Hello AgentScope Java

作者：远云

随着 LLM 应用的飞速发展，越来越多的 Agent 应用开始走近每个人。围绕着 Agent 应用的核心，目前业界有零代码、低代码和高代码三条主流的技术路线。AgentScope 作为 Python 社区中受到广泛应用的高代码框架，在 Java 生态下的需求也越来越大。

今天，我们很高兴地宣布AgentScope Java v0.2 版本正式发布了，具备了所有核心的 ReActAgent 的能力。

第一性原则：透明度

AgentScope 的首要设计目标是对开发者透明。

当下，许多 Agent 框架将底层的调度进行了深度的封装，这固然会给用户带来一些概念上的简化，但是也带来了遇到问题时排查的复杂度。AgentScope 不同：

Prompt Engineering：用户可以自己修改所有提示词相关的内容。
API 调用：每一次 API 调用都能够被定位。
Agent 构建：所有 Agent 的配置都来自用户确定性的配置。
决策过程：Agent 的推理、执行过程都可以通过 Hook 对外暴露。

三分钟构建一个智能体

以下是一个简单的智能体示例：

Maven 依赖

<dependency> <groupId>io.agentscope</groupId> <artifactId>agentscope-core</artifactId> <version>0.2.1</version> </dependency>

ReActAgent

public class HelloAgentScope { public static void main(String[] args) { // 创建 ReActAgent ReActAgent agent = ReActAgent.builder() .name("Assistant") .model(DashScopeChatModel.builder() .apiKey(System.getenv("DASHSCOPE_API_KEY")) .modelName("qwen3-max") .build()) .build(); // 调用智能体 Msg response = agent.call( Msg.builder() .role(MsgRole.USER) .content(TextBlock.builder() .text("你好，请介绍一下自己") .build()) .build() ).block(); System.out.println(response.getTextContent()); } }

至此，一个 Agent 就构建完成了。在这个示例中，ReActAgent是 AgentScope 的核心，我们后面几乎所有的功能都是基于它的。

架构概览

和 Python 版本类似，AgentScope Java 采用分层架构：

基础组件层（Foundational Components）

Message：统一的消息抽象对象，通过一套数据结构支持文本、图像、音频、视频。

Model API：支持 DashScope、OpenAI 等主流模型提供商。通过 Formatter 机制屏蔽不同模型提供商的格式差异。

Tool：允许用户定义工具给 LLM 使用，支持同步/异步、流式/非流式等 API 风格。

智能体基础设施层（Agent-level Infrastructure）

ReAct 范式：核心 Agentic 实现，通过推理（Reasoning）再行动（Acting）的迭代循环。

Agent Hooks：运行于 ReActAgent 内部，允许用户对 Agent 执行的过程进行监测、修改。

状态管理：会话持久化组件，支持用户对话状态的保存和恢复。

多智能体协作层（Multi-Agent Cooperation）

MsgHub：支持多个 Agent 之间共享消息，实现多 Agent 沟通协作的工具。

Pipeline：组合多个 Agent 按照特定（顺序、并行等）策略执行的工具。

部署层（Deployment）

AgentScope Runtime：解决分布式部署与安全隔离问题的企业级运行时基础设施，提供工具运行沙箱、A2A 协议、远程部署等能力。

AgentScope Studio：提供开发阶段到运行阶段的可视化调试、观测能力，为开发者从 0 到 1 的开发提速。

Reasoning and Acting

ReAct（Reasoning and Acting）是 AgentScope 最核心的实现范式。其设计思路很简单：将思考和执行分离，通过迭代循环解决问题。

工作原理

Reasoning（推理）阶段：Agent 会基于当前的上下文分析，决定下一步行动：

理解用户意图
评估已有信息（上下文）
确定需要调用的工具及参数

Acting（行动）阶段：执行 Reasoning 阶段所需的获取数据行为。

并行执行工具调用
收集执行结果
将结果计入记忆

迭代控制：ReActAgent 会不断执行 Reasoning 和 Acting 的迭代，如果模型在最大迭代轮内完成迭代则会正常结束，如果未完成则会触发 summary 的能力，进行会话总结。

