgentScope 在单节点上已支持数千级智能体并发，分布式部署后吞吐量提升超过24倍。
LangGraph 虽在本地可达几百节点，但需额外部署消息队列或数据库做持久化，且负载不易自动平衡。
延迟
AgentScope 在同等硬件下平均响应时间约为3–5 ms（含模型调用），并发时仍保持稳定。
LangGraph 受限于单进程状态管理，峰值时可能出现几十毫秒的抖动。
资源占用
AgentScope 的工具沙箱与消息中枢采用轻量级容器技术，内存占用比等价LangGraph实现低约30%。
稳定性
AgentScope 内置错误分类（网络、格式、业务）并自动触发重试或降级；
LangGraph 的状态回滚需手动编写，容错机制不够成熟。

非常有趣的是，它也增加的LangGraph特有studio，而且看上去还不错，似乎也整合了类似Langsmith的功能在里面：

7. 典型应用案例

场景	问题	AgentScope 解决方案
电商客服	多个业务线（售后、物流、推荐）需并行处理。	智能体分工：咨询、退换货、个性化；MsgHub 自动路由 @ 指令，保证对话上下文一致。
智能运维	监控告警频繁、修复脚本执行慢。	监控智能体实时采集 metrics → 根因分析器自动生成修复计划 → 执行者立即重启服务，平均故障排除时间从2 h降到5 min。
多模态内容创作	文本、图像、音频需同步生成与审核。	通过 Toolkit 注册 OpenAI 图文模型和内部审计工具；工作流节点按条件分支，支持人工在环验证后再继续。