作者：亦盞

AgentScope 簡介

AgentScope 是阿里巴巴推出的一款以開發者為核心，專注於智能體開發的開源框架，是繼 ModelScope（魔搭社區）後在 Agent 層的戰略產品。它的核心目標是解決智能體在構建、運行和管理中的難題，提供一套覆蓋“開發、部署、調優”全生命週期的生產級解決方案，讓智能體應用的開發更簡單、運行更穩定、效果更卓越。

近期 AgentScope 迎來了 12 月版本的重大更新，這是一次面向生產級智能體應用的基建大升級，讓智能體從“實驗室原型”走向“業務落地”。本次更新圍繞三大核心主線： 開箱即用的智能體，即刻賦能多種真實場景；基建增強讓智能體“變聰明”的底層能力全面升級；運行時 × 多語言 × 前端，三位一體交付生產就緒的智能體。

一直以來，Java 語言在金融、政務、電商等領域開發中都佔着主導地位，開發者社區對於 AgentScope Java 版本的呼聲也非常高，AgentScope 本次也重磅發佈了 Java 的 1.0 版本，擁抱企業開發主流技術棧。

AgentScope Java 1.0 重磅發佈

今天，我們很高興地宣佈 AgentScope Java 1.0 版本正式發佈了，面向 Java 開發者提供企業級 Agentic 應用構建的能力。

首先在開發範式上， AgentScope 採用領先的 ReAct（推理-行動）模式，支持高效的工具調用，並允許開發者對 Agent 執行過程進行實時介入，實現了自主性與可控性的完美平衡。

其次，它提供了開箱即用的企業級能力。 框架提供安全沙箱保障代碼執行安全，通過精細的上下文工程優化模型交互效果。作為 Java 框架，它易於集成到現有企業技術棧中，並具備高性能架構，確保生產環境的穩定可靠。

最後，它擁有完善的開發與優化生態。 提供從開發態可視化調試、A/B 測試到評估與強化學習的完整工具鏈，構成了 Agent 開發、部署、調優的閉環，助力持續提升 Agent 效果。

領先的開發範式

在構建複雜的 AI Agent 應用時，開發者普遍面臨眾多挑戰：僵化的工作流難以適應多變的任務、運行中的Agent 無法實時干預、海量工具導致管理混亂與性能瓶頸、模型輸出格式不穩定等等。如何系統性地解決這些痛點，是提升開發效率和應用穩定性的關鍵。AgentScope 採用領先的 ReAct 範式，賦予 LLM 自主規劃能力，並提供實時介入控制、高效的工具調用體系。此外，它還內置任務規劃、結構化輸出等強大工具，支持高效開發生產級應用。

1. 領先的 ReAct 範式，賦予Agent自主規劃能力。

   1. 工作流（Workflow）模式：在這種模式下，LLM 與工具（Tool）的協作路徑由開發者預先定義，開發者對系統的執行流程有完全的控制權，這保證了任務執行的穩定性和確定性。但是他的缺點是架構僵化，當業務邏輯變得複雜時，維護成本激增，而且無法享受 LLM 持續進化所帶來的能力提升。
   2. ReAct 範式：與 Workflow 相反，ReAct 賦予了 LLM 自主控制權。LLM 扮演大腦的角色，能夠動態地進行推理（Reasoning）和規劃，自主決定何時、如何調用工具來執行操作（Action），從而主導任務的完成。隨着 LLM 在理解、規劃和工具使用等關鍵能力上日趨成熟，這種高度自主的 Agent 架構已成為複雜應用場景下的首選。

2. 實時的介入控制，讓 Agent 運行全程可控。傳統 Agent 一旦啓動便無法安全乾預，AgentScope 基於異步架構，實現了強大的實時介入機制。

   1. 安全中斷：支持隨時暫停 Agent，並自動保存其上下文和工具狀態，確保任務能無縫恢復。
   2. 實時打斷：當任務偏離預期或耗時過長時，用户可立即終止，避免資源浪費。
   3. 靈活定製：開發者可以自定義中斷處理邏輯，實現更精細化的管理。

3. 高效的工具調用，隨着可調用工具數量的激增，Agent 面臨着工具管理複雜、執行效率低、上下文緊張的問題。AgentScope 構建了一套高效、可靠的工具管理體系。

