一个AI干活太累？AgentScope：多智能体“组队开黑”神器

Multi-Agent系统，简称MAS，是由多个智能体组成的集合。这些Agent可以是不同的软件程序、机器人、传感器等，它们各自具备一定的智能和自主性，并处理各自擅长的领域和事情。MAS的核心思想是通过多个Agent的协作与协调，共同完成一个复杂任务，从而实现单个Agent无法完成的复杂目标。

相比单Agent系统，Multi-Agent系统具备以下优势：

• 分布式处理：MAS支持分布式应用，可以将大型复杂系统分解为多个小型、易于管理的子系统。这使得MAS具有良好的模块性、易于扩展性和设计灵活性，降低了系统的总成本和维护难度。

  
  

• 协同工作：MAS中的Agent可以相互通信、协商和协作，共同完成一个任务。通过这种协同工作方式，MAS能够处理单个Agent无法解决的问题，从而提高系统的整体性能和鲁棒性。

  
  

• 自适应性：MAS中的Agent可以根据环境变化自主调整行为和策略，这种自适应性使得MAS具有优秀的稳定性和灵活性，能够应对各种复杂场景。

Multi-Agent System 主要的应用场景包括：

• 软件编写：在软件项目中，由多个Agents分别扮演项目经理、产品经理、UI设计师、开发人员、测试人员等等，从而将一个复杂的软件项目拆解成多个子任务，更高效地完成软件的编写。

  
  

• 智能营销：在消费者营销场景中，可以构建多个Agents，比如营销计划Agent、内容生产Agent、人群管理Agent、营销触达Agent和效果分析Agent。

  
  

• 智慧供应链：在供应链场景中，通过Multi-Agent提升上下游协同效率，包括销售计划Agent、采购计划Agent、仓储计划Agent、采购订单Agent等等，从销量预测、安全库存、供应链响应等环节，构筑供应链的多道防线。

  
  

• 智能客服：在智能客服领域，针对不同的产品和服务领域，构建不同的专属Agent，比如处理产品售后投诉的Agent、解答用户产品疑问的Agent、处理营销活动咨询的Agent、追踪物流进度的Agent等。同时在最上层构建一个Top Agent，用Top Agent统一对客，再根据消费者的问题自动路由到最匹配的专属Agent。

  
  

• 智能电网：在智能电网领域，MAS可以实现多个传感器、控制器和执行器之间的协同工作，实现对电网的实时监控、预测和优化调度，提高电网的稳定性和可靠性。

2.1 AgentSope 介绍

AgentScope是阿里于24年年初开源的多Agent开发平台，其研究论文详细介绍了平台的架构、关键技术、容错机制、多模态应用支持，以及基于 actor 的分布式框架等。

架构图：

AgentScope的架构，包括三个层次：实用层、管理器和包装器层、Agent层。这些层次为多Agent应用提供不同层次的支持，包括单个Agent的基本和高级功能（实用层）、资源和运行时管理（管理和包装层）以及Agent级到工作流级编程接口（Agent层）。

• 实用层（Utility Layer）：实用层提供了Agent的核心功能，该层抽象了底层操作的复杂性，如API调用、数据检索和代码执行，使Agent能够专注于它们的主要任务。实用层同时提供了内置的自动重试机制，用于应对意外中断。

• 管理和包装层（Manager and Wrapper Layer）：管理器和包装器层管理资源和API服务，确保资源的高可用性，并提供抵御LLMs不良响应的能力。

• Agent层（Agent Layer）：Agent层是AgentScope的核心，负责多Agent工作流的交互和通信，通过简化语法和工具，减轻了开发者的编程负担。

• 用户交互（User Interaction）：除了分层架构之外，AgentScope还提供了面向多Agent的接口，如终端和Web UI。这些接口允许开发人员轻松监控应用程序的状态和指标，包括Agent通信、执行时间和财务成本。

2025年8月底、9月初，正式发布了 AgentScope 1.0 版本，同时也发布了可视化的观测平台Agent Scope Studio。

架构图（新）：

2.2 AgentScope核心概念

▶ 状态

状态（State）管理是 AgentScope 框架构建的基础。其中，状态表示对象运行时某一时刻数据的快照。

AgentScope 将对象的“初始化”与“状态管理”分离，对象在初始化后通过 load_state_dict 和 state_dict 方法恢复到不同的状态，或导出当前的状态。

在 AgentScope 中，智能体（Agent）、记忆（memory）、长期记忆（Long-term memory）和工具模块（toolkit）都是有状态的对象。 AgentScope 通过支持嵌套式的状态管理，将这些对象的状态管理联系起来。

▶ 消息

消息（message）是 AgentScope 最核心的数据结构，用于

• 在智能体之间交换信息，

• 在用户交互界面显示信息，

• 在记忆中存储信息，

• 作为 AgentScope 与不同 LLM API 之间的统一媒介。

▶ 工具

AgentScope 中的“工具”指的是可调用的 Python 对象，包括

• 函数，

• 偏函数（Partial function），

• 实例方法，

• 类方法，

• 静态方法，以及

• 带有 call 方法的可调用实例。

此外，可调用对象可以是

• 异步或同步调用的，

• 流式或非流式返回结果的。

因此，请放心在 AgentScope 中使用任何调用对象作为智能体的工具。

▶ 智能体

在 AgentScope 中，智能体（Agent）行为被抽象为 AgentBase 类中的三个核心函数：

• reply：处理传入的消息并生成响应消息。

• observe：接收来自环境或其它智能体的消息，但不返回响应。

• print：将消息显示到目标输出（例如终端、Web 界面）。

为了支持用户实时介入（Realtime Steering），AgentScope 提供了额外 的 handle_interrupt 函数来处理智能体回复过程中的用户中断。

此外，ReAct 智能体是 AgentScope 中最重要的智能体，该智能体的回复消息的过程分为两个阶段：

• 推理（Reasoning）：通过调用 LLM 进行推理并生成工具调用

• 行动（Acting）：执行工具函数。

因此，在 ReActAgentBase 类中提供了两个额外的核心函数，_reasoning 和 _acting。

▶ 提示词格式化

提示词格式化器（Prompt Formatter）是 AgentScope 中保证 LLM 兼容性的核心组件，负责将消息对象转换为 LLM API 所需的格式。

此外，诸如提示工程、截断和消息验证等附加功能也可以在格式化器中实现。

在格式化器中，"多智能体"（或"多实体"）概念与常见的多智能体编排概念不同。 它专注于给定消息中包含多个身份实体的场景，因此 LLM API 中常用的 role 字段（通常取值为 "user"、"assistant" 或 "system"）无法区分它们。

因此，AgentScope 提供 MultiAgentFormatter 来处理这种场景，通常用于游戏、多人聊天和社交仿真。

async def tool_function(query: str) -> str:    
    """调用另一个智能体的工具函数"""
    msg = Msg("user", query, role="user")
    tool_agent = Agent(name="Programmer")
    return await tool_agent(msg)

▶ 长期记忆

虽然 AgentScope 为短期记忆和长期记忆提供了不同的基类，但是 AgentScope 中并没有严格区分它们的作用。