AgentScope Java v1.0 正式发布：让 Agentic 应用开发更简单

AgentScopeJavav1.0正式发布让Agentic应用开发更简单 CONTENT目录 AgentScope介绍01 AgentScope核心竞争力02 01AgentScope介绍 AgentScope概览 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在AIAgent领域的战略级产品。 02AgentScope核心竞争力让AI走进现实不再困难 打造好用Agent的挑战/痛点 100-> 10000（后训练）怎么让Agent变得聪明？ 1-> 100（部署）应该怎么发布、部署？ 如何开发Agent？ 核心竞争力让AI走进现实不再困难 应该怎么发布、部署？ 怎么让Agent变得聪明？ 如何开发Agent？ 易于开发一个好Agent 越用越好用 开箱即生产就绪 实时介入控制高效工具调用强大的内置工具 A/BTestRM-GalleryTrinity-RFT强化学习 上下文工程易于集成高性能 2.1领先的开发范式从0到1：如何开发Agent？ 开发Agent的挑战/痛点 开发Agent的挑战/痛点 开发Agent的挑战/痛点 开发Agent的挑战/痛点 开发Agent的挑战/痛点 ReAct范式-Agent开发框架的演进 身的流程和工具使用，对如何完成目标任务保持控制权 ReAct范式–简单且易于理解 Re-Act范式：先分析当前的场景，制定后续计划；然后根据思考结果，采取具体行动；最后得出结果优势： •简单：和人的思考逻辑一样，易于理解 •可扩展：核心流程上支持灵活的自定义扩展•易于对模型进行评估、训练以提升效果 领先的开发范式-实时介入控制 工具执行时间过长，用户希望主动打断 推理打断模型流式输出过程中，用户发现模型的思考出现问 题，希望主动介入修正模型的思考 执行中的Agent进行打断 用户介入以后继续执行 领先的开发范式-高效工具调用 MetaTool 工具数量爆炸：随着用户的任务复杂度的提升，需要暴露给LLM更多的ToolDefinitions，这将导致：LLM在面对大量的Tool时，准确率下降；ToolDefinitions会占用大量的LLMToken，消耗原本不多的的上下文窗口。 AgentScope创新解法：通过对Tool进行归组，渐进式由LLM自行决策何时暴露全部工具 强大的内置工具–Meta Planner Agent通过制定计划，推进计划来完成复杂任务 Plan/Act通过分离规划与实施阶段，有效避免了Agent“边想边做”导致的发散问题，广泛应用于Manus、Coding等领域AgentScope内置了开箱即用的MetaPlanner组件，原生支持Agent自主、用户主动制定计划，Agent遵循对应Plan执行任务 强大的内置工具–StructuredOutput 结构化输出 场景：将Agent与业务系统结合的最佳方式——结构化数据 问题：LLM的结构化输出并不能适配Re-Act范式下的结构化输出需要 机生成结构化数据 Agent Debate 狼人杀游戏 场景：多Agent自主决策的竞技类游戏，充分体现Agentic的灵活性与自主性 Pipeline等AgentScope核心功能 与优化自身策略达到目标能力 2.2企业级能力从1到100：应该怎么发布、部署？ 工具的安全执行 AgentScopeJava Runtime Tool Sandbox 化任务时，极有可能访问敏感资源或引发不可控行为。 开箱即用安全的沙箱工具 AgentScopeJava Runtime File System Computer & Mobile BrowserUse 久化数据存储和企业级安全等核心能力，覆盖浏览器、云电脑、代码空间、云手机四大运行环境 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 具，让Agent具备泛知识获取能力 上下文工程 上下文工程-RAG 内置实现：自主可控 实现，支持企业面对多元业务数据时，私有化部署自有知识体系，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，借助其强大的商业化检 索与重排序能力，大幅提升Agent回答的准确率和相关 上下文工程-Memory AgentScope为智能体提供统一的上下文记忆管理组件 短期记忆：AutoContextMemory组件实现Agent工作上下文智能管理(压缩-卸载） 长期记忆：提供长期记忆框架ReMe，支持在用户、任务与智能体之间提取、复用与共享记忆。 = (Personal + Task + Tool) Memory + (Working Memory) 易于集成 Agent <-> User 开箱即用的HTTP EndpointSession机制管理用户请求上下文 Agent <-> Tool •AI网关将已有业务接口快速转换MCP •基于Nacos实现Agent间服务发现 易于集成–MCP 易于集成–A2A 高性能 联合Dragonwell团队原生适配GraalVM和Leyden 在企业中，已经构建的Agent只有少数Agent在承载超过90%的请求流量，必须实现Serverless极致的轻量化和高性能 2.3强大的生态从100到10000：怎么让Agent变聪明？ AgentScopeStudio AgentScope强大的生态 AgentScope有强大的生态和信心帮助用户让Agent越用越好用 2.4实践快速构建能力完备的生产级应用 AI原生应用架构 构建以数据为中心AI原生应用平台；充分挖掘私域数据，提升数据质量。 