   1. 工具註冊：提供標準化的註冊接口，支持自動提取工具的 JSON Schema，提供參數預設和工具函數後處理接口，降低集成門檻。
   2. 便捷管理：AgentScope 通過結構化的組織方式和動態控制機制來高效支持工具的使用。工具組（Tool Group）按照功能對工具進行分類（例如瀏覽器、地圖服務等），使 Agent 能夠根據當前任務按需激活相關工具，從而有效緩解上下文窗口的壓力；元工具（Meta-Tool）允許 Agent 在運行時動態啓用或停用整個工具組，實現更加智能化的工具管理。
   3. 高效執行：採用統一接口處理所有工具調用，無論同步、異步或流式輸出，在 AgentScope 中將被統一為異步流式返回，降低工具函數返回的處理複雜度。同時支持工具的並行調用，大幅提升運行效率。

4. 強大的內置工具：AgentScope 內置了許多開箱即用的強大工具，開箱即用，加速生產級應用開發。

   1. PlanNoteBook 工具提供了強大的任務規劃與執行能力。支持開發者手動定義結構化計劃，也允許 Agent 在運行時自主創建和管理計劃。通過 PlanNotebook 提供完整的計劃管理功能，包括創建、修改、暫停、恢復和切換多個計劃，引導 Agent 有序執行復雜計劃。
   2. 結構化輸出：傳統的做法是在 Prompt 中寫格式要求，要求模型“請按照以下 JSON 格式輸出”，不斷嘗試和優化提示詞，經常需要在外部代碼中做二次解析和格式校驗。AgentScope 通過內置工具確保 LLM 的輸出嚴格遵循預定義的 JSON 格式，徹底告別繁瑣的提示詞調試和二次解析。

企業級能力

AgentScope 提供了安全工具沙箱和上下文工程能力，解決了安全與效果的核心痛點，確保 Agent 的輸出效果滿足生產標準。依託於 Java 在企業應用開發市場的強大生態，通過標準的 A2A 和 MCP 協議，提供了靈活的集成與被集成方案，這使得 Agent 既能作為獨立服務嵌入現有系統，也能成為連接和調度其他服務的智能中樞。開發者無需關心底層集成細節，專注於業務邏輯即可快速構建生產級 Agent 應用。最後，依託於 AgentScope Runtime 提供的能力，支持將 Agent 一鍵部署到阿里雲百鍊和函數計算平台，為您的 Agent 應用提供商業級的產品化保障。

1. 安全沙箱

   1. Agent 在執行工具調用或自動化任務時，可能訪問敏感資源或引發不可控行為，需要沙箱提供安全隔離環境。AgentScope Runtime Sandbox 支持開發者將自定義工具部署在高度隔離的受控環境中安全運行，防止對系統造成意外影響或安全風險。
   2. 內置多種開箱即用的沙箱：GUI 沙箱提供完整桌面環境，支持鼠標、鍵盤和屏幕操作；文件系統沙箱實現隔離的文件讀寫與管理；移動端沙箱基於 Android 模擬器，支持點擊、滑動、輸入和截屏等真實移動交互。兼顧了安全性、靈活性與多平台覆蓋，全面支撐工具執行、瀏覽器自動化、訓練評測等複雜場景。

2. 上下文工程

   1. RAG：內置基於 Embedding 的標準實現，支持企業在面對複雜的多元業務數據情況下，私有化部署自有的知識庫體系，實現對數據的完全自主可控；集成阿里雲百鍊企業級知識庫，藉助商業化產品獲得更強大的檢索與重排序能力。
   2. Memory：AgentScope 定義了對短期、長期記憶的抽象，支持語義搜索與多租户隔離，提供自動管理、Agent 主動調用、混合模式三種控制方式。通過 ReMe 項目提供了記憶的最佳實踐方案，讓 Agent 能夠理解用户偏好、提升任務表現和更聰明地使用工具，顯著提升業務場景下的智能問答準確性與上下文連貫性，實現越用越好用。

3. 易於集成

   1. MCP 集成：基於 AgentScope Java 開源生態，現有的 HTTP 業務系統無需改動業務邏輯代碼，通過簡單配置即可被 Agent 無縫集成，快速成為 Agent 可調用的“手腳”，極大地擴展了 Agent 的能力邊界。
   2. A2A 集成：複雜的任務通常需要多個 Agent 協同工作。AgentScope Java 支持將描述 Agent 自身能力的 Agent Card 註冊到 Nacos 等服務中心，調用方 Agent 只需連接 Nacos，即可自動發現並調用其他 Agent 的能力。這使得分佈式 Multi Agent 系統的構建與協作變得像調用普通微服務一樣簡單。

4. 高性能

   1. 輕量化：核心庫僅依賴 Reactor Core、Jackson 和 SLF4J、RAG、長期記憶等能力通過可選擴展按需引入，目前基於廠商原生 SDK 實現模型調用，未來將基於 OkHttp 與 Jackson 原生實現，進一步精簡內核依賴。
   2. 異步化：針對 AI 應用交互具有持續時間長、多輪次上下文依賴的特點，支持引入消息隊列 RocketMQ 作為異步消息中樞，實現任務解耦與非阻塞調用，提升 Agent 的吞吐能力和響應速度。
   3. Native 優化：聯合 JVM 團隊適配了 GraalVM 和 Leyden，將 Java 應用啓動速度提升 3 到 10 倍，實現了 Agent 200ms 內冷啓動，為 AI 應用 Serverless 毫秒級彈性奠定基礎。