为 ReActAgent 添加工具

为了让 ReActAgent 真正可以实现 Acting，需要为 ReActAgent 添加对应的工具。

这里以一个 Weather Assistant 为例子：

// 定义工具类 public class WeatherTools { @Tool(description = "获取指定城市的天气信息") public String getWeather( @ToolParam(name = "city", description = "城市名称") String city) { // 实际应用中调用天气 API return String.format("%s：晴天，气温 25 ℃", city); } } // 注册工具 Toolkit toolkit = new Toolkit(); toolkit.registerTool(new WeatherTools()); // 构建带工具的 ReActAgent ReActAgent agent = ReActAgent.builder() .name("WeatherAssistant") .sysPrompt("你是一个天气助手，可以查询城市天气信息。") .model(DashScopeChatModel.builder() .apiKey(System.getenv("DASHSCOPE_API_KEY")) .modelName("qwen3-max") .build()) .toolkit(toolkit) .build(); // 调用智能体 Msg response = agent.call( Msg.builder() .role(MsgRole.USER) .content(TextBlock.builder() .text("北京今天天气如何？") .build()) .build() ).block();

执行流程：

用户问题：北京今天天气如何？ ↓ [推理] 需要查天气，决定调用 getWeather("北京") ↓ [行动] 执行工具 → "北京：晴天，气温 25℃" ↓ [推理] 已获取信息，生成回答 ↓ 回答：根据查询结果，北京今天晴天，气温 25℃

ReActAgent 核心特性

除了基础的 Reasoning 和 Acting 能力，AgentScope 的 ReActAgent 还具备多个特性。

1. 多模态消息支持

ReActAgent 可以处理多模态输入，不限于纯文本：

// 创建支持视觉的 ReActAgent（使用视觉模型） ReActAgent visionAgent = ReActAgent.builder() .name("VisionAssistant") .model(DashScopeChatModel.builder() .apiKey(System.getenv("DASHSCOPE_API_KEY")) .modelName("qwen3-vl-plus") // 视觉模型 .build()) .build(); // 发送包含图片的消息 Msg response = visionAgent.call( Msg.builder() .role(MsgRole.USER) .content(List.of( TextBlock.builder().text("请分析这张图片的内容").build(), ImageBlock.builder().source(URLSource.builder().url("https://example.com/image.jpg").build()).build() )) .build() ).block();

支持的多模态内容类型：TextBlock、ImageBlock、AudioBlock、VideoBlock。

2. 钩子机制

为 ReActAgent 添加钩子，监控和扩展其行为。这里以前文中用到的 WeatherAssistant 为例子添加钩子，实时看到智能体的思考和执行过程：

// 定义调试钩子，显示完整的 ReAct 执行过程 Hook debugHook = new Hook() { @Override public <T extends HookEvent> Mono<T> onEvent(T event) { try { switch (event) { case PreReasoningEvent e -> { System.out.println("\n[推理] 智能体开始思考..."); } case PostReasoningEvent e -> { System.out.println("[推理] 推理结果：" + new ObjectMapper().writeValueAsString(e.getReasoningMessage())); } case PostActingEvent e -> { System.out.println("[行动] 执行工具 → " + new ObjectMapper().writeValueAsString(e.getToolResult())); } case PostCallEvent e -> { System.out.println("[推理] 已获取信息，生成回答"); System.out.println("回答：" + e.getFinalMessage().getTextContent()); } default -> {} } ; } catch (JsonProcessingException e) { ... } return Mono.just(event); } }; // 将钩子添加到 WeatherAssistant ReActAgent weatherAgent = ReActAgent.builder() .name("WeatherAssistant") .sysPrompt("你是一个天气助手，可以查询城市天气信息。") .model(DashScopeChatModel.builder() .apiKey(System.getenv("DASHSCOPE_API_KEY")) .modelName("qwen3-max") .build()) .toolkit(toolkit) // 前文中定义的 Toolkit .hook(debugHook) // 添加调试钩子 .build(); // 查询天气 Msg response = weatherAgent.call( Msg.builder() .role(MsgRole.USER) .content(TextBlock.builder() .text("北京今天天气如何？") .build()) .build() ).block(); // 输出示例： // [推理] 智能体开始思考... // [推理] 推理结果：{"id":"xxx","name":"WeatherAssistant","role":"ASSISTANT","content":[{"type":"tool_use","id":"call_xxx","name":"getWeather","input":{"city":"北京"},"content":null}],"metadata":null,"timestamp":"xxx"} // [行动] 执行工具 → {"type":"tool_result","id":"call_xxx","name":"getWeather","output":[{"type":"text","text":"\"北京：晴天，气温 25 ℃\""}],"metadata":{}} // [推理] 智能体开始思考... // [推理] 推理结果：{"id":"xxx","name":"WeatherAssistant","role":"ASSISTANT","content":[{"type":"text","text":"北京今天天气晴朗，气温为25℃。建议外出时注意防晒，祝您拥有愉快的一天！"}],"metadata":null,"timestamp":"xxx"} // [推理] 已获取信息，生成回答 // 回答：北京今天天气晴朗，气温为25℃。建议外出时注意防晒，祝您拥有愉快的一天！

