AgentScope Java 1.0 发布：赋能企业级智能体应用开发与生产落地

关注

原创 2025-12-15 17:46:11 929 阅读 AI 写同款· GEO 优化 ›

作者：亦盏

AgentScope 简介

AgentScope 是阿里巴巴推出的一款以开发者为核心，专注于智能体开发的开源框架，是继 ModelScope（魔搭社区）后在 Agent 层的战略产品。它的核心目标是解决智能体在构建、运行和管理中的难题，提供一套覆盖“开发、部署、调优”全生命周期的生产级解决方案，让智能体应用的开发更简单、运行更稳定、效果更卓越。

近期 AgentScope 迎来了 12 月版本的重大更新，这是一次面向生产级智能体应用的基建大升级，让智能体从“实验室原型”走向“业务落地”。本次更新围绕三大核心主线： 开箱即用的智能体，即刻赋能多种真实场景；基建增强让智能体“变聪明”的底层能力全面升级；运行时 × 多语言 × 前端，三位一体交付生产就绪的智能体。

一直以来，Java 语言在金融、政务、电商等领域开发中都占着主导地位，开发者社区对于 AgentScope Java 版本的呼声也非常高，AgentScope 本次也重磅发布了 Java 的 1.0 版本，拥抱企业开发主流技术栈。

AgentScope Java 1.0 重磅发布

今天，我们很高兴地宣布 AgentScope Java 1.0 版本正式发布了，面向 Java 开发者提供企业级 Agentic 应用构建的能力。

首先在开发范式上， AgentScope 采用领先的 ReAct（推理-行动）模式，支持高效的工具调用，并允许开发者对 Agent 执行过程进行实时介入，实现了自主性与可控性的完美平衡。

其次，它提供了开箱即用的企业级能力。 框架提供安全沙箱保障代码执行安全，通过精细的上下文工程优化模型交互效果。作为 Java 框架，它易于集成到现有企业技术栈中，并具备高性能架构，确保生产环境的稳定可靠。

最后，它拥有完善的开发与优化生态。 提供从开发态可视化调试、A/B 测试到评估与强化学习的完整工具链，构成了 Agent 开发、部署、调优的闭环，助力持续提升 Agent 效果。

领先的开发范式

在构建复杂的 AI Agent 应用时，开发者普遍面临众多挑战：僵化的工作流难以适应多变的任务、运行中的Agent 无法实时干预、海量工具导致管理混乱与性能瓶颈、模型输出格式不稳定等等。如何系统性地解决这些痛点，是提升开发效率和应用稳定性的关键。AgentScope 采用领先的 ReAct 范式，赋予 LLM 自主规划能力，并提供实时介入控制、高效的工具调用体系。此外，它还内置任务规划、结构化输出等强大工具，支持高效开发生产级应用。

领先的 ReAct 范式，赋予Agent自主规划能力。
1. 工作流（Workflow）模式：在这种模式下，LLM 与工具（Tool）的协作路径由开发者预先定义，开发者对系统的执行流程有完全的控制权，这保证了任务执行的稳定性和确定性。但是他的缺点是架构僵化，当业务逻辑变得复杂时，维护成本激增，而且无法享受 LLM 持续进化所带来的能力提升。
2. ReAct 范式：与 Workflow 相反，ReAct 赋予了 LLM 自主控制权。LLM 扮演大脑的角色，能够动态地进行推理（Reasoning）和规划，自主决定何时、如何调用工具来执行操作（Action），从而主导任务的完成。随着 LLM 在理解、规划和工具使用等关键能力上日趋成熟，这种高度自主的 Agent 架构已成为复杂应用场景下的首选。
实时的介入控制，让 Agent 运行全程可控。传统 Agent 一旦启动便无法安全干预，AgentScope 基于异步架构，实现了强大的实时介入机制。
1. 安全中断：支持随时暂停 Agent，并自动保存其上下文和工具状态，确保任务能无缝恢复。
2. 实时打断：当任务偏离预期或耗时过长时，用户可立即终止，避免资源浪费。
3. 灵活定制：开发者可以自定义中断处理逻辑，实现更精细化的管理。
高效的工具调用，随着可调用工具数量的激增，Agent 面临着工具管理复杂、执行效率低、上下文紧张的问题。AgentScope 构建了一套高效、可靠的工具管理体系。
1. 工具注册：提供标准化的注册接口，支持自动提取工具的 JSON Schema，提供参数预设和工具函数后处理接口，降低集成门槛。
2. 便捷管理：AgentScope 通过结构化的组织方式和动态控制机制来高效支持工具的使用。工具组（Tool Group）按照功能对工具进行分类（例如浏览器、地图服务等），使 Agent 能够根据当前任务按需激活相关工具，从而有效缓解上下文窗口的压力；元工具（Meta-Tool）允许 Agent 在运行时动态启用或停用整个工具组，实现更加智能化的工具管理。
3. 高效执行：采用统一接口处理所有工具调用，无论同步、异步或流式输出，在 AgentScope 中将被统一为异步流式返回，降低工具函数返回的处理复杂度。同时支持工具的并行调用，大幅提升运行效率。
强大的内置工具：AgentScope 内置了许多开箱即用的强大工具，开箱即用，加速生产级应用开发。
1. PlanNoteBook 工具提供了强大的任务规划与执行能力。支持开发者手动定义结构化计划，也允许 Agent 在运行时自主创建和管理计划。通过 PlanNotebook 提供完整的计划管理功能，包括创建、修改、暂停、恢复和切换多个计划，引导 Agent 有序执行复杂计划。
2. 结构化输出：传统的做法是在 Prompt 中写格式要求，要求模型“请按照以下 JSON 格式输出”，不断尝试和优化提示词，经常需要在外部代码中做二次解析和格式校验。AgentScope 通过内置工具确保 LLM 的输出严格遵循预定义的 JSON 格式，彻底告别繁琐的提示词调试和二次解析。

