AgentScope让 AI 智能体可见、可控3 步跑通第一个能帮你干活的助手【免费下载链接】agentscopeBuild and run agents you can see, understand and trust.项目地址: https://gitcode.com/GitHub_Trending/ag/agentscope你打开终端把一段两百行的 prompt 贴给模型它跑了两分钟吐出一段你不敢直接用的结果而且它中途调了什么工具、为什么那么做你完全看不到。AgentScope 是一个 Python 智能体框架解决的就是这类问题让智能体的推理过程、工具调用和权限控制都摆在明面上适合想亲手搭一个能执行任务的 AI 助手、又不想从零写循环和异常处理的开发者。它到底做了什么把 AgentScope 的智能体当成一个看得见的同事几个最典型的工作方式输入一句模糊目标 → 它把复杂工作拆成一条条可追踪的计划 → 输出执行过程并在每步后更新计划状态。它要执行一条 shell 命令 → 权限系统先拦下来 → 你会看到确认提示输入y临时放行一次输入a记住这条规则同类操作以后不再问。工具要跑很久 → 它把任务转到后台 → 结果出来后自动唤醒智能体对话接着往下走。直接用 LLM API用 AgentScope 智能体工具执行自己写循环、解析和异常处理内置 Shell、文件读写、搜索工具权限控制没有全靠 prompt 约束工具级确认、规则记忆、bypass 模式长任务调用卡住你得盯着自动转后台完成后唤醒多智能体协作也是它的一部分一个 leader 智能体派生出若干 worker各自拿着工具在隔离的工作空间里干活leader 用内置的团队工具协调它们。你会得到一个分工明确、进度可见的小团队而不是一大团互相喊话的 prompt。第一次打开你会经历什么从零到跑通最短路径是在终端里起一个 Console 智能体。下面这段代码做了四件事装好工具集、接上模型、创建智能体、启动终端对话完整可运行的版本在examples/console/main.py可直接复制import os from agentscope.agent import Agent from agentscope.model import DashScopeChatModel from agentscope.credential import DashScopeCredential from agentscope.tool import Toolkit, Bash, Grep, Read, Write from agentscope.console import launch_console agent Agent( nameFriday, modelDashScopeChatModel( credentialDashScopeCredential(api_keyos.environ[DASHSCOPE_API_KEY]), modelqwen3.6-plus, ), toolkitToolkit(tools[Bash(), Grep(), Read(), Write()]), ) import asyncio asyncio.run(launch_console(agent))运行后你会看到流式渲染的对话智能体的回复逐字出现每一次工具调用都会单独列出来你能看到它调了什么、返回了什么。只读工具比如列目录直接执行Write这类操作会弹出确认。CtrlC可以随时中断当前回复exit退出。它擅长什么、不擅长什么做得好的三件事任务规划输入帮我分析这个仓库的测试覆盖率它会先建任务清单再逐个文件执行你看到的是带状态变化的计划而不是一坨一次性输出。权限把关它要删文件时会停下来问你选记住规则后同类操作不再反复弹窗。你会得到一个既不失控也不烦人的确认机制assets/images/permission_bypass.gif展示了 bypass 模式下全程无人工暂停的对照效果。多智能体分工leader 派 worker 各干各的任务、进度在界面上直接可看。适合项目调研、代码审查这种需要分工的活。两个要说明的边界它不替你选模型。OpenAI、Anthropic、Gemini、通义、Ollama 等主流厂商都有适配但 API key 得你自己备模型表现的上限取决于你选的模型。服务化部署有门槛。examples/agent_service的完整 Web 服务需要 Redis 做存储、Node 20 跑前端还涉及权限模式和 MCP 配置。如果你只想在终端里试一个智能体用 Console 示例就够了别一上来就搭整套服务。最短上手路径只走一条路pip 安装加终端 Console不需要 Docker 和 Web 环境。下面依次是克隆仓库、安装依赖、设置模型密钥、启动终端示例git clone https://gitcode.com/GitHub_Trending/ag/agentscope cd agentscope uv pip install agentscope export DASHSCOPE_API_KEY你的密钥 python examples/console/main.py装好后不需要写配置文件DASHSCOPE_API_KEY是唯一必改项python examples/console/main.py --model 其他模型可以按需换模型。接下来你可以做什么入门跑一遍examples/pipeline/goal/goal_pipeline.py看一个执行者加一个验证者组成的流水线如何干到合格为止再翻一遍examples/console/README.md里列的几个值得试的指令。进阶把examples/agent_service/main.py和examples/web_ui/跑起来拿到带权限系统、定时任务、知识库的完整 Web 应用examples/long_term_memory/展示了 ReMe、Mem0 两种长期记忆接法。贡献从docs/roadmap.md和CONTRIBUTING_zh.md入手看哪些模块在招人。如果你需要的是看得见的智能体——会拆任务、会要权限、会汇报过程——AgentScope 是个务实的起点如果你只想要单轮问答或者不想在本机搭 Python 环境跑服务那它对你意义不大直接用现成 API 更省事。从examples/console/main.py跑通第一个对话开始是最省事的路线。【免费下载链接】agentscopeBuild and run agents you can see, understand and trust.项目地址: https://gitcode.com/GitHub_Trending/ag/agentscope创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 AgentScope：让 AI 智能体可见、可控，3 步跑通第一个能帮你干活的助手
