掌握 Multi-Agent 实践 (一)：使用 AgentScope 实践入门和 Workstation 上手指南

2025-05-08
浙江
本文字数：5004 字
阅读完需：约 16 分钟

AgentScope 是通义实验室开源的 multi-agent 编程框架，专为开发人员设计，提供了丰富的组件, 全面的文档和广泛的兼容性。同时，AgentScope Workstation 提供了在线拖拉拽编程和在线小助手(copilot)功能，帮助开发者迅速上手！支持自定义的容错控制和重试机制，以提高应用程序的稳定性,支持以中心化的方式构建分布式多智能体应用程序。

github链接：https://github.com/modelscope/agentscope
论文链接：AgentScope: A Flexible yet Robust Multi-Agent Platform
更多介绍参考：
打造可靠的多智能体生态系统：从集成到部署AgentScope为多智能体应用提供的全面支持方案
解决多Agent信息传递难题：AgentScope实现分布式架构下的高效协作与优化跨机器通信与任务调度，扩展性提升

1.实践上手 AgentScope

1.1 安装

从 github 上 clone AgentScope 仓库(https://github.com/modelscope/agentscope)，安装最新代码

git clone git@github.com:modelscope/agentscope.gitcd AgentScope# On macpip install -e .\[full\]# On windowspip install -e .[full]
#从pip安装的AgentScope-推荐pip install agentscope

复制代码

1.2 配置模型

在 AgentScope 中配置 DashScope 支持的通义（qwen-max）模型配置 or 其他配置：

import os
"""在环境变量中设置了'DASHSCOPE_API_KEY'：命令行中执行：export DASHSCOPE_API_KEY='替换成你的apikey'可以通过命令行：echo $DASHSCOPE_API_KEY 来检查是否真的设置成功"""
dashscope_example_config = {    "model_type": "dashscope_chat",    "config_name": "tongyi_qwen_config",    "model_name": "qwen-max",    "api_key": f"{os.environ.get('DASHSCOPE_API_KEY')}",}

复制代码

除了 DashScope 的 API，在 AgentScope 中也可以配置其他流行的模型

# 使用OpenAI模型(gpt-4o，或者替换成其他openai模型)的配置 # 相似的可以echo $OPENAI_API_KEY 来检查OPENAI_API_KEY是否设置成功openai_example_config = {    "model_type": "openai",    "config_name": "gpt-4o-config",    "model_name": "gpt-4o",    "api_key": f"{os.environ.get('OPENAI_API_KEY')}",    "generate_args": {        "temperature": 0.5,    },}

# 其他可以通过post 访问的LLM接口# 下面的my_postapi_config可以对应的open ai的post ai端口规则# curl $YOUR_URL_TO_MODEL \# -H "Content-Type: application/json" \# -H "Authorization: Bearer $YOUR_API_KEY_IF_ANY" \# -d '{#   "model": "XXX",#   "messages": [#      .....#   ]# }'postapi_example_config = {    "model_type": "post_api_chat",    "config_name": "my_postapi_config",    "api_url": "$YOUR_URL_TO_MODEL",    "headers": {        "Content-Type": "application/json",        "Authorization": "Bearer YOUR_API_KEY_IF_ANY"    },    "messages_key": "messages",    "json_args": {        "model": "XXX",    }}

复制代码

目前推荐直接配置一个 model_configs.json 文件

这里使用零一万物主要是新用户免费 🐶

[    {        "config_name": "yi-lightning",        "model_name": "yi-lightning",        "model_type": "yi_chat",        "api_key": "57c7959c"    },    {        "config_name": "yi-vision-v2",        "model_name": "yi-vision-v2",        "model_type": "yi_chat",        "api_key": "57a28cbc7959c"    },    {        "model_type": "openai_chat",        "config_name": "gpt-4o",        "model_name": "gpt-4o",        "api_key": "sk-",        "client_args": {            "base_url": "http://xxx.com:4000"        }    },    {        "model_type": "openai_chat",        "config_name": "gemini-2.0-flash",        "model_name": "google_ai_studio/gemini-2.0-flash-001",        "api_key": "sk-",        "client_args": {            "base_url": "http://:4000"        }    },    {        "model_type": "openai_chat",        "config_name": "gemini-2.5-flash",        "model_name": "google_ai_studio/gemini-2.5-flash-preview-04-17",        "api_key": "sk-",        "client_args": {            "base_url": "http://:4000"        }    }]

