README_zh.md · main · nasnas/copaw/github.com/agentscope-ai/agentscope

nasnas/copaw/github.com/agentscope-ai/agentscope

Public

WeChat Login

Code Issues Pull requests Events Packages Insights

main

agentscope/README_zh.md

qbc<qianbingchen.qbc@alibaba-inc.com>

feat(realtime): support realtime voice agent in agentscope (#1056)

ede1d7ce

PreviewCode viewBlame

AgentScope Logo

English Homepage | Tutorial | Roadmap (Jan 2026 -) | FAQ

What is AgentScope？

AgentScope 是一款企业级开箱即用的智能体框架，提供灵活的核心抽象以适配不断进化的模型能力，并原生支持模型微调。

我们为新一代自主智能的大语言模型而生。我们的理念是释放模型的推理与工具调用潜能，而不是用僵化的提示工程和预设流程束缚它们的手脚。

Why use AgentScope？

简单: 使用内置的 ReAct 智能体、工具、技能、人机协作、记忆、计划、实时语音、评估和模型微调轻松构建智能体应用
可扩展: 大量生态系统集成，包括工具、记忆和可观察性；内置 MCP 和 A2A 支持；消息中心（MsgHub）提供灵活的多智能体编排能力
生产就绪: 在本地、云端 Serverless 或 K8s 集群上轻松部署智能体应用，并内置 OTel 可观察性支持

AgentScope 生态系统
AgentScope 生态

📢 新闻

[2026-02] 功能: 支持实时语音交互。样例 | 多智能体实时交互 | 文档
[2026-01] 社区: AgentScope 双周会议启动，分享生态更新和开发计划 - 欢迎加入！详情与安排
[2026-01] 功能: 记忆模块新增数据库支持和记忆压缩。样例 | 教程
[2025-12] 集成: A2A（智能体间通信）协议支持。样例 | 教程
[2025-12] 功能: TTS（文本转语音）支持。样例 | 教程
[2025-11] 集成: Anthropic Agent Skill 支持。样例 | 教程
[2025-11] 发布: 面向多样化真实任务的 Alias-Agent 和数据处理的 Data-Juicer Agent 开源。Alias-Agent | Data-Juicer Agent
[2025-11] 集成: 通过 Trinity-RFT 库实现智能体强化学习。样例 | Trinity-RFT
[2025-11] 集成: ReMe 增强长期记忆。样例
[2025-11] 发布: agentscope-samples 样例库上线，agentscope-runtime 升级支持 Docker/K8s 部署和 VNC 图形沙盒。样例库 | Runtime

更多新闻 →

联系我们

欢迎加入我们的社区！

Discord	钉钉

快速开始

安装

AgentScope 需要 Python 3.10 或更高版本。

从 PyPI 安装


pip install agentscope

或使用 uv：


uv pip install agentscope

从源码安装


# 从 GitHub 拉取源码
git clone -b main https://github.com/agentscope-ai/agentscope.git

# 以可编辑模式安装包
cd agentscope

pip install -e .
# 或使用 uv：
# uv pip install -e .

样例

Hello AgentScope！

开始与名为"Friday"的 ReAct 智能体 🤖 进行对话！


from agentscope.agent import ReActAgent, UserAgent
from agentscope.model import DashScopeChatModel
from agentscope.formatter import DashScopeChatFormatter
from agentscope.memory import InMemoryMemory
from agentscope.tool import Toolkit, execute_python_code, execute_shell_command
import os, asyncio


async def main():
    toolkit = Toolkit()
    toolkit.register_tool_function(execute_python_code)
    toolkit.register_tool_function(execute_shell_command)

    agent = ReActAgent(
        name="Friday",
        sys_prompt="You're a helpful assistant named Friday.",
        model=DashScopeChatModel(
            model_name="qwen-max",
            api_key=os.environ["DASHSCOPE_API_KEY"],
            stream=True,
        ),
        memory=InMemoryMemory(),
        formatter=DashScopeChatFormatter(),
        toolkit=toolkit,
    )

    user = UserAgent(name="user")

    msg = None
    while True:
        msg = await agent(msg)
        msg = await user(msg)
        if msg.get_text_content() == "exit":
            break

asyncio.run(main())