企业级能力

AgentScope 提供了安全工具沙箱和上下文工程能力，解决了安全与效果的核心痛点，确保 Agent 的输出效果满足生产标准。依托于 Java 在企业应用开发市场的强大生态，通过标准的 A2A 和 MCP 协议，提供了灵活的集成与被集成方案，这使得 Agent 既能作为独立服务嵌入现有系统，也能成为连接和调度其他服务的智能中枢。开发者无需关心底层集成细节，专注于业务逻辑即可快速构建生产级 Agent 应用。最后，依托于 AgentScope Runtime 提供的能力，支持将 Agent 一键部署到阿里云百炼和函数计算平台，为您的 Agent 应用提供商业级的产品化保障。

安全沙箱
1. Agent 在执行工具调用或自动化任务时，可能访问敏感资源或引发不可控行为，需要沙箱提供安全隔离环境。AgentScope Runtime Sandbox 支持开发者将自定义工具部署在高度隔离的受控环境中安全运行，防止对系统造成意外影响或安全风险。
2. 内置多种开箱即用的沙箱：GUI 沙箱提供完整桌面环境，支持鼠标、键盘和屏幕操作；文件系统沙箱实现隔离的文件读写与管理；移动端沙箱基于 Android 模拟器，支持点击、滑动、输入和截屏等真实移动交互。兼顾了安全性、灵活性与多平台覆盖，全面支撑工具执行、浏览器自动化、训练评测等复杂场景。
上下文工程
1. RAG：内置基于 Embedding 的标准实现，支持企业在面对复杂的多元业务数据情况下，私有化部署自有的知识库体系，实现对数据的完全自主可控；集成阿里云百炼企业级知识库，借助商业化产品获得更强大的检索与重排序能力。
2. Memory：AgentScope 定义了对短期、长期记忆的抽象，支持语义搜索与多租户隔离，提供自动管理、Agent 主动调用、混合模式三种控制方式。通过 ReMe 项目提供了记忆的最佳实践方案，让 Agent 能够理解用户偏好、提升任务表现和更聪明地使用工具，显著提升业务场景下的智能问答准确性与上下文连贯性，实现越用越好用。
易于集成
1. MCP 集成：基于 AgentScope Java 开源生态，现有的 HTTP 业务系统无需改动业务逻辑代码，通过简单配置即可被 Agent 无缝集成，快速成为 Agent 可调用的“手脚”，极大地扩展了 Agent 的能力边界。
2. A2A 集成：复杂的任务通常需要多个 Agent 协同工作。AgentScope Java 支持将描述 Agent 自身能力的 Agent Card 注册到 Nacos 等服务中心，调用方 Agent 只需连接 Nacos，即可自动发现并调用其他 Agent 的能力。这使得分布式 Multi Agent 系统的构建与协作变得像调用普通微服务一样简单。
高性能
1. 轻量化：核心库仅依赖 Reactor Core、Jackson 和 SLF4J、RAG、长期记忆等能力通过可选扩展按需引入，目前基于厂商原生 SDK 实现模型调用，未来将基于 OkHttp 与 Jackson 原生实现，进一步精简内核依赖。
2. 异步化：针对 AI 应用交互具有持续时间长、多轮次上下文依赖的特点，支持引入消息队列 RocketMQ 作为异步消息中枢，实现任务解耦与非阻塞调用，提升 Agent 的吞吐能力和响应速度。
3. Native 优化：联合 JVM 团队适配了 GraalVM 和 Leyden，将 Java 应用启动速度提升 3 到 10 倍，实现了 Agent 200ms 内冷启动，为 AI 应用 Serverless 毫秒级弹性奠定基础。