复制代码

1.3 初始化，创建 dialog_agent

显示和隐式看个人喜好，

import agentscope
# 让config生效agentscope.init(    model_configs=[      dashscope_example_config,      openai_examaple_config,      # 其他模型配置也可以继续添加在这里~    ],)

# or agentscope.init(model_configs="agentscope/model_configs.json")

复制代码

作为最基础的一种 agent，DialogAgent 可能是最简单上手的一个 agent。创建一个实例，只需要给 dialog agent 命名、简单的系统提示词和一个模型的配置（config）的名字

from agentscope.agents import DialogAgent
dialog_agent = DialogAgent(    name="Assistant",    sys_prompt="You're a helpful assistant.",    model_config_name="gemini-2.0-flash",  # 其中一个你在上面步骤准备好的配置名字（config_name对应的值）)

复制代码

1.4 创建 user_agent

有了一个有记忆、能和你对话的智能体 dialog_agent，现在我们创建一个 user_agent 作为你在电子世界的代理，用来接收用户输入信息。


from agentscope.agents.user_agent import UserAgent
user_agent = UserAgent()

复制代码

 # start the conversation between user and assistantx = Nonewhile x is None or x.content != "exit":    x = dialog_agent(x)    x = user_agent(x)

复制代码

1.5 UI 可视化

AgentScope 支持基于 AgentScope Studio 和 Gradio 的网页可视化，同时支持用户对接自定义或第三方的可视化平台。

AgentScope Studio

AgentScope Studio 是基于 React(vite) 和 NodeJS 开发的 WebUI 工具，用于应用的可视化，和监控应用运行，监控 API 调用以及 Token 使用情况。

首先需要安装 npm

# MacOSbrew install node
# Ubuntusudo apt updatesudo apt install nodejs npm
# Windows 请访问 https://nodejs.org/ 进行安装

复制代码

通过以下命令进行安装

npm install -g @agentscope/studio

复制代码

在命令台通过如下命令启动

as_studio

复制代码

启动 AgentScope 的 Python 程序时，通过 agentscope.init 函数中的 studio_url 字段连接 AgentScope Studio。

import agentscope
agentscope.init(    # ...    studio_url="https://localhost:3000"  # 替换成你本地的 AgentScope Studio 地址)
# ...

复制代码

备注：一旦连接，Python 程序中所有智能体对象调用 speak 函数打印出的输出都将转发到 AgentScope Studio，同时程序中的 UserAgent 的输入操作也将从终端转移到 AgentScope Studio 的 Dashboard 面板中。

Studio 中的 Dashboard 页面将按照 agentscope.init 函数中传入的 project 参数对程序进行分组，点击后即可查看该项目分组内所有历史运行情况。

需要用户进行输入时，对话界面的输入按键会进行提示，不需要输入时，输入按钮会处于禁用状态。

完整代码：

from agentscope.agents import DialogAgent, UserAgentimport agentscope

agentscope.init(model_configs="agentscope/agentscope/examples/test_ting/test/model_configs.json",                studio_url="http://127.0.0.1:5000")
# 创建对话Agent和用户Agentdialog_agent = DialogAgent(    name="Assistant",    sys_prompt="你是一个AI助手，你会回答用户的问题。",    model_config_name="gpt-4o",  )
user_agent = UserAgent()
# 开始对话 user and assistantx = Nonewhile x is None or x.content != "exit":    x = dialog_agent(x)    x = user_agent(x)

复制代码

Gradio

首先，请确保已安装完整版本的 AgentScope, 其中包含 Gradio 包。

# From pypipip install agentscope[full]
# From source codecd agentscopepip install .[full]

复制代码

之后，请确保您的应用程序被封装在一个 main 函数中。

from agentscope.agents import DialogAgent, UserAgentimport agentscope

def main():    # Your code here    agentscope.init(model_configs={        "config_name": "my-qwen-max",        "model_type": "dashscope_chat",        "model_name": "qwen-max"    })
    agent = DialogAgent(        name="Alice,        model_config_,        sys_prompt="You're a helpful assistant named Alice."    )    user = UserAgent(agent)
    msg = None    while True:        msg = agent(msg)        msg = user(msg)        if msg.content == "exit":            break

复制代码

然后在终端执行以下命令启动 Gradio UI:

as_gradio {path_to_your_python_code}

复制代码

最后，您可以访问 Gradio UI，如下所示:

自定义可视化

自定义可视化主要分为两个组成部分

消息显示：将智能体中 speak 函数打印的输出转发到需要显示的地方
用户输入：将 UserAgent 中的 ** 输入操作 ** 转移到目标平台，这样用户可以从目标平台进行输入

