文档备案控制台登录立即注册
首页文章问答视频活动下载资源团队号镜像站
发布

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

汀丶人工智能
汀丶人工智能
AI
大模型向量数据库机器学习

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

picture.image

在这里插入图片描述

  • 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


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

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')}",  
}

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",  
}  
}
  • 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"  }  }  ]

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")

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）  
)

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()  



  
 
 
   
  
# start the conversation between user and assistant  
x =None  
while x isNoneor x.content !="exit":  
    x = dialog\_agent(x)  
    x = user\_agent(x)

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。

picture.image

在这里插入图片描述

  • 首先需要安装 npm

  
 
 
   
  
# MacOS  
brew install node  
  
# Ubuntu  
sudo apt update  
sudo apt install nodejs npm  
  
# Windows 请访问 https://nodejs.org/ 进行安装

通过以下命令进行安装


  
 
 
   
  
npm install -g @agentscope/studio
  • 在命令台通过如下命令启动

  
 
 
   
  
as\_studio

picture.image

在这里插入图片描述

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 AgentScopeStudio 地址  
)  
  
# ...

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, UserAgent  
import 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Agent  
dialog\_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 assistant  
x =None  
while x isNoneor x.content !="exit":  
    x = dialog\_agent(x)  
    x = user\_agent(x)

picture.image

在这里插入图片描述

picture.image

在这里插入图片描述

Gradio

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


  
 
 
   
  
# From pypi  
pip install agentscope[full]  
  
# From source code  
cd agentscope  
pip install .[full]

之后，请确保您的应用程序被封装在一个 main 函数中。


  
 
 
   
  
from agentscope.agentsimportDialogAgent,UserAgent  
import 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  
whileTrue:  
        msg =agent(msg)  
        msg =user(msg)  
if msg.content=="exit":  
break

然后在终端执行以下命令启动 Gradio UI:


  
 
 
   
  
as\_gradio {path\_to\_your\_python\_code}

最后，您可以访问 Gradio UI，如下所示:

picture.image

自定义可视化

自定义可视化主要分为两个组成部分

  1. 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
  2. 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

  1. 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 agentscope  
agentscope.studio.init()

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。

picture.image

  • 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

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

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

picture.image

在这里插入图片描述

  • 自动转化代码

picture.image

在这里插入图片描述

点击运行后可以在 Dashboard 查看效果

0
0
0
0
关于作者
汀丶人工智能
汀丶人工智能
关于作者
汀丶人工智能
汀丶人工智能

文章

0

获赞

0

收藏

0

相关资源
火山引擎大规模机器学习平台架构设计与应用实践
围绕数据加速、模型分布式训练框架建设、大规模异构集群调度、模型开发过程标准化等AI工程化实践，全面分享如何以开发者的极致体验为核心，进行机器学习平台的设计与实现。
点击下载 
相关产品
推荐阅读
AI 调教指南！一文教会你如何在 Trae IDE 中配置自定义规则
因果机器学习：如何在不依赖领域知识的情况下构建因果图并定义因果关系
非计算机专业 0 门槛上手 Trae｜知识库精选
期刊复现：基于XGBoost模型的网页工具SHAP力图解释单样本预测结果
详解 Minus AI: 迈向AGI新纪元？
评论
未登录
看完啦，登录分享一下感受吧～
暂无评论