AgentScope 1.0：智能体城市的建造者

> "如果你不能把智能体框架讲给六岁小孩听，你自己也没真懂。" > —— 费曼式的理解 ## 开篇：从单兵作战到城市文明 想象一下，如果你要教机器人做三件事：做饭、写代码、查资料。 **第一代方案**，你写死每一步指令——这是"脚本化时代"，机器人只会按部就班。 **第二代方案**，你给机器人一个大语言模型大脑——这是"LLM时代"，机器人能理解指令，但脑子里的知识随时会过时，手边也没工具可用。 **第三代方案**，你给机器人大脑配上了"手脚"（工具）、"记忆宫殿"（内存）、"交通规则"（消息协议）——这是 **AgentScope 时代**。 AgentScope 1.0，本质上是一座为智能体建造的城市。在这座城市里，每个智能体都有统一的身份证格式、共享的记忆系统、丰富的工具箱，以及高效的城市规划。它不再是单打独斗的孤岛，而是一个互相协作、自我演化的复杂适应系统。 ``` ┌─────────────────────────────────────────┐ │ 智能体城市 AgentScope │ ├─────────────────────────────────────────┤ │ 表层：模块化组件（消息、模型、工具） │ ├─────────────────────────────────────────┤ │ 中层：ReAct 范式（推理→行动循环） │ ├─────────────────────────────────────────┤ │ 底层：系统涌现（多智能体协作进化） │ └─────────────────────────────────────────┘ ``` --- ## 一、城市基础设施：四大基石 ### 1.1 消息协议：统一的"身份证系统" 如果把智能体城市比作一个社区，那么每个智能体就是居民，消息就是居民之间的交流。但不同语言、不同方言，交流就会出问题。 AgentScope 设计了一套通用的消息格式——**Msg 对象**，就像给每个居民发了一张标准化身份证： ```python Msg = { "name": "Jarvis", # 谁发的消息 "role": "assistant", # 身份角色 "content": [...], # 说的内容（可以是文字、图片、工具调用...） "metadata": {...}, # 附加信息 "timestamp": 1700000000, # 时间戳 "id": "msg_123456" # 唯一编号 } ``` **费曼式理解**：想象你在火车站问路，不同工作人员说的方言不一样，多麻烦！现在所有人都说普通话（统一协议），效率自然就高了。 **ContentBlock 的多样性**： - **TextBlock**：普通文字，像口头对话 - **ImageBlock/AudioBlock/VideoBlock**：多媒体内容，像展示照片、录音带 - **ToolUseBlock**：工具调用记录，像操作手册 - **ThinkingBlock**：推理过程，像内心独白 这就好比一个人说话时，不仅说出话，还能同时展示图片、拿出工具、说出自己的思考过程——全方位的表达。 ### 1.2 模型抽象：多供应商的"翻译官" 城市里有多种交通工具：汽车、地铁、公交。但如果你要写一套导航系统，难道要针对每种交通工具单独写代码吗？ AgentScope 的**Model 模块**就是"通用翻译官"，它屏蔽了不同 LLM 提供商（OpenAI、Anthropic、Gemini 等）的差异，让你用同一套代码调用任何模型。 **统一接口的四重境界**： 1. **格式化器（Formatter）**：把 AgentScope 的消息翻译成各模型能懂的格式 - `ChatFormatter`：一对一对话 - `MultiAgentFormatter`：多人群聊 2. **异步调用**：就像发消息不等对方回复就继续工作 ```python # 不阻塞的流式响应 async for chunk in model.generate(...): print(chunk) # 实时输出 ``` 3. **统一响应**：无论模型返回什么格式，都包装成标准的 `ChatResponse` ```python ChatResponse = { "content": [TextBlock(...), ToolUseBlock(...), ThinkingBlock(...)], "usage": {"input_tokens": 1000, "output_tokens": 500}, "timestamp": 1700000000 } ``` 4. **追踪与钩子**：就像给每辆车装上 GPS，全程监控 - 记录每个模型的调用次数、消耗 Token - 支持企业级可观测性（OpenTelemetry） **伏笔**：这为后续的"Studio 可视化"埋下基础——因为你有了统一的数据格式，才能画得出漂亮的追踪图。 ### 1.3 内存系统：短期缓冲与长期归档 记忆，是智能体的灵魂。没有记忆的智能体，就像得了阿尔茨海默症——每次对话都是陌生人。 