AgentScope 是阿里云推出的一款以开发者为核心，专注于智能体开发的开源框架。它的核心目标是解决智能体在构建、运行和管理中的难题，提供一套覆盖“开发、部署、调优”全生命周期的生产级解决方案，让智能体应用的开发更简单、运行更稳定、效果持续优化。
去年 12 月份，社区正式发布了 AgentScope Java 1.0 版本，面向 Java 开发者提供企业级 Agentic 应用构建的能力。在过去的一个多月，社区快速迭代到了 1.0.7 版本，在这 7 个小版本中，我们更新了很多实用的能力，比如：
- 添加全面的 Ollama 集成，支持聊天和 embedding 功能
- 新增了对 Agent Skill 的支持
- 内置的文件操作工具和多模态工具
- 工具调用 HITL
- 上下文自动压缩
- HTTP 请求和响应内容压缩
- MySQL 会话存储
- 集成 Nacos 的 A2A 架构
- 集成 Higress 的工具搜索
- ……
至此 AgentScope Java 以 ReActAgent 为核心，配合众多强大的能力，已经能够胜任大多数场景的任务。面对如此多的能力，很多同学在社区反馈光看文档和单一功能的 Example 还是不够效率，不能快速地用好这些能力。为此我们用 AgentScope Java 开了一家奶茶店，来作为一个综合的 Example，为大家演示如何更好地使用 AgentScope Java。
这家店能干啥？
首先我们先一起看看这家店能干啥：
- 奶茶推荐：基于 RAG 知识库检索并结合用户偏好分析，回答有理有据，猜你喜欢。
- 智能下单：不需要繁琐的表单，自然语言直接下单，Agent 自动识别产品、甜度、冰量。
- 订单查询 & 用户反馈：查单、投诉、建议，一站式搞定。
- 记住你的喜好：集成 Mem0 长期记忆服务，熟客无须多言，做更懂你的奶茶店。
这家店怎么做的？
架构解析
首先在总体结构上我们采用了 Supervisor-Worker 架构，同时集成了一些生态组件来达到最终的效果。
其中 AgentScope 多智能体服务层是由一个 Supervisor Agent 和两个 Sub Agent 构成的智能体系统，负责处理店内大大小小的事项；MCP Server 负责处理具体的业务逻辑，可以直接基于传统的业务系统改造；Nacos 负责 Agent 和 MCP 的动态注册和发现；数据持久层负责数据的持久化，包括知识库、会话、记忆、业务数据等。
接下来我们一点一点地来拆解这家店，特别是多智能体服务层。
- Supervisor Agent：相当于门店经理，负责接待客户，判断客户意图（点单？咨询？投诉？），然后把活派给对应的子 Agent。
- Business Sub Agent：勤劳的店员，专门处理订单创建、查询、修改以及投诉等业务事项。
- Consult Sub Agent：贴心的客服，接入了 RAG 知识库，能够进行产品推荐，问啥答啥。
能力解析
在这一部分我们来介绍为了实现上述的效果，我们要用到哪些能力，以及要如何进行开发。当然这边我们只能展示一些关键部分的代码片段，完整实现可以移步 agentscope-java/agentscope-examples/boba-tea-shop[1]。
ReActAgent：能思考会行动
为了能处理店内大大小小的事项，我们就需要一个能思考会行动的 Agent，而一个符合 Reasoning and Acting 范式的 Agent 能很好地完成这个任务。为了构建这个 Agent 如果不借助框架的话我们需要至少完成以下事项：
- 对接适配各个模型厂商的 API
- 构建 Reasoning 和 Acting 调用的循环
- 支持工具的注册和调用
而在 AgentScope Java 中我们只需要进行一些配置便可以组装出一个 ReActAgent，由 AgentScope 完成上述的事项，同时我们原生支持了多家厂商的协议，包括 DashScope、Anthropic、Gemini、OpenAI。对于 Java 开发者而言，这大幅降低了接入门槛。
DashScopeChatModel.Builder builder =
DashScopeChatModel.builder()
.apiKey(dashscopeApiKey)
.modelName(dashscopeModelName)
.formatter(new DashScopeChatFormatter());
DashScopeChatModel model = builder.build();
ReActAgent agent = ReActAgent.builder()
.name("supervisor_agent")
.sysPrompt(sysPrompt)
.toolkit(toolkit) // 挂载工具
.model(model) // 配置大模型
.memory(memory) // 短期记忆模块
.longTermMemory(longTermMemory) //长期记忆模块
.build();
集成 Nacos 的 A2A 架构：专业的事情让专业的 Agent 来做
当我们对 AI 应用的需求从单一的对话交互转向复杂的现实世界问题解决，单体智能系统（Single-Agent Systems）的局限性日益凸显。
- 上下文窗口大小和注意力稀释
- 幻觉难以自我觉察和纠正
- 专业化能力不足
- ……
为了解决这些问题大家都在逐步探索多智能体架构，我们也借奶茶店这个场景为大家演示如何用 AgentScope Java 开发多智能体系统中 Agent AS Tool 的模式。为了实现这个效果，我们原本需要基于 A2A Java SDK 来构建对应的 Client 和 Server，同时还需要进行一些事件和通讯的适配与对接，繁碎的同时还没有动态注册发现的能力。