AgentScopeDemo——云边奶茶铺智能助手借助AgentScope的核心能力和强大的周边生态构建能力完备的生产级应用 云边奶茶铺智能助手 AgentScopeDemo——云边奶茶铺智能助手借助AgentScope的核心能力和强大的周边生态构建能力完备的生产级应用 AgentScopeDemo——云边奶茶铺智能助手借助AgentScope的核心能力和强大的周边生态构建能力完备的生产级应用 AgentScopeJavaRoadmap 上下文工程 实时全模态 本输入，完全可以通过“眼”、“耳”和“手”更好地服务用户。 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 心上下文的技术细节，只需要专注于定义好Agent的功能。 AgentScopeJavaRoadmap https://github.com/agentscope-ai/agentscope-java欢迎给我们点个Star，也可以加入我们一起构建面向未来的Agent体系 HiMarket：企业私有化开放平台企业落地AI应用架构的最短路径 AI开放平台，顺势而生从云原生架构到AI原生架构 CONTENT目录 HiMarket构建AI场景、AI市场、AI治理模型、MCP、Agent、安全，全方位的能力进化 帮助企业构建AI应用协作机制，实现AI应用货币化 Himarket作为开源产品欢迎大家来共建 人工智能+即将大规模爆发 技术持续迭代 Software 2.0 Software 3.0 Software 1.0 70% 2030年：应用普及率>90%，智能经济成为增长极，技术普惠 2027年 2035年 2030年% 2035年：全面进入智能经济、智能社会阶段 企业落地AI架构会遇到那些问题？ 企业落地面相全员做AI场景加速创新，会遇到的一些通用问题 哪些高频场景可以快速让所有人参与？ 企业多个团队如何协同，权限如何管 企业开始大规模落地Agent，都会遇到 理，成本如何分摊？让AI创新安全合规可控？ AI不是技术开发独享的能力，面相横向全企业员工如何加速AI渗透； 多Agent管理，多MCP工具管理，多模型管理问题； HiMarket开源新版本发布，定位AI开放平台HiMarket定位AI开放平台：企业落地AI应用架构最短路径 API开放平台 AI场景：沉淀AI高频场景，面相全员加速创新落地 AI市场：Agent市场帮助企业内部管理规模化 AI市场：多市场共享能力、共享资源 Agent市场：跨语言、跨框架统一Agent管理 AI治理：AI市场的治理必要性 认证与权限管理混乱认证生态混乱，权限边界模糊，企业与个人数据混合使 用时，一旦被攻破，攻击者可跨服务访问敏感数据 MCP协议缺乏对工具来源的真实性验证，导致信任锚点缺2 失，攻击者可通过篡改工具描述/工具响应注入恶意逻辑 多数MCP实现未记录完整执行日志，行为不可审计，安全责任转嫁给用户 3 AI治理：通过统一开放平台，解决AI发展管理问题 统一开放平台、集中AI治理 HiMarket架构：AI开放平台私有化定制 帮助企业构建AI开发者门户 HiMarket架构：AI开放平台整体架构 HiMarket架构：构建AI中台，加速AI创新速度 HiMarket开源roadmap HiMarket坚持开源开放，欢迎一起共建，让天下企业没有难用的AI开放平台 HiChat支持丰富agent模式，支 Prompt市场新增、agent市场持 HiMarket开源开放，欢迎参与共建 HiMarket坚持开源开放，欢迎一起共建，让天下企业没有难用的AI开放平台 HiMarketAI开放平台，保持开源开放 建AI开放平台，提供开箱即用的能力！ https://higress.cn/ai/himarket/himarket-deployment/ 谢谢！ HiMarket生态：AI原生应用架构全景图 AI治理：AI开放平台API货币化 实现API和AI的无缝连接Firecrawl通过引入MCP协议，使其网页爬取能力能够被 AI模型直接控制，提升了服务的使用深度和效率 提供“基础，专业”等分层限额定价，或者基于请求按量计 2 费 基于MCPServer构建Agent，实现更大幅度的API增值 3 函数计算AgentRun：构建Serverless驱动的智能体基础设施 阿里云智能研发工程师尚 然 （ 谢 尚 汝 ） 2 0 25/1 2/2 6 CONTENT目录 Agent开发痛点分析开发Agent痛点分析01 AgentRun的架构与功能介绍 未来AgentRun的规划方向 什么是Agent Agent是基于大语言模型构建的智能体通过Prompt理解任务、自主推理规划、调用工具（MCP服务）、利用记忆完成从简单到复杂的各类任务。 开发Agent时的挑战/痛点 Agent依赖大模型和外部工具 Agent运行是黑盒，无法评估 涉及知识库、用户数据、业务逻从Demo到生产需要处理大量基 Agent需要安全隔离的执行 服务，但这些服务经常不稳定，缺乏统一的容错和治理机制。效果好坏，不知道如何优化， 环境来运行代码、操作系统、调用工具，但自建成本高、性能差、安全隔离困难。 成本不透明。辑等敏感信息，数据安全和合规成为企业应用的最大顾虑。 础设施问题，成本高昂且不可控，小团队难以承受 什么是函数计算AgentRun 是以高代码为核心，开放生态、灵活组装的一站式AgenticAI基础设施平台，为企业级Agentic应用提供开发、部署与运维全生命周期管理。基于Serverless架构提供强隔离的运行时与沙箱环境，深度集成开源生态，为用户提供模型高可用和数据不出域能力。 函数计算AgentRun：AgenticAI应用基础设施 函数计算为AgenticAI应用提供开箱即用的开发、部署与运维服务 高性能、高安全、开箱即用，