AgentScope让 AI 智能体可见、可控3 步跑通第一个能帮你干活的助手【免费下载链接】agentscopeBuild and run agents you can see, understand and trust.项目地址: https://gitcode.com/GitHub_Trending/ag/agentscope你打开终端把一段两百行的 prompt 贴给模型它跑了两分钟吐出一段你不敢直接用的结果而且它中途调了什么工具、为什么那么做你完全看不到。AgentScope 是一个 Python 智能体框架解决的就是这类问题让智能体的推理过程、工具调用和权限控制都摆在明面上适合想亲手搭一个能执行任务的 AI 助手、又不想从零写循环和异常处理的开发者。它到底做了什么把 AgentScope 的智能体当成一个看得见的同事几个最典型的工作方式输入一句模糊目标 → 它把复杂工作拆成一条条可追踪的计划 → 输出执行过程并在每步后更新计划状态。它要执行一条 shell 命令 → 权限系统先拦下来 → 你会看到确认提示输入y临时放行一次输入a记住这条规则同类操作以后不再问。工具要跑很久 → 它把任务转到后台 → 结果出来后自动唤醒智能体对话接着往下走。直接用 LLM API用 AgentScope 智能体工具执行自己写循环、解析和异常处理内置 Shell、文件读写、搜索工具权限控制没有全靠 prompt 约束工具级确认、规则记忆、bypass 模式长任务调用卡住你得盯着自动转后台完成后唤醒多智能体协作也是它的一部分一个 leader 智能体派生出若干 worker各自拿着工具在隔离的工作空间里干活leader 用内置的团队工具协调它们。你会得到一个分工明确、进度可见的小团队而不是一大团互相喊话的 prompt。第一次打开你会经历什么从零到跑通最短路径是在终端里起一个 Console 智能体。下面这段代码做了四件事装好工具集、接上模型、创建智能体、启动终端对话完整可运行的版本在examples/console/main.py可直接复制import os from agentscope.agent import Agent from agentscope.model import DashScopeChatModel from agentscope.credential import DashScopeCredential from agentscope.tool import Toolkit, Bash, Grep, Read, Write from agentscope.console import launch_console agent Agent( nameFriday, modelDashScopeChatModel( credentialDashScopeCredential(api_keyos.environ[DASHSCOPE_API_KEY]), modelqwen3.6-plus, ), toolkitToolkit(tools[Bash(), Grep(), Read(), Write()]), ) import asyncio asyncio.run(launch_console(agent))运行后你会看到流式渲染的对话智能体的回复逐字出现每一次工具调用都会单独列出来你能看到它调了什么、返回了什么。只读工具比如列目录直接执行Write这类操作会弹出确认。CtrlC可以随时中断当前回复exit退出。它擅长什么、不擅长什么做得好的三件事任务规划输入帮我分析这个仓库的测试覆盖率它会先建任务清单再逐个文件执行你看到的是带状态变化的计划而不是一坨一次性输出。权限把关它要删文件时会停下来问你选记住规则后同类操作不再反复弹窗。你会得到一个既不失控也不烦人的确认机制assets/images/permission_bypass.gif展示了 bypass 模式下全程无人工暂停的对照效果。多智能体分工leader 派 worker 各干各的任务、进度在界面上直接可看。适合项目调研、代码审查这种需要分工的活。两个要说明的边界它不替你选模型。OpenAI、Anthropic、Gemini、通义、Ollama 等主流厂商都有适配但 API key 得你自己备模型表现的上限取决于你选的模型。服务化部署有门槛。examples/agent_service的完整 Web 服务需要 Redis 做存储、Node 20 跑前端还涉及权限模式和 MCP 配置。如果你只想在终端里试一个智能体用 Console 示例就够了别一上来就搭整套服务。最短上手路径只走一条路pip 安装加终端 Console不需要 Docker 和 Web 环境。下面依次是克隆仓库、安装依赖、设置模型密钥、启动终端示例git clone https://gitcode.com/GitHub_Trending/ag/agentscope cd agentscope uv pip install agentscope export DASHSCOPE_API_KEY你的密钥 python examples/console/main.py装好后不需要写配置文件DASHSCOPE_API_KEY是唯一必改项python examples/console/main.py --model 其他模型可以按需换模型。接下来你可以做什么入门跑一遍examples/pipeline/goal/goal_pipeline.py看一个执行者加一个验证者组成的流水线如何干到合格为止再翻一遍examples/console/README.md里列的几个值得试的指令。进阶把examples/agent_service/main.py和examples/web_ui/跑起来拿到带权限系统、定时任务、知识库的完整 Web 应用examples/long_term_memory/展示了 ReMe、Mem0 两种长期记忆接法。贡献从docs/roadmap.md和CONTRIBUTING_zh.md入手看哪些模块在招人。如果你需要的是看得见的智能体——会拆任务、会要权限、会汇报过程——AgentScope 是个务实的起点如果你只想要单轮问答或者不想在本机搭 Python 环境跑服务那它对你意义不大直接用现成 API 更省事。从examples/console/main.py跑通第一个对话开始是最省事的路线。【免费下载链接】agentscopeBuild and run agents you can see, understand and trust.项目地址: https://gitcode.com/GitHub_Trending/ag/agentscope创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考