所以为了更加便捷地落地 A2A 架构，AgentScope 提供了 A2A extension 来完成 A2A Java SDK 适配和对接，并且集成了 Nacos 来实现动态的 Agent 注册和发现。于是现在在 AgentScope Java 中只需要少量代码就可以完成 A2A 架构的落地。
首先是子 Agent 的注册，只需要定义客制化的内容即可，主要是子 Agent 自身所需要的模型、工具等组件的配置，其他部分由框架搞定。
@Bean
public AgentRunner agentRunner(
AgentPromptConfig promptConfig,
ConsultTools consultTools,
Knowledge knowledge,
Model model) {
Toolkit toolkit = new NacosToolkit();
toolkit.registerTool(consultTools);
AutoContextConfig autoContextConfig =
AutoContextConfig.builder().tokenRatio(0.4).lastKeep(10).build();
// Use AutoContextMemory, support context auto compression
AutoContextMemory memory = new AutoContextMemory(autoContextConfig, model);
ReActAgent.Builder builder =
ReActAgent.builder()
.name(“consult_agent”)
.sysPrompt(promptConfig.getConsultAgentInstruction())
.memory(memory)
.hooks(List.of(new MonitoringHook()))
.model(model)
.toolkit(toolkit)
.knowledge(knowledge)
.ragMode(RAGMode.AGENTIC);
return new CustomAgentRunner(builder);
}
而对于 Supervisor Agent 来说由于集成了 Nacos，只需要构建一个 AiService 然后做一些简单的配置就可以完成子 Agent 的发现。
@Bean
public AiService nacosA2aService() throws NacosException {
Properties properties = new Properties();
properties.put(PropertyKeyConst.SERVER_ADDR, serverAddress);
properties.put(PropertyKeyConst.NAMESPACE, namespace);
return AiFactory.createAiService(properties);
}
@Bean
public A2aAgent consultAgent(AiService a2aService) {
return A2aAgent.builder()
.name(“consult_agent”)
.agentCardResolver(new NacosAgentCardResolver(a2aService))
.build();
}
然后再把子 Agent 注册成一个工具，便可以像使用普通工具一样调用子 Agent。
@Tool(description =
“Agent for handling consultation-related requests, can process all”
+ ” consultation-related requests, requires passing the complete context in”
+ ” the context parameter”)
public String callConsultAgent(
@ToolParam(name = “context”, description = “Complete context”) String context,
@ToolParam(name = “userId”, description = “User’s UserId”) String userId) {
Msg msg = Msg.builder().content(TextBlock.builder().text(context).build()).build();
A2aAgent consultAgent = consultAgentProvider.getObject();
return combineAgentResponse(consultAgent.call(msg).block());
}
集成 Nacos 的 MCP 调用：动态注册&发现
MCP 几乎已经成为了远程工具调用的事实标准，很多传统的业务系统也会提供 MCP 的 Endpoint 来使 Agent 能够触达真实业务场景。传统的 MCP 工具的注册方式是一个固定的 Endpoint，在灵活性和高可用上都不能完全满足需求。所以 AgentScope 在传统注册方式的基础上也集成了 Nacos 来实现 MCP 的动态发现。只需要在Business Sub Agent 中通过集成的 NacosMcpServerManager 加上几行代码便可以轻松完成 MCP 工具的注册。
Toolkit toolkit = new NacosToolkit();
NacosMcpServerManager mcpServerManager = new NacosMcpServerManager(aiService);
NacosMcpClientWrapper mcpClientWrapper =
NacosMcpClientBuilder.create(“business-mcp-server”, mcpServerManager).build();
