agentscope

LLM - AgentScope + Mem0 搭建实战可用的 AI Agent 记忆系统在真实业务里，LLM 的“无记忆”会非常致命：它只看得到当前上下文窗口内的内容，看不到更久远的历史，也无法跨会话记住用户是谁、喜欢什么、做过什么。当对话变长、任务变复杂、用户希望个性化体验时，没有记忆系统的 Agent 会暴露出三类典型问题。

AgentScope Java 核心架构深度解析AgentScope Java 是一个面向生产环境的智能体编程框架，它巧妙地将大语言模型的推理能力、工具调用、记忆管理和多智能体协作整合在一起。本文将从架构设计者的视角，深入剖析这个框架的核心机制，看看它是如何让开发者用几行代码就能构建出具备自主决策能力的 AI 智能体的。我们会从 ReAct 推理循环、工具系统、记忆管理、多智能体协作和生产就绪特性这五个维度，逐一拆解其实现原理。

AgentScope深入分析-设计模式与架构决策分分析AgentScope 的设计体现了深厚的工程智慧。本文将深入分析框架中使用的设计模式、架构决策，以及这些设计背后的考量。你会发现，框架大量使用了模板方法模式、策略模式、观察者模式、元类模式等经典设计模式，同时做出了许多巧妙的架构决策，如模型无关设计、状态与初始化分离、消息作为统一接口等。通过阅读本文，你会理解这些设计如何让框架变得灵活、可扩展、易维护，以及如何在你的项目中应用这些设计思想。

大模型开发 - AgentScope Java v1.0 深度解读在大模型（LLM）技术狂飙突进的这两年，Java 社区似乎显得有些沉默。当 Python 凭借 LangChain、AutoGPT 成为 AI 原生应用的首选语言时，占据全球企业后端半壁江山的 Java 开发者们面临着一个尴尬的现实：核心业务数据、复杂的微服务架构、严苛的安全合规要求都在 Java 栈上，但 AI 的“大脑”却游离在体系之外。

我是有底线的