企业官网建设流程全解析

AgentScope 2.0 实战指南：半天构建一套可信的多智能体系统

【免费下载链接】agentscopeBuild and run agents you can see, understand and trust.项目地址: https://gitcode.com/GitHub_Trending/ag/agentscope

先说选型结论：做生产级多智能体系统，别再硬套工作流编排框架。AgentScope 2.0 不拿固化流程框住模型，它只提供积木——自主推理、多智能体权限控制、事件流、沙箱隔离，按需取用。

它到底是什么：AgentScope 不是工作流引擎

一句话定位：面向生产环境的多智能体框架，口号是"构建你能看见、能理解、能信任的智能体"。

它和传统编排框架的根本区别在一句话里：编排框架帮你画流程图，AgentScope 信任模型自己想办法，框架负责管住它。

能力全景：这套多智能体框架能干什么

先给全景，按"你能拿它做什么"组织，不关心它内部分几层：

判断句：前四行是"单个智能体可信"的地基，后三行是"把智能体变成产品"的地基。下面按难度递进走三场实战。

递进实战：从单智能体到双智能体再到多租户服务

场景一：让一个智能体自己干活

现象：你只拿到模型一句最终答案，中间它干了什么、哪个工具失败了你一概不知。

做法：Agent+Toolkit就是最小可运行单元。给它一套工具，剩下让它自己的 ReAct 循环决定——先查再写还是一次写对，是模型的事，不是你的事。终端交互用launch_console一行搞定，流式输出、工具调用确认、Ctrl+C 中断都替你处理了。

关键代码：

from agentscope.agent import Agent from agentscope.model import DashScopeChatModel from agentscope.credential import DashScopeCredential from agentscope.tool import Toolkit, Bash, Grep, Read, Write from agentscope.console import launch_console agent = Agent( name="Friday", system_prompt="You're a helpful assistant.", model=DashScopeChatModel( credential=DashScopeCredential(api_key="sk-..."), model="qwen3.8-max", ), toolkit=Toolkit(tools=[Bash(), Grep(), Read(), Write()]), ) await launch_console(agent)

效果：终端里看到的是完整事件流——模型调用开始、文本增量、工具调用块、工具结果，全程可回放。三个值得注意的自主性细节：模型一轮发多个工具调用时会分组批量执行，而不是排队傻等；reply_stream接受structured_schema，可以直接要 Pydantic 结构而不是自由文本；用户确认、外部中断都能作为事件喂回去，智能体从断点继续而非从头重跑。

场景二：执行者 + 审查者，两个智能体互相较劲

现象：单智能体自查不可信——它"声称"写了文件，你没验证过；让它自我验收，等于自己给自己打分。

做法：套一个GoalPipeline：执行者干完活产出结构化"完成报告"，审查者拿真实目标 + 报告做验收（pass / fail / impossible），不过就打回，驳回意见原样回传，最多循环max_iters轮。有个关键细节：两个智能体共享同一个LocalWorkspace，审查者判断的是磁盘上真实写下的东西，不是执行者的口供。目标也不是构造时写死的——pipeline 第一次被要求做什么，那就是目标，审查标准自动跟着换。官方示例在 examples/pipeline/goal/。

关键代码：

async with LocalWorkspace(workdir="workspace") as workspace: executor = Agent( name="Executor", system_prompt="You're a programmer named 'Executor'.", model=DashScopeChatModel(...), toolkit=Toolkit(tools=await workspace.list_tools()), offloader=workspace, # 长结果卸载进工作区 ) verifier = Agent(...) # 同一个 Agent 类，没有特殊角色 pipe = GoalPipeline(executor=executor, verifier=verifier, max_iters=10) await launch_console(agent=pipe)

注意审查者就是普通Agent，不是什么特殊类——它的验收结论走结构化输出，查文件、跑命令用的是和执行者一样的工具。

效果：两个智能体的事件流在终端里交替滚动，谁推理、谁调了哪个工具、审查为什么驳回，全透明：

场景三：把脚本升级成多租户服务

现象：个人脚本到此为止，一上多用户就崩：会话混了、资源隔离没了、没有入口。

做法：直接用自带的 Agent Service：FastAPI 后端 + 现成 Web UI，开箱就有多租户多会话隔离、智能体团队（leader 派活给 worker）、飞书/Discord/钉钉渠道接入、RAG 知识库、MCP 与技能市场。完整示例在 examples/agent_service/，定制点全部集中在main.py——加你自己的 MCP、中间件、工作区管理器即可。

关键代码：

app = create_app( storage=RedisStorage(host="localhost", port=6379), message_bus=InMemoryMessageBus(), workspace_manager=LocalWorkspaceManager(basedir="workspaces"), channels=[DingTalkChannel, DiscordChannel, FeishuChannel], )

后端python main.py起在 8000 端口，前端在 examples/web_ui/ 里pnpm install && pnpm dev，指向http://localhost:8000就能用。