强大的生态

AI 原生应用架构正在深刻重塑软件工程范式，传统软件的确定性被 Agent 的非确定性所取代，其最终效果由模型、数据和上下文共同决定，这使得传统的“代码测试”演变为复杂的“效果评估”。由于任何微小的变更都可能引发效果的剧烈波动，A/B 测试已从过去的优化选项，转变为保障版本质量的核心发布流程。软件工程重心也必须从以代码为中心转向以数据为中心，成功的关键在于构建一个高效的数据飞轮。

面对这一挑战，AgentScope 提供了 Studio、RM Gallery 和 Trinity-RFT 等一系列生态工具，结合 Higress AI 网关和可观测系统，您可以快速实践 AI 原生应用数据飞轮。

在 Agent 开发阶段，我们采用 AgentScope Studio 可视化平台对 Agent 进行实时调试与观测，显著提升了开发效率，它深度集成了 OpenTelemetry 和 LoongSuite，实现了端到端的全链路追踪。

在部署架构中，Higress 作为统一的流量入口网关，负责将外部请求路由至相应的 Agent。Agent 则通过 Higress 内置的 AI 网关能力与 LLM 通信。借助 Higress 强大的插件体系，我们可以对流量进行灵活打标，从而实现对 Agent 和 LLM 的精准路由控制。

在发布后的 A/B 测试阶段，Higress 网关能根据请求内容（如用户地理位置、业务线、付费状态等）将流量分配到不同实验组。例如，将付费用户导向 Agent 的 A 版本，免费用户导向 B 版本，以进行效果对比。同时流量的分组标签会借助可观测在整个调用链路中透传。这样，AI 网关便能根据此标签将请求路由到对应的 LLM 版本。这一机制让我们在无需修改业务代码的情况下，实现了 Agent 与 LLM 的协同 A/B 测试。

在此过程中，全链路产生的所有数据——从用户输入、Agent 的提示词（Prompt），到模型的输出、时延与成本都会上报到可观测系统中。基于 RM Gallery 的奖励函数评估 Agent 在各实验组的业务表现，并筛选沉淀高质量的数据集。随后，我们的训练框架 Trinity-RFT 会运用这些数据集和奖励模型，通过强化学习对模型进行持续迭代，不断提升其解决业务问题的能力。

最终，这形成了一个以数据为驱动的自我优化闭环。系统通过持续采集线上真实数据、分析评估效果并转化为高质量的训练数据，不断增强模型能力，构筑起坚实的技术竞争壁垒。

AgentScope Java Roadmap

上下文工程持续优化：Agent 效果不够好的原因，要么是模型能力不够强，要么是提供的上下文不准确，上下文工程是工程能力的核心。AgentScope Java 会持续深耕上下文工程，致力于构建一个更加高效、低延迟的上下文管理系统。未来开发者不需要关心上下文的技术细节，只需要专注于定义好 Agent 的功能。
实时全模态支持：大模型的边界正在从文本扩展至图像、语音乃至视频，能够与物理世界互动的具身智能产品开始进入我们的生活，AgentScope Java 会构建对实时全模态的深度支持，帮助开发者更好地开发多模态的应用，未来 Agent 不只是文本输入，完全可以通过“眼睛”、“耳朵”和“手”更好地服务用户。
评估与强化学习优化：我们已经提供了观测、评估、优化的整体解决方案，但目前评估和强化学习的门槛仍旧比较高。后续会不断通过生态集成降低门槛，开发者只需编写业务逻辑与设计奖励函数，即可借助 AgentScope 的生态工具链，让 Agent 在与用户或环境的交互中不断进化，实现真正的自我成长与迭代。

AgentScope Java 版 Github 地址：

https://github.com/agentscope-ai/agentscope-java

帮助文档：https://java.agentscope.io/en/intro.html

如果你觉得 AgentScope Java 不错，欢迎给我们的项目 Star 并加入我们开源社区，一起构建面向未来的 Agent 体系！

AgentScope Java 和 Spring AI Alibaba 有哪些不同，请查看：《Spring AI Alibaba 和 AgentScope 啥区别？》