AgentScope Java v0.2 版本正式發佈

新聞
HongKong
0
02:19 PM · Dec 29 ,2025

作者：遠雲

隨着 LLM 應用的飛速發展，越來越多的 Agent 應用開始走近每個人。圍繞着 Agent 應用的核心，目前業界有零代碼、低代碼和高代碼三條主流的技術路線。AgentScope 作為 Python 社區中受到廣泛應用的高代碼框架，在 Java 生態下的需求也越來越大。

今天，我們很高興地宣佈 AgentScope Java v0.2 版本正式發佈了，具備了所有核心的 ReActAgent 的能力。

第一性原則：透明度

AgentScope 的首要設計目標是對開發者透明。

當下，許多 Agent 框架將底層的調度進行了深度的封裝，這固然會給用户帶來一些概念上的簡化，但是也帶來了遇到問題時排查的複雜度。AgentScope 不同：

  • Prompt Engineering： 用户可以自己修改所有提示詞相關的內容。
  • API 調用： 每一次 API 調用都能夠被定位。
  • Agent 構建： 所有 Agent 的配置都來自用户確定性的配置。
  • 決策過程： Agent 的推理、執行過程都可以通過 Hook 對外暴露。

三分鐘構建一個智能體

以下是一個簡單的智能體示例：

Maven 依賴

<dependency>
    <groupId>io.agentscope</groupId>
    <artifactId>agentscope-core</artifactId>
    <version>0.2.1</version>
</dependency>

ReActAgent

public class HelloAgentScope {
    public static void main(String[] args) {
        // 創建 ReActAgent
        ReActAgent agent = ReActAgent.builder()
            .name("Assistant")
            .model(DashScopeChatModel.builder()
                .apiKey(System.getenv("DASHSCOPE_API_KEY"))
                .modelName("qwen3-max")
                .build())
            .build();
        // 調用智能體
        Msg response = agent.call(
            Msg.builder()
                .role(MsgRole.USER)
                .content(TextBlock.builder()
                        .text("你好，請介紹一下自己")
                        .build())
                .build()
        ).block();
        System.out.println(response.getTextContent());
    }
}

至此，一個 Agent 就構建完成了。在這個示例中，ReActAgent 是 AgentScope 的核心，我們後面幾乎所有的功能都是基於它的。

架構概覽

和 Python 版本類似，AgentScope Java 採用分層架構：

基礎組件層（Foundational Components）

Message：統一的消息抽象對象，通過一套數據結構支持文本、圖像、音頻、視頻。

Model API：支持 DashScope、OpenAI 等主流模型提供商。通過 Formatter 機制屏蔽不同模型提供商的格式差異。

Tool：允許用户定義工具給 LLM 使用，支持同步/異步、流式/非流式等 API 風格。

智能體基礎設施層（Agent-level Infrastructure）

ReAct 範式：核心 Agentic 實現，通過推理（Reasoning）再行動（Acting）的迭代循環。

Agent Hooks：運行於 ReActAgent 內部，允許用户對 Agent 執行的過程進行監測、修改。

狀態管理：會話持久化組件，支持用户對話狀態的保存和恢復。

多智能體協作層（Multi-Agent Cooperation）

MsgHub：支持多個 Agent 之間共享消息，實現多 Agent 溝通協作的工具。

Pipeline：組合多個 Agent 按照特定（順序、並行等）策略執行的工具。

部署層（Deployment）

AgentScope Runtime：解決分佈式部署與安全隔離問題的企業級運行時基礎設施，提供工具運行沙箱、A2A 協議、遠程部署等能力。

AgentScope Studio：提供開發階段到運行階段的可視化調試、觀測能力，為開發者從 0 到 1 的開發提速。

圖片

Reasoning and Acting

ReAct（Reasoning and Acting）是 AgentScope 最核心的實現範式。其設計思路很簡單：將思考和執行分離，通過迭代循環解決問題。

工作原理

Reasoning（推理）階段：Agent 會基於當前的上下文分析，決定下一步行動：

  • 理解用户意圖
  • 評估已有信息（上下文）
  • 確定需要調用的工具及參數

Acting（行動）階段：執行 Reasoning 階段所需的獲取數據行為。

  • 並行執行工具調用
  • 收集執行結果
  • 將結果計入記憶

迭代控制：ReActAgent 會不斷執行 Reasoning 和 Acting 的迭代，如果模型在最大迭代輪內完成迭代則會正常結束，如果未完成則會觸發 summary 的能力，進行會話總結。

