AgentScope - Flexible und leistungsstarke Multi-Agenten-Entwicklungsplattform

Projektübersicht

AgentScope ist eine innovative Multi-Agenten-Plattform, die speziell für Entwickler konzipiert wurde, um Multi-Agenten-Anwendungen auf Basis großer Sprachmodelle (LLMs) zu erstellen. Die Plattform nutzt den Nachrichtenaustausch als zentralen Kommunikationsmechanismus, was die Hürden für Entwicklung und Verständnis erheblich senkt.

GitHub-Adresse: https://github.com/agentscope-ai/agentscope

Kernfunktionen

1. Entwicklerfreundliche Designprinzipien

• Transparenz zuerst: Vollständige Transparenz für Entwickler, einschließlich Prompt Engineering, API-Aufrufen, Agenten-Erstellung, Workflow-Orchestrierung – alles sichtbar und kontrollierbar.
• Echtzeitkontrolle: Agenten können jederzeit unterbrochen und die Verarbeitung angepasst werden.
• Modellunabhängigkeit: Einmal programmieren, mit allen Modellen verwenden.
• LEGO-ähnliche Agenten-Erstellung: Alle Komponenten sind modular und unabhängig.

2. Multi-Agenten-orientiertes Design

• Explizite Nachrichtenübermittlung: Speziell für Multi-Agenten entwickelt, unterstützt klare Nachrichtenübermittlung und Workflow-Orchestrierung.
• Keine tiefe Kapselung: Vermeidet komplexe Kapselung, um die Lesbarkeit und Wartbarkeit des Codes zu erhalten.
• Hochgradig anpassbar: Tools, Prompts, Agenten, Workflows, Drittanbieterbibliotheken und Visualisierungen sind alle anpassbar.

3. Robuster Fehlertoleranzmechanismus

AgentScope bietet integrierte und anpassbare Fehlertoleranzmechanismen, ergänzt durch systemweite Unterstützung zur Verwaltung und Nutzung multimodaler Daten, Tools und externen Wissens. Dazu gehören:

• Dienstseitige Wiederholungsmechanismen zur Sicherstellung der API-Zuverlässigkeit.
• Regelbasierte Korrekturwerkzeuge zur Behebung von Formatproblemen in LLM-Antworten.
• Anpassbare Fehlertoleranzkonfiguration (parse_func, fault_handler, max_retries usw.).
• Spezielles Log-System für Multi-Agenten-Anwendungen.

4. Unterstützung für verteilte Architekturen

• Actor-basiertes verteiltes Framework: Ermöglicht einen einfachen Übergang zwischen lokaler und verteilter Bereitstellung.
• Automatische Paralleloptimierung: Paralleloptimierung ohne zusätzlichen Aufwand.
• Unterstützung für groß angelegte Simulationen: Ermöglicht die Simulation von 1 Million Agenten auf 4 Geräten.

Neue Funktionen in AgentScope 1.0

Unterstützung für asynchrone Ausführung

• Umfassende Unterstützung für asynchrone Ausführungsmodi.
• Bietet eine Vielzahl neuer Funktionen und Verbesserungen.

Kernmodul-Funktionen

Modul	Funktion	Beschreibung
Model	Unterstützung für asynchrone Aufrufe	Unterstützt asynchrone Aufrufe verschiedener LLMs
Tool	Tool-Integration	Umfangreiche Bibliothek von Tool-Funktionen
MCP	Modellsteuerprotokoll	Unterstützt die Integration von Modellsteuerprotokollen
Tracing	Nachverfolgung und Überwachung	Nachverfolgung und Visualisierung der Anwendungs-Ausführung
Memory	Langzeitgedächtnis	Verwaltung des Langzeitgedächtnisses von Agenten
Session	Sitzungsverwaltung	Zustands- und Sitzungsverwaltung
Evaluation	Bewertungssystem	Leistungsbewertung von Agenten
Prompt Formatter	Prompt-Formatierung	Intelligentes Prompt-Formatierungstool

Technische Architektur

Nachrichten-Austauschmechanismus

AgentScope verwendet einen nachrichtenbasierten Kommunikationsmechanismus:

from agentscope.message import Msg


message_from_alice = Msg("Alice", "Hi!") # Nachricht von Alice
message_with_media = Msg("Bob", "What about this picture?", url="/path/to/picture.jpg") # Nachricht mit Medien