3. 会话持久化

保存和恢复 ReActAgent 的状态：

// 创建 ReActAgent ReActAgent agent = ReActAgent.builder() .name("PersistentAgent") .model(DashScopeChatModel.builder() .apiKey(System.getenv("DASHSCOPE_API_KEY")) .modelName("qwen3-max") .build()) .memory(new InMemoryMemory()) .build(); // 保存会话 SessionManager.forSessionId("session-001") .withJsonSession(Path.of("./sessions")) .addComponent(agent) .saveSession(); // 下次启动时恢复 SessionManager.forSessionId("session-001") .withJsonSession(Path.of("./sessions")) .addComponent(agent) .loadIfExists(); // agent 现在恢复到了之前的状态，可以继续对话

4. 结构化输出

让 ReActAgent 返回类型安全的结构化数据：

// 定义输出结构 public class WeatherReport { public String city; public int temperature; public String condition; public List<String> suggestions; } // ReActAgent 调用时指定输出类型 Msg response = agent.call( Msg.builder() .role(MsgRole.USER) .content(TextBlock.builder() .text("分析北京的天气并给出建议") .build()) .build(), WeatherReport.class // 指定结构化输出类型 ).block(); // 提取结构化数据 WeatherReport report = response.getStructuredData(WeatherReport.class); System.out.println("城市: " + report.city); System.out.println("温度: " + report.temperature);

避免了文本解析的不确定性，编译期就能发现类型错误。

5. 多智能体协作

多个 ReActAgent 可以通过 Pipeline 协作：

// 创建模型配置 DashScopeChatModel model = DashScopeChatModel.builder() .apiKey(System.getenv("DASHSCOPE_API_KEY")) .modelName("qwen3-max") .build(); // 创建多个 ReActAgent ReActAgent dataCollector = ReActAgent.builder() .name("DataCollector") .model(model) .build(); ReActAgent dataAnalyzer = ReActAgent.builder() .name("DataAnalyzer") .model(model) .build(); ReActAgent reportGenerator = ReActAgent.builder() .name("ReportGenerator") .model(model) .build(); // 顺序执行：智能体依次处理 Msg result = Pipelines.sequential( List.of(dataCollector, dataAnalyzer, reportGenerator), inputMsg ).block(); // 并行执行：多个智能体同时处理 List<Msg> results = Pipelines.fanout( List.of(dataCollector, dataAnalyzer, reportGenerator), inputMsg ).block();

Roadmap

AgentScope Java 自 2025 年 9 月开源以来，当前 v0.2 版本已具备 ReActAgent 核心能力。

我们计划于 11 月底发布 v1.0 版本，届时将新增 RAG、Plan、Tracing、Evaluation 及 Studio 等全套功能，标志着框架正式生产可用；Runtime v1.0 也将同步上线，提供涵盖安全沙箱、A2A Agent 在内的企业级落地方案。随后在 12 月，我们将进一步推出基于 ReMe 的上下文管理与基于 Trinity-RFT 的强化学习最佳实践。

在技术演进层面，我们正持续探索更高效、智能的上下文工程与多 Agent 协同范式，致力于支撑更强大的 AI 应用构建。此外，针对 Agent 流量呈现的“二八定律”特征（头部 20% 的 Agent 承载了 80% 的流量），我们在架构上全力推进 Serverless 化，通过实现毫秒级冷启动与混合部署，帮助开发者在应对高并发的同时，显著降低部署成本并提升效率。