AgentScope 旨在帮助开发人员轻松、可靠、高性能地构建多智能体应用程序。该平台具有三种高级功能：
• 易于使用：采用纯 Python 编程，具有各种预构建的组件可立即使用，适合具有不同级别定制要求的开发人员或用户。
• 高稳健性：支持定制的容错控制和重试机制，增强应用程序的稳定性。
• 基于参与者的分布：使开发人员能够以集中式编程的方式构建分布式多代理应用程序，从而简化开发。
项目地址：https://github.com/modelscope/agentscope[1]
下面看一下 AgentScope 工作站的预览图：
AgentScope 核心概念
我们先来了解 AgentScope 的核心概念。
消息
消息 是 AgentScope 中通信的单位，是不同 Agent 之间进行信息交换的载体。
消息是 Python 中的字典对象，使用起来很简单，下属代码定义了两个消息：
from agentscope.message import Msg
message_from_alice = Msg("Alice", "Hi!")
message_from_bob = Msg("Bob", "What about this picture I took?", url="/path/to/picture.jpg")智能体（代理）
智能体是系统中的活动实体，他负责负责处理信息、做出决策和采取行动。
AgentScope 通过两个主要功能定义其行为：
回复：将消息作为输入并生成相应的响应，推动对话流程。观察：处理传入消息而不生成直接回复，允许代理被动收集信息并做出相应的反应。
下面展示如何定义智能体：
dialogAgent = DialogAgent(name="assistant", model_config_name="gpt-4", sys_prompt="You are a helpful ai assistant")
userAgent = UserAgent()智能体对话
智能体对话很简单，只需要把消息传入智能体，函数返回值就是智能体的回答。
result = dialogAgent(message_from_alice)
下面展示两个智能体持续对话，用户输出 exit 退出：
x = None
while True:
x = dialogAgent(x)
x = userAgent(x)
# 如果用户输入"exit"，则终止对话
if x.content == "exit":
print("Exiting the conversation.")
break记忆 Memory
记忆（memory）用于存储历史消息，从而使智能体能够根据上下文提供更加连贯，更加自然的响应。
TemporaryMemory 是 AgentScope 一个基于内存的Memory实现，
工具(服务)
工具是智能体连接现实世界的通道，也称之为服务函数（Service Function）。
服务函数（Service function）是可以增强智能体能力工具，例如执行Python代码、网络搜索、 文件操作等。
AgentScope 内置了很多函数，通过 agentscope.service.{函数名} 可以快速调用。
创建新的函数
虽然内置的工具函数已经足够满足很多需求，但是免不了希望贴合自身业务来创建自定义工具函数。
AgentScope 提供了创建函数的功能，新的Service函数必须满足以下要求才能被正常使用：
• 具有格式化的函数说明（推荐Google风格），以便ServiceToolkit提取函数说明。
• 函数名称应该是自解释的，这样智能体可以理解函数并正确使用它。
• 在定义函数时应提供参数的类型（例如
def func(a: int, b: str, c: bool)），以便大模型 能够给出类型正确的参数。
看一个示例：
def create_file(file_path: str, content: str = "") -> ServiceResponse:
"""
创建文件并向其中写入内容。
Args:
file_path (str): 将要创建文件的路径。
content (str): 要写入文件的内容。
Returns:
ServiceResponse: 其中布尔值指示成功与否，字符串包含任何错误消息（如果有），包括错误类型。
"""
# ... [为简洁起见省略代码]工作流(Pipeline)
但是对复杂应用来说，细致的描绘每一次信息交流对开发者来说是非常困难的。Pipeline 主要用于简化「描述消息传播」的编程工作。
Agent Scope Studio
AgentScope Studio 是一个开源的 Web UI 工具包，用于构建和监控多智能体应用程序。它提供以下功能：
• Dashboard：一个用户友好的界面，可以在其中监视正在运行的应用程序，并查看运行历史。
• Workstation：一个强大的界面，可通过拖拽的方式构建多智能体应用程序。
• Gallery：即将推出！
• Server Management：即将推出！
下面我们看一下如何运行 Studio。我直接在 Colab 上运行，速度更快一些，大家本地运行的的时候会更简单。
本地运行
先安装：
pip install agentscope --pre
然后执行下面 Python 代码，访问浏览器即可：
import agentscope
agentscope.studio.init()Colab 运行
Colab 运行复杂一点，我这里单独讲一下。
仍然是先安装 agentscope 依赖：