语音智能体

创建支持语音的 ReAct 智能体，能够理解语音并进行语音回复，还可以使用语音交互玩多智能体狼人杀游戏。

https://github.com/user-attachments/assets/559af387-fd6f-4f0c-b882-cd4778214801

实时语音智能体

使用 AgentScope 轻松构建实时交互的智能体应用，提供统一的事件接口和工具调用支持。

实时语音智能体 | 多智能体实时交互

https://github.com/user-attachments/assets/d9674ad5-f71d-43d5-a341-5bada318aee0

人机协作

在 ReActAgent 中支持实时打断：可以通过取消操作实时中断对话，并通过强大的记忆保留机制无缝恢复。

灵活的 MCP 控制

AgentScope 支持将单个 MCP 工具作为本地可调用函数使用，装备给智能体或封装为更复杂的工具。


from agentscope.mcp import HttpStatelessClient
from agentscope.tool import Toolkit
import os

async def fine_grained_mcp_control():
    # 以高德MCP为例，初始化MCP客户端
    client = HttpStatelessClient(
        name="gaode_mcp",
        transport="streamable_http",
        url=f"https://mcp.amap.com/mcp?key={os.environ['GAODE_API_KEY']}",
    )

    # 将 MCP 工具获取为**本地可调用函数**，并在任何地方使用
    func = await client.get_callable_function(func_name="maps_geo")

    # 选项 1：直接调用
    await func(address="天安门广场", city="北京")

    # 选项 2：作为工具传递给智能体
    toolkit = Toolkit()
    toolkit.register_tool_function(func)
    # ...

    # 选项 3：包装为更复杂的工具
    # ...

智能体强化学习

通过强化学习集成无缝训练智能体应用。我们还准备了涵盖各种场景的样例项目：

样例	描述	模型	训练结果
Math Agent	通过多步推理调优数学求解智能体。	Qwen3-0.6B	Accuracy: 75% → 85%
Frozen Lake	训练智能体进行冰湖游戏。	Qwen2.5-3B-Instruct	Success rate: 15% → 86%
Learn to Ask	使用 LLM 作为评判获得自动反馈，从而调优智能体。	Qwen2.5-7B-Instruct	Accuracy: 47% → 92%
Email Search	在训练数据没有标注真值的情况下提升工具使用能力。	Qwen3-4B-Instruct-2507	Accuracy: 60%
Werewolf Game	训练智能体进行战略性多智能体游戏互动。	Qwen2.5-7B-Instruct	狼人胜率：50% → 80%
Data Augment	生成合成训练数据以增强调优结果。	Qwen3-0.6B	AIME-24 accuracy: 20% → 60%

多智能体工作流

AgentScope 提供 MsgHub 和 pipeline 来简化多智能体对话，提供高效的消息路由和无缝信息共享


from agentscope.pipeline import MsgHub, sequential_pipeline
from agentscope.message import Msg
import asyncio

async def multi_agent_conversation():
    # 创建智能体
    agent1 = ...
    agent2 = ...
    agent3 = ...
    agent4 = ...

    # 创建消息中心来管理多智能体对话
    async with MsgHub(
        participants=[agent1, agent2, agent3],
        announcement=Msg("Host", "请介绍一下自己。", "assistant")
    ) as hub:
        # 按顺序发言
        await sequential_pipeline([agent1, agent2, agent3])
        # 动态管理参与者
        hub.add(agent4)
        hub.delete(agent3)
        await hub.broadcast(Msg("Host", "再见！", "assistant"))

asyncio.run(multi_agent_conversation())

文档

贡献

我们欢迎社区的贡献！请参阅我们的贡献指南了解如何贡献到 AgentScope。

许可

AgentScope 基于 Apache License 2.0 发布。

论文

如果我们的工作对您的研究或应用有帮助，请引用我们的论文。


@article{agentscope_v1,
    author  = {Dawei Gao, Zitao Li, Yuexiang Xie, Weirui Kuang, Liuyi Yao, Bingchen Qian, Zhijian Ma, Yue Cui, Haohao Luo, Shen Li, Lu Yi, Yi Yu, Shiqi He, Zhiling Luo, Wenmeng Zhou, Zhicheng Zhang, Xuguang He, Ziqian Chen, Weikai Liao, Farruh Isakulovich Kushnazarov, Yaliang Li, Bolin Ding, Jingren Zhou},
    title   = {AgentScope 1.0: A Developer-Centric Framework for Building Agentic Applications},
    journal = {CoRR},
    volume  = {abs/2508.16279},
    year    = {2025},
}

@article{agentscope,
    author  = {Dawei Gao, Zitao Li, Xuchen Pan, Weirui Kuang, Zhijian Ma, Bingchen Qian, Fei Wei, Wenhao Zhang, Yuexiang Xie, Daoyuan Chen, Liuyi Yao, Hongyi Peng, Zeyu Zhang, Lin Zhu, Chen Cheng, Hongzhu Shi, Yaliang Li, Bolin Ding, Jingren Zhou},
    title   = {AgentScope: A Flexible yet Robust Multi-Agent Platform},
    journal = {CoRR},
    volume  = {abs/2402.14034},
    year    = {2024},
}