agentscope

基于A2A + AgentScope + Nacos 构建分布式高可用异构 Agent 方案随着现在 Agent 的需求爆发，一个现实问题浮出水面，智能体们各自为政，难以协同。如一个典型的企业环境中，核心业务团队可能喜欢使用Java来开发服务，算法团队则偏爱Python来实现算法，不同的技术栈天然形成了协作壁垒。更棘手的是，各类Agent框架如：LangChain、AutoGPT、AgentScope等，各有各的接口规范和通信协议。当一个智能体需要调用另一个智能体时，开发者往往需要编写大量适配代码来处理协议转换、参数映射和错误处理，导致集成成本升高且维护困难。

【AgentScope】6.文件系统（Filesystem）详解文件系统是 Agent 的"文件柜"——它决定了 Agent 的文件存在哪里：是本机磁盘、远程存储，还是隔离的沙箱环境。

【AgentScope】4.会话（Session）详解会话管理就是让 AI Agent 记住"上次聊到哪了"，实现跨请求、跨进程、多用户的状态恢复。详见学习指南。此外需了解工作空间（Workspace）的文件存储基本结构和 JSONL 文件格式。

【AgentScope】3. 工作空间（Workspace）详解工作空间是 Agent 的"办公桌"——人格、记忆、知识、技能都以文件形式存放在这里，每次"上班"自动加载，每次"下班"自动保存。

【AgentScope】1. HarnessAgent 总览详解HarnessAgent 就是给"只有金鱼记忆的 AI 助手"装上一整套工程化装备——记忆系统、会话管理、上下文控制——让它能像一个靠谱的员工一样长期稳定工作。

小码农叔叔

【AI智能体】AgentScope Java 整合SpringBoot 实战操作详解目录一、前言二、Java开发者为什么要关注AgentScope？三、AgentScope Java 基本介绍

AgentScope Java 入门：如何使用 DashScopeChatModel 集成百练模型在上一篇文章中，我们搭建了第一个 ReAct 智能体，让它能思考、能行动。但 Agent 的能力上限取决于它的"大脑"——大语言模型。推理能力、工具调用能力、多模态理解能力，都由底层模型决定。

AgentScope Java 入门：如何使用 OpenAIChatModel 集成兼容 OpenAI 协议模型在上一篇文章中，我们详细介绍了如何使用 DashScopeChatModel 集成阿里云百炼平台。本篇将聚焦另一个更通用的模型集成方式——OpenAIChatModel。

Agent应用实践之四 - 基础：AgentScope-SpringBoot集成源码解析AI 大模型飞速进化，不懂 AI、不会用 Agent 的程序员，正在慢慢被行业淘汰。现在 AI 新技术迭代快到离谱：RAG 还没学明白，MCP 接踵而来；工具刚上手，Skills、各类新 Agent 概念又轮番刷屏；Manus还没看懂，就出来OpenClaw，OpenClaw热度还没退，又出来Hermes。越追越乱、越学越焦虑，永远在被动跟风，陷入学不完、跟不上、用不上的内耗。其实焦虑的根本原因，不是新技术太多，而是不懂大模型 Agent 应用底层原理，只会零散跟风，没有通用方法论。

AgentScope Java 入门：搭建第一个 ReAct 智能体在上一篇文章中，我们完成了 AgentScope Java 的安装与环境配置。接下来，我们将创建第一个能思考、能行动的 ReAct 智能体。AgentScope Java 的核心是 ReActAgent——基于 ReAct（Reasoning + Acting）范式构建的通用智能体。它不是"一问一答"的聊天机器人，而是一个能自主推理、调用工具、观察结果、迭代优化的自主系统。

agentscope-harness vs solon-ai-harness：Java 智能体「马具引擎」的双雄对决2026 年，Java AI 智能体开发领域正在经历一场「运行时层」的竞赛。阿里系的 AgentScope Java 和杭州无耳的 Solon AI 框架，分别交出了各自对「AI Agent Harness」的理解答卷。本文从架构设计、功能覆盖、开发者体验三个维度，对两者进行深度对比分析。

带刺的坐椅

agentscope-harness vs solon-ai-harness：Java 智能体「马具引擎」的双雄对决2026 年，Java AI 智能体开发领域正在经历一场「运行时层」的竞赛。阿里系的 AgentScope Java 和杭州无耳的 Solon AI 框架，分别交出了各自对「AI Agent Harness」的理解答卷。本文从架构设计、功能覆盖、开发者体验三个维度，对两者进行深度对比分析。

AgentScope Java 入门系列：Spring AI Alibaba 与 AgentScope 的定位与区别阿里团队早期开源了 Apache Dubbo 和 Spring Cloud Alibaba，因此较深刻的理解应用开发框架对加速开发应用所起到的不可替代的作用。

AgentScope Java 入门：如何安装 AgentScopeAgentScope Java 支持多种模型、RAG 后端和扩展功能，各自需要不同的第三方 SDK。把所有依赖打包到一起会让项目变得臃肿，所以我们提供了两种引入方式：

西门吹雪分身

AgentScope使用之模型记忆长短期记忆 AgentScope中两类记忆的交互方式 AgentScope智能上下文记忆管理 AgentScope的AutoContextMemory 实现短期记忆一些拓展参数的配置长期记忆实现的核心算法以及流程 AgentScope接入Reme AgentScope自定义实现长期记忆 AgentScope的简单的结构化输出演示样例复杂结构的输出

AgentScope AutoContextMemory：告别 Agent 上下文焦虑作者：翼严你是否遇到过这样的场景：构建了一个智能 Agent，能够与用户进行多轮对话，处理复杂的任务。但随着对话的深入，你发现了一个严重的问题——

多智能体（Multi-Agent）系统在人工智能中的应用与发展目录一、什么是多智能体（Multi-Agent）二、Multi-Agent项目示例（一）MetaGPT项目

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。