!pip install --ignore-installed agentscope --pre
获取 外网地址，有下面两种方法：
!pip install ipwhois
from ipwhois import IPWhois
from requests import get
ip = get('https://api.ipify.org').text
whois = IPWhois(ip).lookup_rdap(depth=1)
cidr = whois['network']['cidr']
name = whois['network']['name']
print('\n')
print('Provider: ', name)
print('Public IP: ', ip)
print('CIDRs: ', cidr)
# or
!curl https://loca.lt/mytunnelpassword生成执行脚本，
!echo "import agentscope" > run.py
!echo >> run.py
!echo "agentscope.studio.init()" >> run.py
!cat run.py运行程序：
!python run.py & npx localtunnel --port 5000
访问即可看到如下界面：
打开工作站可以看到 示例，工作流和具体的编辑画布。
对话流程
打开对话 这个例子，填入必要的 ak，
你可以从工具栏里面投入你需要的元素，
当然也可以修改模板中的内容，比如两个智能体的提示语：
点击运行，可以看到运行成功的提示：
我们现在进入 Dashboard 页面，可以看到我们的程序已经运行了：
点击程序，默认打开程序的对话页面，我们随便问个问题：
由于这个流程很简单，就是和大模型对话没啥特别的。
多人对话
现在我们运行一个多人聊天的程序，
大致的流程如下：
再次来到聊天界面，我的身份是 King，先给大家放个假：
Boyu 竟然说英文，朕很生气，拖出去斩了：
话说，自己肯定不适合搞格局，上朝要是如此，我真的是能烦死。
对了，运行程序前，我们可以初始化自己的模型配置，这样就不用再到界面上维护大模型的配置了。
import agentscope
from agentscope.agents import DialogAgent
from agentscope.agents import UserAgent
from agentscope.pipelines.functional import sequentialpipeline
agentscope.init(
model_configs=[
{
"model_type": "gemini_chat",
"config_name": "gemini-pro",
"model_name": "gemini-pro",
"api_key": "xxx", # Load from env if not provided
"organization": "xxxyyy", # Load from env if not provided
"generate_args": {
"temperature": 0.5,
},
},
{
"model_type": "post_api_chat",
"config_name": "my_post_api",
"api_url": "https://xxx",
"headers": {},
},
],
)RAG 智能体
RAG 智能体是可以基于检索到的知识生成答案的智能体。
可以在 Agent 初始化的时候传入一个 knowledge 的列表：
knowledge = knowledge_bank.get_knowledge(knowledge_id)
agent = LlamaIndexAgent(
name="rag_worker",
sys_prompt="{your_prompt}",
model_config_name="{your_model}",
knowledge_list=[knowledge], # provide knowledge object directly
similarity_top_k=3,
log_retrieval=False,
recent_n_mem_for_retrieve=1,
)Knowledge bank 构建也很简单，比如读取 ./doc/tutorial 目录下的所有 「.md」 文件作为知识库：
knowledge_bank.add_data_as_knowledge(
knowledge_id="agentscope_tutorial_rag",
emb_model_name="qwen_emb_config",
data_dirs_and_types={
"./docs/tutorial": [".md"],
},
)而 Knowledge Bank 是一组 Knowledge 的组合，Knowledge 包含以下关键属性：
• knowledge_id: 每个knowledge模块的唯一标识符;
• emb_model_config_name: embedding模型的名称;
• chunk_size: 对文件分块的默认大小;
• chunk_overlap: 文件分块之间的默认重叠大小;
• data_processing: 一个list型的数据处理方法集合。
最后，知识模块目前只支持 LlamaIndex, 后续会提供对 LangChain 的支持。
--- END ---