AgentScope 的内存系统分为两层： #### 短期内存：工作台上的便利贴 `InMemoryMemory` 就像你桌上的便利贴，快速记录最近发生的事： ```python memory = InMemoryMemory() memory.add(msg) # 贴一张便利贴 memory.get(5) # 看最近 5 张 memory.delete(2) # 撕掉第 2 张 memory.clear() # 全部清理 ``` 智能体对话时，自动把新消息贴上去，把工具调用的结果也记录下来——这就是"工作记忆"，保证连续对话的连贯性。 #### 长期内存：档案馆里的索引卡 `LongTermMemory` 是抽象基类，具体实现可以用任何后端（SQL、向量数据库、mem0 等）。它有两种操作模式： **开发者控制**（像管理员归档）： - `record(messages)`：在特定时间点（如对话结束）保存信息 - `retrieve(query)`：根据查询词找出相关记忆 **智能体自主**（像人类自己记笔记）： - `record_to_memory()`：智能体自己觉得重要的，就存下来 - `retrieve_from_memory(keyword)`：智能体需要时，主动查资料 **双范式设计的隐喻**： ``` ┌────────────────────────────────────┐ │ 记忆的两种控制模式 │ ├────────────────────────────────────┤ │ 开发者控制 = 期末考试归档笔记 │ │ 智能体自主 = 日常听课记随笔 │ ├────────────────────────────────────┤ │ 系统性 vs. 机会性 │ │ 可靠性 vs. 灵活性 │ └────────────────────────────────────┘ ``` 这种设计让记忆既系统化（确保关键信息不丢），又灵活（智能体能记住意外学到的东西）。 ### 1.4 工具箱：瑞士军刀的模块化管理 智能体的手脚——工具，是连接虚拟大脑和现实世界的桥梁。但工具有一千种，全塞给智能体，它会"选择瘫痪"（Too Many Choices Paradox）。 AgentScope 的 `Toolkit` 提供了三层管理： #### 基础层：工具注册与执行 ```python toolkit = Toolkit() toolkit.register_tool_function(search_weather) # 注册工具 toolkit.register_tool_function(calculate_tax) result = toolkit.execute_tool_function("search_weather", location="Beijing") ``` **自动生成 JSON Schema**：工具注册时，自动从函数文档生成描述，LLM 就能理解这个工具是干什么的。 #### 进阶层：MCP 细粒度管理 MCP（Model Context Protocol）是 Anthropic 提出的工具协议标准。AgentScope 提供两种客户端： **有状态客户端**：像打持久电话 ```python # 建立连接，全程保持会话 client = StatefulMCPClient(...) client.connect() # 开始通话 client.call_tool("browser_navigate", url="...") client.call_tool("browser_click", element="...") client.close() # 结束通话 ``` 适合：浏览器会话（保持 cookies）、数据库连接等需要状态的服务。 **无状态客户端**：像发一次性短信 ```python # 每次调用独立连接 client = StatelessMCPClient(...) client.call_tool("search", query="...") # 自动建连、自动断开 ``` 适合：搜索 API、计算服务等无状态的服务。 **客户端侧抽象**：远程工具被包装成"本地代理"对象，智能体根本不知道它是远程的——就像你用快递 APP，根本不知道包裹在哪个仓库。 #### 高阶层：组级工具管理 解决"工具爆炸"问题的创新设计： ```python # 创建工具组 toolkit.create_tool_group("browser", ["navigate", "click", "screenshot"]) toolkit.create_tool_group("file", ["read", "write", "delete"]) # 激活/停用 toolkit.update_tool_groups(["browser"]) # 只启用浏览器工具 toolkit.update_tool_groups(["file"]) # 切换到文件工具 ``` **费曼式理解**：就像厨师做饭，备菜时拿菜刀、砧板，炒菜时拿锅铲、调料——工具跟着任务走，而不是所有工具堆在台面上。 --- ## 二、智能体行为：ReAct 的循环演化 ### 2.1 ReAct 范式：思考与行动的螺旋 ReAct（Reasoning + Acting）是 AgentScope 的核心设计哲学。