AgentScope

AgentScope 1.0

AgentScope Java 核心与进阶

14 篇 · 约 65 分钟

AgentScope 是由阿里巴巴团队开源的一个以开发者为中心、高度灵活的多智能体（Multi Agent）应用开发框架。它的核心目标是帮助开发者更轻松地构建基于大语言模型（LLM）的分布式、高容错、多智能体应用。 AgentSco…

流式输出 AgentScope Java 的流式输出基于 Reactor 的 Flux 实现。Agent 提供 stream() 方法，返回一个事件流，每个事件包含推理过程的增量输出、工具调用结果等。关键类： Agent.stre…

AgentScope Java 的多轮会话由两个核心机制协作完成：Memory（短期会话记忆）负责维护当前对话上下文，Session（会话持久化）负责将状态保存/恢复到外部存储。两者结合实现了"跨请求的连续对话"和"跨重启的会话恢复…

（虽然在ASJ的2.0的relesse note中提到：RAG (Knowledge / KnowledgeRetrievalTools / RAGMode) and long term memory modules depreca…

ASJ中在多轮对话、持久化对话以及长期记忆之外，还提供了个内置的上下文自动管理的机制，能实现自动的上下文压缩和卸载。用来解决长会话或者多轮 ReAct 工具调用中出现的token 爆炸、上下文窗口溢出问题。这部分能力靠AutoCo…

AutoContextMemory的使用 AutoContextMemory其实也是Memory的一个实现类。所以可以把他当做Memory设置到ReactAgent中。 AutoContextMemory可以通过AutoContex…

就像Spring AI Alibaba一样，ASJ中也提供了完善的Hook机制，Hook 是一个事件拦截器链，横跨 ReActAgent 的"推理行动总结"全生命周期。他可以说是ASJ的一个基石。很多功能都要基于这个Hook机制…

ReAct 的论文核心思想就一句话：让 LLM 交替"思考(Reasoning)"和"行动(Acting)"，直到得出最终答案。落到工程里要解决五个问题： 1. 怎么把 LLM 决定的工具调用真正执行掉（reasoning → ac…

我们最开始讲ASJ的时候的case中就演示了使用Toolkit来实现工具的集成，工具使用是Agent的必备技能。我们这一节再展开介绍下ASJ种的工具集成的相关能力和实现。工具定义的方式基于@Tool注解在ASJ中，工具定义的方…

MCP我们前面有专门的章节介绍过了，他是 Anthropic 提出的开放协议，定义了"AI 应用"和"工具服务"之间的标准通信接口。核心思想是： MCP Server 暴露工具列表 + 执行入口 MCP Client 负责发现工具、…

（虽然在ASJ的2.0的relesse note中提到：RAG (Knowledge / KnowledgeRetrievalTools / RAGMode) and long term memory modules depreca…

Skill之前我们有专门的讲过，包括Spring Ai Alibaba也介绍过他的支持Skill的原理。 ASJ当然也是支持Skill的，并且支持的要比SAA好。数据模型前面我们介绍过skill的结构，在ASJ中对应的就是Age…

Human in the Loop我们之前也讲过，这是一种允许在 Agent 执行过程中暂停、人工审查、交互确认后继续执行的机制。这一机制使得 AI Agent 可以在涉及敏感操作、信息缺失或需要人类决策的场景下安全、可控地运行。 …

经典的 plan and execute 范式有两种：双 Agent 模型（LangGraph）：Planner 跑一次出 plan → Executor 逐步执行 → 完不成再回 Planner 重规划。优点是职责清晰，缺点是状…