強大的生態

AI 原生應用架構正在深刻重塑軟件工程範式，傳統軟件的確定性被 Agent 的非確定性所取代，其最終效果由模型、數據和上下文共同決定，這使得傳統的“代碼測試”演變為複雜的“效果評估”。由於任何微小的變更都可能引發效果的劇烈波動，A/B 測試已從過去的優化選項，轉變為保障版本質量的核心發佈流程。軟件工程重心也必須從以代碼為中心轉向以數據為中心，成功的關鍵在於構建一個高效的數據飛輪。

面對這一挑戰，AgentScope 提供了 Studio、RM Gallery 和 Trinity-RFT 等一系列生態工具，結合 Higress AI 網關和可觀測系統，您可以快速實踐 AI 原生應用數據飛輪。

在 Agent 開發階段，我們採用 AgentScope Studio 可視化平台對 Agent 進行實時調試與觀測，顯著提升了開發效率，它深度集成了 OpenTelemetry 和 LoongSuite，實現了端到端的全鏈路追蹤。

在部署架構中，Higress 作為統一的流量入口網關，負責將外部請求路由至相應的 Agent。Agent 則通過 Higress 內置的 AI 網關能力與 LLM 通信。藉助 Higress 強大的插件體系，我們可以對流量進行靈活打標，從而實現對 Agent 和 LLM 的精準路由控制。

在發佈後的 A/B 測試階段，Higress 網關能根據請求內容（如用户地理位置、業務線、付費狀態等）將流量分配到不同實驗組。例如，將付費用户導向 Agent 的 A 版本，免費用户導向 B 版本，以進行效果對比。同時流量的分組標籤會藉助可觀測在整個調用鏈路中透傳。這樣，AI 網關便能根據此標籤將請求路由到對應的 LLM 版本。這一機制讓我們在無需修改業務代碼的情況下，實現了 Agent 與 LLM 的協同 A/B 測試。

在此過程中，全鏈路產生的所有數據——從用户輸入、Agent 的提示詞（Prompt），到模型的輸出、時延與成本都會上報到可觀測系統中。基於 RM Gallery 的獎勵函數評估 Agent 在各實驗組的業務表現，並篩選沉澱高質量的數據集。隨後，我們的訓練框架 Trinity-RFT 會運用這些數據集和獎勵模型，通過強化學習對模型進行持續迭代，不斷提升其解決業務問題的能力。

最終，這形成了一個以數據為驅動的自我優化閉環。系統通過持續採集線上真實數據、分析評估效果並轉化為高質量的訓練數據，不斷增強模型能力，構築起堅實的技術競爭壁壘。

AgentScope Java Roadmap

• 上下文工程持續優化：Agent 效果不夠好的原因，要麼是模型能力不夠強，要麼是提供的上下文不準確，上下文工程是工程能力的核心。AgentScope Java 會持續深耕上下文工程，致力於構建一個更加高效、低延遲的上下文管理系統。未來開發者不需要關心上下文的技術細節，只需要專注於定義好 Agent 的功能。
• 實時全模態支持：大模型的邊界正在從文本擴展至圖像、語音乃至視頻，能夠與物理世界互動的具身智能產品開始進入我們的生活，AgentScope Java 會構建對實時全模態的深度支持，幫助開發者更好地開發多模態的應用，未來 Agent 不只是文本輸入，完全可以通過“眼睛”、“耳朵”和“手”更好地服務用户。
• 評估與強化學習優化：我們已經提供了觀測、評估、優化的整體解決方案，但目前評估和強化學習的門檻仍舊比較高。後續會不斷通過生態集成降低門檻，開發者只需編寫業務邏輯與設計獎勵函數，即可藉助 AgentScope 的生態工具鏈，讓 Agent 在與用户或環境的交互中不斷進化，實現真正的自我成長與迭代。

AgentScope Java 版 Github 地址：

https://github.com/agentscope-ai/agentscope-java

幫助文檔：https://java.agentscope.io/en/intro.html

如果你覺得 AgentScope Java 不錯，歡迎給我們的項目 Star 並加入我們開源社區，一起構建面向未來的 Agent 體系！

AgentScope Java 和 Spring AI Alibaba 有哪些不同，請查看：《Spring AI Alibaba 和 AgentScope 啥區別？》