它的本质是一个**反馈循环**： ``` 推理 → 行动 → 观察 → 再推理 → 再行动 → ... ↑ ↓ └───────── 闭环形成 ─────────────┘ ``` **智能体的三大功能**： 1. **Reply（回复）**：主动响应用户 ``` 用户问："帮我查北京天气" ↓ 智能体推理：需要调用天气工具 ↓ 智能体行动：调用工具 ↓ 智能体观察：工具返回"晴，25℃" ↓ 智能体推理：任务完成 ↓ 智能体回复："北京今天晴，25℃" ``` 2. **Observe（观察）**：被动接收环境信息 - 其他智能体发来广播消息 - 外部系统推送通知 - 不产生回复，只更新内部状态 3. **Handle Interrupt（处理中断）**：人机协作的关键 - 用户在智能体执行过程中喊"停！" - 智能体优雅暂停当前操作 - 可以快速响应，或调用 LLM 生成上下文感知反应 **创新的"中断即事件"设计**： 传统系统把中断当作"异常信号"，AgentScope 把中断当作**可观察事件**——保留部分 LLM 响应、标记用户中断点，智能体能感知"我在哪里被打断"，并基于此调整后续行动。 ### 2.2 实时转向：方向盘握在谁手里？ 想象自动驾驶汽车突然遇到障碍物。是死板地按原计划撞上去，还是灵活变道？ AgentScope 的**实时转向**让智能体能像人类一样灵活： ```python # 用户发送中断信号 agent.interrupt("先别执行任务，帮我查一下股票") # 智能体在 handle_interrupt 中处理 async def handle_interrupt(interrupt_msg): if interrupt_msg.content.startswith("先别执行"): # 保存当前状态 self.memory.add(interrupt_msg) # 快速响应 return "收到，已暂停当前任务" ``` **CAS 涌现视角**：中断不是系统"故障"，而是系统与环境交互的一部分——智能体的适应性体现在对不可预测事件的反应上。 ### 2.3 并行工具调用：多线程的智慧 如果智能体要查三个网站的信息，是串行（查完 A 查 B 再查 C）还是并行（同时查 A、B、C）？ AgentScope 原生支持并行调用： ```python # 智能体在单次推理中生成多个工具调用 tools_to_call = [ {"name": "search", "query": "site:A.com ..."}, {"name": "search", "query": "site:B.com ..."}, {"name": "search", "query": "site:C.com ..."}, ] # 异步并行执行 results = await asyncio.gather(*[ toolkit.execute_tool_call(t) for t in tools_to_call ]) ``` **性能提升**：三个网站各耗时 1 秒，串行需要 3 秒，并行只需 1 秒（接近）。 ### 2.4 动态工具提供：按需加载的武器库 智能体执行多阶段任务（先调研、再编码、再测试），每个阶段需要的工具不同。 **reset_equipped_tools** 让智能体能自主切换工具集： ```python # 阶段 1：调研，激活搜索工具 agent.reset_equipped_tools(tool_groups=["search"]) # 阶段 2：编码，激活文件和代码工具 agent.reset_equipped_tools(tool_groups=["file", "code"]) # 阶段 3：测试，激活测试工具 agent.reset_equipped_tools(tool_groups=["test"]) ``` **CAS 自组织原理**：智能体的"能力边界"不是固定的，而是根据任务动态调整——就像人根据工作需要换衣服、换工具。 ### 2.5 状态持久化：系统的记忆胶水 长时间运行的智能体（如 Meta Planner 处理复杂项目）需要保存中间状态，否则中断后一切重来。 AgentScope 的 **StateModule** 基类提供自动化的状态管理： ```python class Agent(StateModule): def __init__(self): self.memory = InMemoryMemory() # StateModule 自动纳入 self.tools = Toolkit() # StateModule 自动纳入 self.register_state("counter", 0) # 手动注册非 StateModule 属性 # 保存整个智能体 state_dict = agent.state_dict() # 恢复智能体 agent.load_state_dict(state_dict) ``` **嵌套结构支持**：智能体里包含子智能体，子智能体包含工具，整个层次结构都能保存和恢复——这就像"存盘"功能，随时可以接着玩。 ### 2.6 非侵入式定制：钩子系统的魔法 你想要： - 记录所有工具调用日志？ - 验证每个响应的格式？ - 把控制台输出重定向到 Web 界面？ 