效果：你写的不再是脚本，是一个带 Web 界面、能接 IM 渠道、多租户隔离的线上应用。

生产三件套：权限、可观测、沙箱一起上

这三件事不是三个独立功能，而是一套"上线前必须过"的组合拳。缺任何一件，前面三场实战都不能上生产。

权限：给智能体系根安全绳

权限引擎PermissionEngine基于一个PermissionContext（模式 + 规则集），每次工具执行请求都过一道检查，规则行为分三档：ALLOW放行、DENY拦截、ASK暂停等人确认。

from agentscope.permission import ( PermissionEngine, PermissionContext, PermissionMode, PermissionRule, PermissionBehavior, ) context = PermissionContext(mode=PermissionMode.ACCEPT_EDITS) engine = PermissionEngine(context) engine.add_rule(PermissionRule( tool_name="Bash", rule_content="git:*", behavior=PermissionBehavior.ALLOW, source="userSettings", ))

五种模式，语义各不同（来自源码src/agentscope/permission/_types.py的官方定义）：

可观测：把过程变成监控面板

两层：

• 事件流落盘：reply_stream持续产出模型调用、文本增量、思考块、工具调用、工具结果增量、多模态内容等细粒度事件。生产上把这条流写日志/落库，事后任何一步都能回放。
• Tracing 中间件：src/agentscope/middleware/_tracing/ 内置 OpenTelemetry 兼容的追踪模块，挂上后每个智能体操作进你的链路追踪系统（Jaeger/Zipkin 等）。

再加上中间件钩子——回复、推理、行动、模型调用、权限检查、上下文压缩这些环节都有可组合接口，想在哪一步埋点就在哪一步挂，不动核心逻辑。

沙箱：长任务卸载 + 隔离执行

• 耗时工具调用通过offloader丢进后台（如工作区），结果回来再唤醒智能体继续，事件流全程不断：

• 工作区后端可换：本地、Docker、E2B、K8s、Daytona 在 src/agentscope/workspace_manager/ 里同一套接口。BYPASS 只在沙箱里用（见下节）；要无人值守执行又舍不得扔安全，用DONT_ASK而不是BYPASS。

三件套的关系：权限管"能不能做"，事件流和 tracing 管"做了什么看得到"，沙箱管"做坏了伤不到外面"。

避坑清单：这些坑文档没明说

1. BYPASS 是给沙箱用的，不是给本地用的。看源码_check_bypass：它连rm -rf /、写~/.bashrc这类安全拦截都一并跳过，只剩你手配的 deny/ask 规则当护栏。在本地环境开 BYPASS，等于把 shell 钥匙交给模型。无人值守场景请改用DONT_ASK——它把 ASK 转成 DENY，安全默认。
2. 规则写错 = 静默失效，不会报错。匹配语义按工具类型走：Bash 是命令子串/前缀通配（所以写git:*），Read/Write/Edit 是路径 glob（写src/**）。模式语法写错，规则不匹配也不报错，你以为上了锁，其实门没锁。上线前用一条确定会触发的规则做冒烟测试。
3. 别用 if-else 复刻编排逻辑。框架哲学是信任模型推理，你手写死每一步，等于把模型能力阉割成状态机。固定骨架（执行-验收循环）用GoalPipeline表达，开放部分交给模型。
4. 长任务不卸载，事件流就断在原地。耗时调用走offloader，否则一轮工具调用能卡死整个会话的响应节奏。
5. 恢复执行时别自己记"轮到谁了"。需要人工确认时reply_stream会停，恢复事件自带reply_id标识被挂起的是哪个智能体，照用即可；自己维护轮次状态，多智能体场景必出竞态。
6. Python 低于 3.11 直接别试。pyproject.toml里写死requires-python = ">=3.11"，老环境要么装不上要么行为异常，先升级再排查。

上手路线图：新手和进阶各一条

新手半天路线（目标只有一个：看到完整事件流，建立"过程可观测"的直觉）：

1. 跑通 examples/pipeline/goal/ 双智能体示例（需先export DASHSCOPE_API_KEY=...）；
2. 改 examples/console/ 玩终端控制台：换模型、换工具、开--verbosity debug；
3. 换一家模型厂商（OpenAI / Anthropic / Gemini / DeepSeek…），确认统一接口没坑你。

进阶路线：

1. 给智能体挂权限规则 + src/agentscope/middleware/_tracing/ 追踪中间件；
2. 工作区从 Local 切到 Docker / E2B / K8s 沙箱（src/agentscope/workspace_manager/ 全量实现）；
3. 上 examples/agent_service/ 做多租户应用；
4. 需要记忆和知识库时再看 examples/long_term_memory/ 和 examples/rag/。

三个固定入口：文档与新闻在 docs/；全部示例在 examples/；源码里最值得通读的是agent、permission、pipeline、middleware、workspace_manager五块。

仓库地址（clone 用）：https://gitcode.com/GitHub_Trending/ag/agentscope

回到开头的选型判断：编排框架让你画流程图，画完发现模型的能力全被流程吃掉了；AgentScope 2.0 反过来——自主交给模型，权限、事件流、沙箱留给你。半天跑通递进实战里的三场，剩下的能力，按这张全景表按需取用就行。

【免费下载链接】agentscopeBuild and run agents you can see, understand and trust.项目地址: https://gitcode.com/GitHub_Trending/ag/agentscope