為 ReActAgent 添加工具

為了讓 ReActAgent 真正可以實現 Acting，需要為 ReActAgent 添加對應的工具。

這裏以一個 Weather Assistant 為例子：

// 定義工具類
public class WeatherTools {
    @Tool(description = "獲取指定城市的天氣信息")
    public String getWeather(
        @ToolParam(name = "city", description = "城市名稱") String city) {
        // 實際應用中調用天氣 API
        return String.format("%s：晴天，氣温 25 ℃", city);
    }
}
// 註冊工具
Toolkit toolkit = new Toolkit();
toolkit.registerTool(new WeatherTools());
// 構建帶工具的 ReActAgent
ReActAgent agent = ReActAgent.builder()
    .name("WeatherAssistant")
    .sysPrompt("你是一個天氣助手，可以查詢城市天氣信息。")
    .model(DashScopeChatModel.builder()
        .apiKey(System.getenv("DASHSCOPE_API_KEY"))
        .modelName("qwen3-max")
        .build())
    .toolkit(toolkit)
    .build();
// 調用智能體
Msg response = agent.call(
    Msg.builder()
                .role(MsgRole.USER)
                .content(TextBlock.builder()
                        .text("北京今天天氣如何？")
                        .build())
                .build()
).block();

執行流程：

用户問題：北京今天天氣如何？
    ↓
[推理] 需要查天氣，決定調用 getWeather("北京")
    ↓
[行動] 執行工具 → "北京：晴天，氣温 25℃"
    ↓
[推理] 已獲取信息，生成回答
    ↓
回答：根據查詢結果，北京今天晴天，氣温 25℃

ReActAgent 核心特性

除了基礎的 Reasoning 和 Acting 能力，AgentScope 的 ReActAgent 還具備多個特性。

1. 多模態消息支持

ReActAgent 可以處理多模態輸入，不限於純文本：

// 創建支持視覺的 ReActAgent（使用視覺模型）
ReActAgent visionAgent = ReActAgent.builder()
    .name("VisionAssistant")
    .model(DashScopeChatModel.builder()
        .apiKey(System.getenv("DASHSCOPE_API_KEY"))
        .modelName("qwen3-vl-plus")  // 視覺模型
        .build())
    .build();
// 發送包含圖片的消息
Msg response = visionAgent.call(
    Msg.builder()
        .role(MsgRole.USER)
        .content(List.of(
            TextBlock.builder().text("請分析這張圖片的內容").build(),
            ImageBlock.builder().source(URLSource.builder().url("https://example.com/image.jpg").build()).build()
        ))
        .build()
).block();

支持的多模態內容類型：TextBlock、ImageBlock、AudioBlock、VideoBlock。

2. 鈎子機制

為 ReActAgent 添加鈎子，監控和擴展其行為。這裏以前文中用到的 WeatherAssistant 為例子添加鈎子，實時看到智能體的思考和執行過程：

// 定義調試鈎子，顯示完整的 ReAct 執行過程
Hook debugHook = new Hook() {
    @Override
    public <T extends HookEvent> Mono<T> onEvent(T event) {
        try {
            switch (event) {
                case PreReasoningEvent e -> {
                    System.out.println("\n[推理] 智能體開始思考...");
                }
                case PostReasoningEvent e -> {
                    System.out.println("[推理] 推理結果：" + new ObjectMapper().writeValueAsString(e.getReasoningMessage()));
                }
                case PostActingEvent e -> {
                    System.out.println("[行動] 執行工具 → " + new ObjectMapper().writeValueAsString(e.getToolResult()));
                }
                case PostCallEvent e -> {
                    System.out.println("[推理] 已獲取信息，生成回答");
                    System.out.println("回答：" + e.getFinalMessage().getTextContent());
                }
                default -> {}
            } ;
        } catch (JsonProcessingException e) {
            ...
        }
        return Mono.just(event);
    }
};
// 將鈎子添加到 WeatherAssistant
ReActAgent weatherAgent = ReActAgent.builder()
    .name("WeatherAssistant")
    .sysPrompt("你是一個天氣助手，可以查詢城市天氣信息。")
    .model(DashScopeChatModel.builder()
           .apiKey(System.getenv("DASHSCOPE_API_KEY"))
           .modelName("qwen3-max")
           .build())
    .toolkit(toolkit) // 前文中定義的 Toolkit
    .hook(debugHook)  // 添加調試鈎子
    .build();
// 查詢天氣
Msg response = weatherAgent.call(
    Msg.builder()
    .role(MsgRole.USER)
    .content(TextBlock.builder()
             .text("北京今天天氣如何？")
             .build())
    .build()
).block();
// 輸出示例：
// [推理] 智能體開始思考...
// [推理] 推理結果：{"id":"xxx","name":"WeatherAssistant","role":"ASSISTANT","content":[{"type":"tool_use","id":"call_xxx","name":"getWeather","input":{"city":"北京"},"content":null}],"metadata":null,"timestamp":"xxx"}
// [行動] 執行工具 → {"type":"tool_result","id":"call_xxx","name":"getWeather","output":[{"type":"text","text":"\"北京：晴天，氣温 25 ℃\""}],"metadata":{}}
// [推理] 智能體開始思考...
// [推理] 推理結果：{"id":"xxx","name":"WeatherAssistant","role":"ASSISTANT","content":[{"type":"text","text":"北京今天天氣晴朗，氣温為25℃。建議外出時注意防曬，祝您擁有愉快的一天！"}],"metadata":null,"timestamp":"xxx"}
// [推理] 已獲取信息，生成回答
// 回答：北京今天天氣晴朗，氣温為25℃。建議外出時注意防曬，祝您擁有愉快的一天！