不用修改 AgentScope 核心代码，用**钩子系统**即可： ```python # 添加前置钩子：在推理前检查 @agent.hooks.pre_reasoning async def check_reasoning_input(agent, input_msg): print(f"准备推理：{input_msg}") # 添加后置钩子：在工具调用后处理结果 @agent.hooks.post_acting async def log_tool_result(agent, tool_result): logger.info(f"工具结果：{tool_result}") # 添加 print 钩子：拦截所有控制台输出 @agent.hooks.pre_print def redirect_to_web(agent, msg): web_interface.send(msg) return None # 不打印到控制台 ``` **伏笔与照应**：这个钩子系统为后续的"Friday 副驾驶"埋下基础——Friday 就是通过钩子访问 AgentScope 的内部资源的。 --- ## 三、内置智能体：从原型到实用的桥梁 ### 3.1 深度研究智能体：图书馆里的侦探 想象你要写一篇关于"量子计算最新进展"的深度报告。单靠一次搜索不够，需要： 1. **查询扩展**：把"量子计算"拆解成"量子纠缠"、"量子纠错"、"量子算法"等子问题 2. **广泛阅读**：用多个查询词搜索，收集广泛素材 3. **深度挖掘**：对重要文章精读，提取关键信息 4. **反思修正**：如果信息不足，调整搜索策略 这就是 **Deep Research Agent** 的核心逻辑。 **树状结构 vs 线性结构**： ``` 传统 ReAct（线性）： 查询A → 查询B → 查询C → 总结 深度研究（树状）： 查询A（量子计算总览） ├─ 查询A1（量子纠缠） │ └─ 查询A1a（实验进展） ├─ 查询A2（量子纠错） └─ 查询A3（量子算法） ``` **反思的层次**： - **低级反思**：工具调用失败，换个参数重试 - **高级反思**：方向不对，重新规划子任务 **费曼式理解**：就像老中医看病，先望闻问切收集信息，遇到疑点再追问，最后开处方——不是机械地执行流程，而是动态调整。 ### 3.2 浏览器使用智能体：网页世界的游牧者 Web 世界是智能体的重要战场。Browser-use Agent 让智能体能： 1. **导航网页**：打开 URL、点击按钮、输入文字 2. **理解网页**：读 HTML、看截图（视觉模型） 3. **多标签页管理**：同时打开多个网页，交叉比对信息 4. **长页面处理**：网页太长？分块读，保持上下文 **应用场景**： - "帮我查一下特斯拉的股价" - "在 GitHub 上找最火的 Python 项目" - "订一张从北京到上海的机票" **Playwright MCP 集成**： ```python # 建立有状态连接 client = StdIOStatefulClient(cmd=["npx", "-y", "@playwright/mcp"]) client.connect() # 注册浏览器工具 toolkit.register_mcp_client(client) # 智能体就能像人类一样操作浏览器 ``` **伏笔**：长页面处理技术为后续的"内容总结能力"埋下基础——因为能处理长内容，才能做好总结。 ### 3.3 元规划器：项目经理的大脑 单智能体适合简单任务，但复杂项目（如"开发一个数据分析平台"）需要： - 任务分解：拆解成数据采集、清洗、分析、可视化等阶段 - 资源分配：每个阶段用什么工具？ - 进度跟踪：哪步完成了？哪步失败了？ - 动态调整：遇到阻碍，怎么改计划？ **Meta Planner** 就是这样的项目经理。 **双模式架构**： ``` 简单任务 → 直接用 ReAct（轻量级） 复杂任务 → 用 Meta Planner（规划-执行模式） ``` **三大核心组件**： 1. **RoadmapManager**：路线图管理器 ```json { "roadmap": { "original_task": "开发数据分析平台", "decomposed_tasks": [ {"description": "数据采集", "status": "completed"}, {"description": "数据清洗", "status": "in_progress"}, {"description": "数据分析", "status": "pending"} ] } } ``` 2. **WorkerManager**：工作智能体管理器 - 为每个子任务创建专门的 Worker Agent - 分配适当的工具（搜索工具、文件工具、代码工具...） 3. **会话持久化**：保存整个规划状态，中断后能恢复 **CAS 涌现**：项目经理本身是个 Agent，它管理的 Workers 也是 Agent——这是"Agent 包含 Agent"的递归结构，涌现出单 Agent 无法具备的复杂能力。 --- ## 四、多智能体协作：从独行侠到社群进化 ### 4.1 智能体作为工具：专家的联合作战 想象一个医学诊断团队： - 病毒学家：懂病毒 - 流行病学家：懂传播 - 临床医生：懂治疗 用户问"新冠的最新治疗方案是什么？"，主智能体（接待员）把问题分发给三个专家，汇总答案给用户。 **Agent as a Tool** 的实现： ```python # 创建专家智能体 virologist = ExpertAgent(name="病毒学家", knowledge_base="virology") epidemiologist = ExpertAgent(name="流行病学家", knowledge_base="epidemiology") clinician = ExpertAgent(name="临床医生", knowledge_base="clinical") # 主智能体把专家当作工具注册 toolkit.register_tool_function(virologist.query) toolkit.register_tool_function(epidemiologist.query) toolkit.register_tool_function(clinician.query) # 主智能体自主选择调用哪个专家 ``` **优势**： - **模块化**：每个专家独立开发、测试 - **可扩展**：新专家直接注册为工具 - **可替换**：换一个病毒学家，不影响系统 ### 4.2 智能体对话：社交化的工作流 多智能体协作的另一个范式是"对话式"——就像会议室讨论。 **Pipeline 抽象**：把常见的对话模式封装成管道 ```python # 顺序管道：A 说完 B 说，B 说完 C 说 pipeline = SequentialPipeline(agents=[Alice, Bob, Charlie]) await pipeline() # 条件分支：如果任务成功走 A，失败走 B pipeline = ConditionalPipeline( condition=check_success, true_branch=agent_success, false_branch=agent_failure ) # 循环管道：不断重复直到收敛 pipeline = WhilePipeline( condition=not_finished, agent=worker ) ``` **MsgHub 抽象**：广播消息的中央枢纽 ```python async with MsgHub( participants=[Alice, Bob, Charlie], announcement=Msg("system", "大家好，现在开始会议", "system") ) as hub: # 任何人说话，所有人都能听到 await Alice() # Alice 说完，Bob 和 Charlie 自动收到 await Bob() # Bob 说完，Alice 和 Charlie 自动收到 # 动态管理：Bob 中途离开 hub.delete(Bob) await hub.broadcast(Msg("Bob", "我有事先走", "assistant")) ``` **CAS 涌现**：单个智能体的行为很简单（说话），但多个智能体通过 Hub 交互，会涌现出"讨论"、"辩论"、"协商"等复杂群体行为——这就像蚂蚁很笨，但蚁群能建造精妙的巢穴。 --- ## 五、开发者友好体验：从实验室到生产线的桥梁 ### 5.1 评估系统：科学的智能体考场 智能体好不好用，不能靠感觉，要靠科学评估。 **分层评估架构**： ``` ┌───────────────────────────────────┐ │ Benchmark（考试卷） │ │ 包含多个 Task（题目） │ └───────────────────────────────────┘ ↓ ┌───────────────────────────────────┐ │ Task（单道题） │ │ 输入 + 预期答案 + 度量标准 │ └───────────────────────────────────┘ ↓ ┌───────────────────────────────────┐ │ SolutionOutput（答题结果） │ │ 是否成功？最终答案？执行轨迹？ │ └───────────────────────────────────┘ ↓ ┌───────────────────────────────────┐ │ Metric（评分标准） │ │ 分类（对/错）或数值（0-100） │ └───────────────────────────────────┘ ``` **两种评估器**： 1. **GeneralEvaluator**：顺序执行，适合调试 ```python evaluator = GeneralEvaluator() results = evaluator.run(benchmark) # 可以逐个检查每个任务的执行轨迹 ``` 2. **RayEvaluator**：并行分布式执行，适合大规模测试 ```python evaluator = RayEvaluator(num_workers=10) results = evaluator.run(benchmark) # 10 个 Worker 并行跑，速度快 10 倍 ``` **存储与恢复**： ```python # 保存评估结果 evaluator_storage.save(results, "run_2025-01-09") # 中断后继续（只跑没完成的） evaluator.resume("run_2025-01-09") ``` ### 5.2 Studio：可视化的智能体 X 光机 如果你想知道智能体内部发生了什么，Studio 就是你的"透视镜"。 #### 聊天机器人式对话追踪 ```python from agentscope.studio import init_studio # 一行代码连接到 Studio init_studio() # 之后所有对话、工具调用、推理过程都会实时显示在 Web 界面 ``` **界面展示**： - 对话流：像聊天记录，清晰展示每一轮对话 - 结构化消息：区分"思考"（Thought）、"工具调用"（Tool Use）、"工具结果"（Tool Result） - 多模态内容：图片、音频、视频都能直接预览 #### 执行追踪：细粒度的性能剖析 **Span（跨度）**：每个离散计算步骤的记录 - LLM 调用：耗时 1.2 秒，消耗 5000 Token - 工具执行：耗时 0.5 秒，返回结果 - 异常发生：错误类型、堆栈跟踪 **时间线视图**： ``` [00:00] 用户输入 [00:00] └─ 智能体推理 (500ms) [00:00] └─ LLM 调用 (1200ms) [00:01] └─ 工具调用: search (500ms) [00:02] └─ 智能体推理 (600ms) [00:02] └─ LLM 调用 (800ms) [00:03] └─ 智能体回复 ``` **关联导航**：点击对话中的"工具调用"，自动跳转到追踪中的对应 Span——就像看书时看到脚注编号，就能快速定位页末的详细解释。 #### 评估结果可视化：统计分布 vs 单点数值 传统评估只给个"准确率 85%"，但这有误导性——也许 100 道题里，60 道全对，40 道全错，平均就是 60% 对（准确率 85% 暗示每题都对或错）。 **AgentScope 的分布可视化**： ``` 准确率分布： ▆▆▆▆ (30 题，准确率 100%) ▅▅ (20 题，准确率 80%) ▇ (50 题，准确率 0%) 0 50 100 ``` **分类统计**： - "始终正确"：30 题 - "始终错误"：50 题（主要问题！） - "不稳定"：20 题（需要改进鲁棒性） **轨迹对比**： - 点击"不稳定"组中的某个失败案例 - 看完整执行轨迹：在哪一步失败了？ - 对比成功案例的轨迹：差异在哪里？ #### Friday：内置的智能副驾驶 Studio 内置了一个叫 **Friday** 的智能体，它有两重身份： 1. **助手**：回答开发者的问题 - "怎么定义一个自定义工具？" - "AgentScope 的内存系统怎么用？" - Friday 搜索文档、代码，直接给出答案 2. **展示**：演示 AgentScope 的高级能力 - Friday 本身就用到了实时转向、长期记忆、动态工具提供等功能 - 开发者可以参考 Friday 的实现 **费曼式理解**：Friday 就像一个"活的文档"+"示范案例"——不是死板的说明书，而是能对话、能展示的智能导师。 --- ## 六、运行时系统：从实验到生产 ### 6.1 Runtime：智能体部署的双核引擎 如果 AgentScope 是智能体的"城市基础设施"，那么 **Runtime** 就是"市政管理系统"——负责把智能体部署到生产环境。 **双核架构**： ``` ┌─────────────────────────────────┐ │ Runtime │ ├─────────────────────────────────┤ │ Engine（引擎）： │ │ - 生成 FastAPI 服务 │ │ - 会话管理 │ │ - 生命周期控制 │ ├─────────────────────────────────┤ │ Sandbox（沙箱）： │ │ - 隔离环境 │ │ - 安全执行 │ │ - 资源限制 │ └─────────────────────────────────┘ ``` #### Engine：一键部署 ```python from agentscope_runtime import Runner, ContextManager # 创建智能体 agent = ReActAgent(name="Friday", model=model, toolkit=toolkit) # 创建 Runner runner = Runner(agent=agent, context_manager=ContextManager()) # 一键部署（自动生成 FastAPI 服务） await runner.deploy( deploy_manager=LocalDeployManager(host="localhost", port=8090), protocol_adapters=A2AFastAPIDefaultAdapter(agent=agent) ) ``` **部署后**： - 自动获得 `/process` 端点，可以接收请求 - 内置健康检查 (`/health`) - 支持 Google A2A 协议（跨框架通信） #### Sandbox：安全执行环境 智能体要执行代码、访问文件系统，但安全怎么保证？ **Sandbox 提供隔离环境**： ```python from agentscope_runtime.sandbox.tools.base import run_ipython_cell # 自动沙箱管理（每次调用独立环境） result = run_ipython_cell(code="import os; print(os.listdir())") # 持久沙箱（跨调用保持状态） with BaseSandbox() as sandbox: func = run_ipython_cell.bind(sandbox=sandbox) func(code="data = [1, 2, 3]") # 第一次调用 func(code="print(sum(data))") # 第二次调用，data 还在 ``` **专用沙箱**： - **Filesystem Sandbox**：限制文件访问范围 - **BrowserSandbox**：隔离浏览器会话 - **TrainingSandbox**：资源受限的训练环境 **伏笔**：沙箱的安全执行为后续的"浏览器智能体"和"代码执行智能体"提供了基础设施——没有沙箱，这些智能体根本不敢在生产环境运行。 --- ## 七、应用场景：从原型到实践的跨越 ### 7.1 用户-助手对话：最简单的起点 ```python import asyncio from agentscope.agent import ReActAgent, UserAgent async def main(): # 创建智能体 agent = ReActAgent( name="Friday", sys_prompt="你是一个有用的助手", model=model, toolkit=toolkit, memory=InMemoryMemory() ) user = UserAgent("Bob") # 轮流对话 msg = None while True: msg = await user(msg) if msg.get_text_content() == "exit": break msg = await agent(msg) asyncio.run(main()) ``` **费曼式理解**：就像打电话——你说一句，智能体回一句，直到你挂机。 ### 7.2 多智能体对话：模拟真实协作 ```python from agentscope.pipeline import MsgHub, sequential_pipeline # 创建三个角色 alice = ReActAgent(name="Alice", sys_prompt="你是教师，30岁") bob = ReActAgent(name="Bob", sys_prompt="你是学生，14岁") charlie = ReActAgent(name="Charlie", sys_prompt="你是医生，28岁") # 在 MsgHub 中组织对话 async with MsgHub( participants=[alice, bob, charlie], announcement=Msg("system", "请自我介绍", "system") ) as hub: # 顺序发言 await sequential_pipeline([alice, bob, charlie]) # 动态调整：Bob 离开 hub.delete(bob) await hub.broadcast(Msg("Bob", "我有事先走", "assistant")) await alice() # Alice 对 Bob 离开的反应 await charlie() # Charlie 的反应 ``` **照应前文**：这里用到了前面介绍的 Pipeline 和 MsgHub 抽象——伏笔在这一章得到回收。 ### 7.3 深度研究智能体应用 **初始化**： ```python # 连接 Tavily 搜索服务 client = StdIOStatefulClient(cmd=["npx", "-y", "@tavily/mcp"]) client.connect() toolkit.register_mcp_client(client) # 创建研究智能体 research_agent = DeepResearchAgent( name="Researcher", model=model, toolkit=toolkit, memory=InMemoryMemory() ) ``` **执行**： ``` 用户：帮我写一篇关于"量子计算最新进展"的报告 智能体（自动）： 1. 分解：量子纠错、量子算法、实验进展... 2. 广泛搜索：用多个查询词收集素材 3. 深度挖掘：精读关键文章 4. 反思：信息不足，补充搜索 5. 总结：生成结构化报告 ``` ### 7.4 浏览器智能体应用 ```python # 用户：帮我查一下特斯拉的股价 智能体： 1. 子任务分解： - 打开浏览器 - 导航到 finance.yahoo.com - 搜索 "TSLA" - 查看股价 2. 执行： - navigate("https://finance.yahoo.com") - search("TSLA") - screenshot() - extract_price() ``` ### 7.5 元规划器应用 **场景**：开发一个数据分析平台 ```python # 用户：帮我开发一个数据分析平台 Meta Planner： 1. 