Agenten-Erstellung

from agentscope.agent import ReActAgent, UserAgent
from agentscope.model import DashScopeChatModel
from agentscope.formatter import DashScopeChatFormatter
from agentscope.memory import InMemoryMemory
from agentscope.tool import Toolkit, execute_python_code

import os, asyncio

async def main():
    toolkit = Toolkit()
    toolkit.register_tool_function(execute_python_code) # Registriert die Funktion zur Ausführung von Python-Code
    
    agent = ReActAgent(
        name="Friday",
        sys_prompt="You're a helpful assistant named Friday.", # System-Prompt für den Agenten
        model=DashScopeChatModel(
            model_name="qwen-max",
            api_key=os.environ["DASHSCOPE_API_KEY"],
            stream=True,
        ),
        memory=InMemoryMemory(), # Verwendet ein In-Memory-Gedächtnis
        formatter=DashScopeChatFormatter(), # Verwendet den DashScope Chat Formatter
        toolkit=toolkit, # Weist das Toolkit zu
    )
    
    user = UserAgent(name="user") # Erstellt einen Benutzer-Agenten
    
    msg = None
    while True:
        msg = await agent(msg) # Agent antwortet
        msg = await user(msg) # Benutzer antwortet
        if msg.get_text_content() == "exit": # Wenn der Benutzer "exit" eingibt, beenden
            break

asyncio.run(main())

Pipelines und Workflows

from agentscope.pipeline import MsgHub, sequential_pipeline
from agentscope.message import Msg

async def multi_agent_conversation():
 
    agent1 = ... # Agent 1
    agent2 = ... # Agent 2
    agent3 = ... # Agent 3
    
   
    pipeline = sequential_pipeline([agent1, agent2, agent3]) # Erstellt eine sequentielle Pipeline
    result = await pipeline(initial_message) # Führt die Pipeline mit einer Startnachricht aus

MCP (Modellsteuerprotokoll) Integration

from agentscope.mcp import HttpStatelessClient
from agentscope.tool import Toolkit
import os

async def fine_grained_mcp_control():

    client = HttpStatelessClient(
        name="gaode_mcp",
        transport="streamable_http",
        url=f"https://mcp.amap.com/mcp?key={os.environ['GAODE_API_KEY']}",
    )
    
  
    func = await client.get_callable_function(func_name="maps_geo") # Ruft eine aufrufbare Funktion ab
    

    await func(address="Tiananmen Square", city="Beijing") # Führt die Funktion aus
    

    toolkit = Toolkit()
    toolkit.register_tool_function(func) # Registriert die Funktion im Toolkit

Unterstützung für multimodale Daten

AgentScope verwendet eine Lazy-Loading-Strategie, um die Übertragung multimodaler Daten von deren Speicherung zu entkoppeln, indem einheitliche URL-basierte Attribute in Nachrichten bereitgestellt werden. Unterstützt werden:

• Verarbeitung von Text-, Bild-, Audio- und Videodaten.
• URL-basierte Datenreferenzierung.
• On-Demand-Lademodus.

Tool- und Service-Ökosystem

Integrierte Service-Funktionen

• Ausführung von Python-Code.
• Web-Suche.
• Dateibearbeitung.
• Integration externen Wissens.

RAG (Retrieval Augmented Generation) Unterstützung

• End-to-End-Wissensverarbeitungsmodul.
• Hochgradig konfigurierbares Abrufsystem.
• Gemeinsam nutzbare Wissensverarbeitungskomponenten.

Installation und Nutzung

Systemanforderungen

• Python 3.10 oder höher.

Installationsmethoden

Installation aus dem Quellcode (empfohlen)

git clone -b main https://github.com/agentscope-ai/agentscope.git # Klonen des Repositories


cd agentscope # Wechseln in das Verzeichnis
pip install -e . # Installieren im Bearbeitungsmodus

Installation von PyPI

pip install agentscope

AgentScope Studio

npm install -g @agentscope/studio # Installieren des AgentScope Studio CLI-Tools global
as_studio # Starten des AgentScope Studio

Modellunterstützung

AgentScope unterstützt eine breite Palette großer Sprachmodelle:

Cloud-APIs

• OpenAI GPT-Serie
• DashScope (Alibaba Cloud)
• Google Gemini
• ZhipuAI
• LiteLLM API

Lokale Bereitstellung

• Ollama
• Flask + Transformers/ModelScope
• FastChat
• vLLM

Anwendungsfälle

Groß angelegte Simulationen

• Finanzmarktsimulationen.
• Stadtplanungsmodellierung.
• Analyse von Politikeffekten.
• Sozialverhaltensforschung.

Kollaborative Aufgaben

• Simulation von Softwareentwicklungsteams.
• Multi-Turn-Dialogsysteme.
• Lösung komplexer Probleme.
• Kollaborative Wissensverarbeitung.

Unternehmensanwendungen

• Automatisierung des Kundenservice.
• Optimierung von Geschäftsprozessen.
• Intelligente Entscheidungsunterstützung.
• Risikomanagement-Modellierung.

Community und Support

• Offizielle Dokumentation: https://doc.agentscope.io/
• GitHub-Repository: https://github.com/agentscope-ai/agentscope
• PyPI-Paket: https://pypi.org/project/agentscope/
• Tutorials und Beispiele: Umfassende Tutorial-Dokumentation und zahlreiche Beispielcodes.

AgentScope stellt einen bedeutenden Fortschritt in der Entwicklung von Multi-Agenten-Systemen dar und bietet Forschern und Entwicklern eine leistungsstarke, flexible und benutzerfreundliche Plattform, um das volle Potenzial von Agenten auszuschöpfen.