toolkit.registerMcpClient(mcpClientWrapper).block();
会话持久化：重启不丢失
会话通常包含了和模型的多轮对话，与记忆等有状态的内容绑定，如果只存储在内存中，在多实例部署或者重启场景下都会导致丢失或者错乱。所以 AgentScope 提供了基于 MySQL 的会话存储能力，能够随时接着上次聊天继续聊，同一会话无缝衔接，不同会话互相隔离。要在 AgentScope 中启用这个能力只需要部署一个 MySql 数据库，然后创建 MysqlSession 实例，在需要的地方 load 即可恢复到之前的状态，继续对话。
MysqlSession mysqlSession =
new MysqlSession(dataSource, System.getenv(“DB_NAME”), null, true);
ReActAgent agent = createAgent(toolkit, memory);
agent.loadIfExists(mysqlSession, sessionId);
Mem0 长期记忆：记住每一位顾客
Mem0 是一个长期记忆服务框架，帮助 Agent 持续优化长期记忆，可以使用商业化版本也可以自行部署。在奶茶店的场景下，他能够帮助 Agent 不只拥有当前会话的记忆，还能跨会话记住用户关于饮品、甜度、冰量等偏好。自行对接 Mem0 需要维护与它的通讯以及注入 Agent 的方式和时机。在 AgentScope 中，则只需要配置 Mem0 的BaseUrl 以及 apiKey 即可。
Mem0LongTermMemory longTermMemory =
Mem0LongTermMemory.builder()
.agentName(“BusinessAgent”)
.userId(userId)
.apiBaseUrl(“https://api.mem0.ai”)
.apiKey(System.getenv(“MEM0_API_KEY”))
.build();
AutoContextMemory：上下文压缩
现在的大模型的上下文窗口大小已经从早期的 4k 扩展至 100k 甚至 1M，但其中要存放历史交互、外部知识库检索结果、复杂的任务指令、中间推理步骤以及工具调用的返回结果等等，在复杂的场景中依旧存在着上下文大小焦虑。同时随着上下文窗口的暴涨，模型在检索和利用中间位置关键信息的效果和性能会显著下降。所以我们往往会考虑对上下文进行压缩，但是如果是简单的压缩很有可能会导致有效信息的损失，为了压缩而损失了准确性是不可取的。所以 AgentScope 推出了AutoContextMemory，它是框架提供的智能上下文内存管理组件，通过自动压缩、卸载和摘要对话历史，在成本控制和信息保留之间找到最佳平衡，具体的原理可以参考我们之前发布的文章《AgentScope AutoContextMemory：告别Agent上下文焦虑》。要使用该能力同样只需要配置一些简单参数即可。
AutoContextConfig autoContextConfig =
AutoContextConfig.builder().tokenRatio(0.4).lastKeep(10).build();
// Use AutoContextMemory, support context auto compression
AutoContextMemory memory = new AutoContextMemory(autoContextConfig, model);
快速开始
为了让大家能够快速体验，同时方便大家拿奶茶店练手，我们提供了多种便捷的部署方式：
本地开发推荐
# 配置环境变量
cp local-env.example local-env.sh
vim local-env.sh
# 一键启动
source local-env.sh && ./local-deploy.sh start
K8s 生产推荐
# 配置变量
vim values.yaml
# Helm 一键部署
helm install agentscope helm/ --namespace agentscope
Docker 极简
# 配置环境变量
cp docker-env.example .env
# 容器一把梭
docker-compose up -d
云产品（AgentRun）部署
如果想使用云产品部署，可以使用 AgentRun，直接拉取镜像部署，所需要配置的环境变量参考 README.md 文档。
最后的最后
这个奶茶店的例子只是 AgentScope Java 能力的冰山一角，用来带大家快速入门。AgentScope Java 框架还支持更多玩法，所有的核心能力都有对应的 Example，欢迎大家体验：
- 实时人类介入
- PlanNotebook，先规划后执行
- 结构化输出
- AI 狼人杀
- ……
同时社区也在快速演进中，欢迎大家参与讨论和贡献 🚀
Star 一下不迷路！ ⭐
项目地址：AgentScope Java[2]
Demo 地址：agentscope-examples/boba-tea-shop
“Talk is cheap, show me the agents.”
快来 Clone 下来跑一把，体验一下 AI 给你点奶茶的快感吧！如果你想了解更多类似的实战案例或与同行交流，欢迎访问 云栈社区 的智能与数据板块。
相关链接：
[1] agentscope-java/agentscope-examples/boba-tea-shop
https://github.com/agentscope-ai/agentscope-java/tree/main/agentscope-examples/boba-tea-shop
[2] AgentScope Java
https://github.com/agentscope-ai/agentscope-java
发表于 4 天前
|
查看: 17|
回复: 0