规划阶段： - 生成 Roadmap： [ {"任务": "需求分析", "状态": "completed"}, {"任务": "数据采集", "状态": "in_progress"}, {"任务": "数据清洗", "状态": "pending"}, {"任务": "数据分析", "状态": "pending"}, {"任务": "可视化", "状态": "pending"} ] 2. 执行阶段： - 为"数据采集"创建 Worker Agent（分配搜索工具、API 工具） - Worker 完成，更新 Roadmap 状态 - 为"数据清洗"创建 Worker Agent（分配文件工具、代码工具） - ... 3. 进度跟踪： - 定期保存 Roadmap 状态 - 中断后可以恢复 ``` --- ## 八、总结：智能体的城市文明 AgentScope 1.0 的本质，是为智能体建造一座**城市**。 **这座城市的设计哲学**： ### 8.1 费曼式的简单 复杂的技术，被拆解成简单的模块： - 消息 = 统一身份证 - 模型 = 通用翻译官 - 内存 = 便利贴 + 档案馆 - 工具 = 瑞士军刀 每个模块都能独立理解，组合在一起又涌现出复杂能力。 ### 8.2 红楼梦式的层次 **表层**：清晰的技术文档 **中层**：系统设计的隐喻（城市、协作、涌现） **底层**：智能体本质的思考（推理与行动的螺旋、记忆与遗忘的平衡、个体与集体的关系） ### 8.3 CAS 的涌现 - 简单的 ReAct 循环，产生复杂行为 - 独立的智能体，通过 MsgHub 交互，涌现出群体智慧 - 工具、模型、内存的组合，涌现出意想不到的新能力 ### 8.4 钱学森的系统观 **整体把握**：AgentScope 不是工具集合，而是一个系统——各组件相互作用、相互依赖。 **局部回归**：每个模块（消息、模型、内存、工具）的设计都服务于整体目标（构建可用的智能体应用）。 --- ## 九、未来：智能体文明的演进 AgentScope 1.0 奠定了基础，但智能体的城市还在不断演化： **短期方向**： - 更多内置智能体（代码审查、内容创作、数据分析...） - 更强大的评估基准（行业标准测试集） - 更丰富的可视化功能（3D 追踪、热力图...） **中期方向**： - 跨框架协作（与 LangChain、AutoGPT 等互操作） - 自主智能体市场（智能体像 App 一样可以买卖） - 智能体联邦（多个智能体城市之间的联盟） **长期愿景**： 想象一个世界，智能体像人类一样： - 有专业分工（医生智能体、律师智能体、工程师智能体...） - 有社交网络（智能体之间互相推荐、协作） - 有经济系统（用 Token 购买智能体服务） - 有文化（智能体的"价值观"和"风格"会演化） AgentScope，就是这座城市的**基础设施提供商**。 --- ## 十、结语：从城市到文明 AgentScope 1.0 的发布，标志着智能体开发从"实验室原型"迈向"生产级应用"的关键一步。 但更重要的是，它体现了一种**哲学**： **智能体不是工具，而是协作的伙伴。** - 它们有记忆，能记住你的偏好 - 它们有推理，能理解你的意图 - 它们有协作，能和其他智能体一起工作 - 它们有演化，能从经验中学习 AgentScope 提供的不是一套代码库，而是一个**生态系统**——就像城市不只是建筑物的集合，而是人与人之间复杂交互的系统。 在这个系统里，开发者专注于创造有"灵魂"的智能体，而 AgentScope 负责提供基础设施——交通、通信、记忆、工具。 **从单体智能，到群体协作；从孤岛工具，到城市文明。** 这就是 AgentScope 1.0 的使命。 --- > "简单是终极的复杂。"——达·芬奇 > > AgentScope 把复杂的智能体系统，简化为可组合、可扩展、可理解的模块。 > > 但在简单的表象下，隐藏着涌现的复杂性——这是智能体的城市，也是未来的文明。 --- ## 附录：快速开始 ```python # 安装 pip install agentscope # 最简单的例子 import asyncio from agentscope.agent import ReActAgent, UserAgent from agentscope.model import OpenAIChatModel from agentscope.memory import InMemoryMemory async def main(): # 创建智能体 agent = ReActAgent( name="Jarvis", sys_prompt="你是一个有用的 AI 助手", model=OpenAIChatModel("gpt-4"), memory=InMemoryMemory() ) user = UserAgent("Tony") # 对话 msg = None while True: msg = await user(msg) if msg.get_text_content() == "exit": break msg = await agent(msg) asyncio.run(main()) ``` **一行代码，连接 Studio**： ```python from agentscope.studio import init_studio init_studio() ``` 打开浏览器，访问 `http://localhost:5000`，你就能看到智能体的内心世界。 --- *本文基于 arXiv:2508.16279 论文撰写*