3. 會話持久化

保存和恢復 ReActAgent 的狀態：

// 創建 ReActAgent
ReActAgent agent = ReActAgent.builder()
    .name("PersistentAgent")
    .model(DashScopeChatModel.builder()
        .apiKey(System.getenv("DASHSCOPE_API_KEY"))
        .modelName("qwen3-max")
        .build())
    .memory(new InMemoryMemory())
    .build();
// 保存會話
SessionManager.forSessionId("session-001")
    .withJsonSession(Path.of("./sessions"))
    .addComponent(agent)
    .saveSession();
// 下次啓動時恢復
SessionManager.forSessionId("session-001")
    .withJsonSession(Path.of("./sessions"))
    .addComponent(agent)
    .loadIfExists();
// agent 現在恢復到了之前的狀態，可以繼續對話

4. 結構化輸出

讓 ReActAgent 返回類型安全的結構化數據：

// 定義輸出結構
public class WeatherReport {
    public String city;
    public int temperature;
    public String condition;
    public List<String> suggestions;
}
// ReActAgent 調用時指定輸出類型
Msg response = agent.call(
    Msg.builder()
                .role(MsgRole.USER)
                .content(TextBlock.builder()
                        .text("分析北京的天氣並給出建議")
                        .build())
                .build(),
    WeatherReport.class  // 指定結構化輸出類型
).block();
// 提取結構化數據
WeatherReport report = response.getStructuredData(WeatherReport.class);
System.out.println("城市: " + report.city);
System.out.println("温度: " + report.temperature);

避免了文本解析的不確定性，編譯期就能發現類型錯誤。

5. 多智能體協作

多個 ReActAgent 可以通過 Pipeline 協作：

// 創建模型配置
DashScopeChatModel model = DashScopeChatModel.builder()
    .apiKey(System.getenv("DASHSCOPE_API_KEY"))
    .modelName("qwen3-max")
    .build();
// 創建多個 ReActAgent
ReActAgent dataCollector = ReActAgent.builder()
    .name("DataCollector")
    .model(model)
    .build();
ReActAgent dataAnalyzer = ReActAgent.builder()
    .name("DataAnalyzer")
    .model(model)
    .build();
ReActAgent reportGenerator = ReActAgent.builder()
    .name("ReportGenerator")
    .model(model)
    .build();
// 順序執行：智能體依次處理
Msg result = Pipelines.sequential(
    List.of(dataCollector, dataAnalyzer, reportGenerator),
    inputMsg
).block();
// 並行執行：多個智能體同時處理
List<Msg> results = Pipelines.fanout(
    List.of(dataCollector, dataAnalyzer, reportGenerator), 
    inputMsg
).block();

Roadmap

AgentScope Java 自 2025 年 9 月開源以來，當前 v0.2 版本已具備 ReActAgent 核心能力。

我們計劃於 11 月底發佈 v1.0 版本，屆時將新增 RAG、Plan、Tracing、Evaluation 及 Studio 等全套功能，標誌着框架正式生產可用；Runtime v1.0 也將同步上線，提供涵蓋安全沙箱、A2A Agent 在內的企業級落地方案。隨後在 12 月，我們將進一步推出基於 ReMe 的上下文管理與基於 Trinity-RFT 的強化學習最佳實踐。

在技術演進層面，我們正持續探索更高效、智能的上下文工程與多 Agent 協同範式，致力於支撐更強大的 AI 應用構建。此外，針對 Agent 流量呈現的“二八定律”特徵（頭部 20% 的 Agent 承載了 80% 的流量），我們在架構上全力推進 Serverless 化，通過實現毫秒級冷啓動與混合部署，幫助開發者在應對高併發的同時，顯著降低部署成本並提升效率。

未完待續

本文作為 AgentScope Java 系列推文的首篇，受篇幅限制只能拋磚引玉，在接下來還會有更多的乾貨：

  1. AgentScope Runtime：幫助開發者實現 Agent 應用從 1 到 100，提供工具運行沙箱、A2A 協議、遠程部署等強大能力。
  2. Agent 開發範式討論：Workflow or Agentic？AgentScope 基於狼人殺遊戲的 Agent 實踐分享。
  3. Meta Tool：面對日益膨脹的 Tool Definition，AgentScope 的解決方案。
  4. Plan：使 Agent 能夠自主拆解複雜任務並系統性地執行。

如果你覺得 AgentScope Java 不錯，歡迎給我們的項目 Star~
https://github.com/agentscope-ai/agentscope-java

user avatar
0 位用戶收藏了這個故事！
收藏

發佈 評論

Some HTML is okay.