上述两个操作分别是通过 AgentScope 中的钩子函数 pre_speak_hook，以及 UserAgent 中的 override_input_method 完成（AgentScope 中的 Studio 和 Gradio 也是通过同样的方法实现）。

更多内容参考文档：自定义可视化

2. AgentScope Workstation

2.1 Workstation

首先确保您已安装最新版本的 AgentScope。

执行以下 Python 代码来启动 AgentScope Studio：

import agentscopeagentscope.studio.init()

复制代码

或在终端中运行以下 bash 命令：

然后访问 https://127.0.0.1:5000 进入 AgentScope Studio，并点击侧边栏中的 Workstation 图标进入。

中央工作区：您可以在这个主要区域拖拽组件来构建应用程序。
顶部工具箱：用于导入、导出、检查和运行您的应用程序。

内置示例

对于初学者，我们强烈建议从预构建的示例开始。您可以直接单击示例将其导入到中央工作区。或者，为了获得更加结构化的学习体验，您也可以选择跟随每个示例链接的教程。这些教程将一步步指导如何在 AgentScope Workstation 上构建多智能体应用。

构建应用
要构建应用程序，请执行以下步骤：
选择并拖拽组件：从侧边栏中单击并拖拽所选组件到中央工作区。
连接节点：大多数节点都有输入和输出点。单击一个组件的输出点并拖拽到另一个组件的输入点，以创建消息流管道。这样不同的节点就可以传递消息。
配置节点：将节点放入工作区后，单击任意一个节点来填写其配置设置。您可以自定义提示、参数和其他属性。
运行应用

构建完应用程序后，单击 "运行" 按钮。在运行之前，Workstation 会检查应用程序中是否有任何错误。如果有错误，系统会提示您在继续之前进行修正。之后，您的应用程序将在与 AgentScope Studio 相同的 Python 环境中执行，您可以在 Dashboard 中找到它。

导入 / 导出应用

Workstation 支持导入和导出您的应用程序。单击 "导出 HTML" 或 "导出 Python" 按钮可生成代码，您可以将其分发给社区或本地保存。如果要将导出的代码转换为 Python 代码，可以使用以下命令将 JSON 配置编译为 Python 代码：

# 编译as_workflow config.json --compile ${YOUR_PYTHON_SCRIPT_NAME}.py

复制代码

如果您想直接运行本地配置，可以使用以下命令：

# 运行as_gradio config.json

复制代码

想要进一步编辑您的应用程序吗？只需单击 "导入 HTML" 按钮，将以前导出的 HTML 代码重新上传到 AgentScope Workstation 即可。

检查应用
构建应用程序后，您可以单击 "检查" 按钮来验证应用程序结构的正确性。将执行以下检查规则：
模型和智能体存在检查：每个应用程序必须至少包含一个模型节点和一个智能体节点。
单连接策略：每个组件的每个输入不应该有多于一个连接。
必填字段验证：所有必填输入字段都必须填写，以确保每个节点都有正确运行所需的参数。
配置命名一致性：智能体节点使用的 "模型配置名称" 必须与模型节点中定义的 "配置名称" 相对应。
适当的节点嵌套：像 ReActAgent 这样的节点应该只包含工具节点。同样，像 IfElsePipeline 这样的管道节点应该包含正确数量的元素（不超过 2 个），而 ForLoopPipeline、WhileLoopPipeline 和 MsgHub 应该遵守只有一个元素的规则（必须是 SequentialPipeline 作为子节点）。

2.2 快速使用

案例教学
自动转化代码
点击运行后可以在Dashboard查看效果

发布于: 1 小时前阅读数: 7

原文链接:【http://xie.infoq.cn/article/d6dca8f899bb4035e935214d6】。

汀丶人工智能

关注

本博客将不定期更新关于NLP等领域相关知识 2022-01-06 加入

本博客将不定期更新关于机器学习、强化学习、数据挖掘以及NLP等领域相关知识，以及分享自己学习到的知识技能，感谢大家关注！

发布

暂无评论

创作场景

掌握 Multi-Agent 实践 (一)：使用 AgentScope 实践入门和 Workstation 上手指南

1.实践上手 AgentScope

1.1 安装

1.2 配置模型

1.3 初始化，创建 dialog_agent

1.4 创建 user_agent

1.5 UI 可视化

AgentScope Studio

Gradio

自定义可视化

2. AgentScope Workstation

2.1 Workstation

2.2 快速使用

汀丶人工智能

评论