3步跑通AgentScope多智能体协作GoalPipeline决策、通信与状态机制全拆解【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多个AI各干各的容易失控谁说了算断了怎么续AgentScope用GoalPipeline做多智能体协作——执行者干活、验收者把关循环到通过。本文带你一条命令跑通演示再拆透决策、通信、状态三套机制。 效果先行这一节回答一个问题它跑起来到底值不值得把时间花上跑起来后你会看到主智能体在界面上拉起多个工作智能体协作完成任务每个角色的推理、工具调用都逐条流式输出全程可见、可随时打断不需要你手写任何调度代码。 最小步骤跑起来这一节解决我5分钟内能不能在本地跑通。前提条件Python 3.11安装框架uv pip install agentscope设置环境变量DASHSCOPE_API_KEY一条命令启动执行者-验收者协作演示python examples/pipeline/goal/goal_pipeline.py提示演示默认使用qwen3.8-max模型你可以在自己的脚本里换任意有凭证的模型。终端会交替流式输出两个智能体的消息若某个工具调用需要人工确认流会停下来把确认事件喂回去即可继续。核心机制拆解这一节回答协作框架里面到底藏了什么。拆开看只有三件事——谁做决策、怎么传话、状态存哪里。执行者-验收者决策靠结构化输出GoalPipeline 像工厂里的工人质检一个干活一个抽检不合格就打回返工。每个 Agent 相当于一个能被派活的员工而质检的结论不是自由文本是结构化输出class _VerificationResult(BaseModel): result: Literal[pass, fail, impossible] message: str # 不通过时精确指出要修哪里pass就终止循环impossible直接放弃否则最多返工max_iters轮。源码见 src/agentscope/pipeline/_goal_pipeline.py。共享工作区通信走事件流两个智能体不互相发消息更像两个人共用一张工作台执行者把文件写进工作区工具来自 Toolkit相当于它的工具箱质检者读同一份工作区验收的是真实产物而不是它说它写了。过程则通过 reply_stream 事件流——像工厂传送带——把两个角色的每一步按序广播给终端async with LocalWorkspace(workdir./workspace) as workspace: executor Agent(nameExecutor, toolkitToolkit(toolsawait workspace.list_tools()))验证者同理配置两者绑定同一张工作台。示例见 examples/pipeline/goal/goal_pipeline.py。状态即交接单中断也能续AgentState 像一张交接班单对话上下文、待确认的工具调用、已消耗的迭代预算都记在上面。被人工确认打断时流会停但什么都不丢——把确认事件重新喂进 reply_stream 就能续跑且迭代预算不会清零async for event in pipe.reply_stream(user_confirm_result_event): ... # 事件的 reply_id 告诉你被打停的是哪个智能体实现见 src/agentscope/state/_state.py。 定制与进阶这一节给你三个可以动手的改造点全部在你自己目录里新建脚本完成参照仓库示例的写法仓库本身保持原样。换模型与智能体GoalPipeline 只收两个 Agent 实例模型、提示词、工具链随便换pipe GoalPipeline( executorAgent(modelOpenAIChatModel(...)), verifierAgent(modelOpenAIChatModel(...)), )各厂商模型封装都在 src/agentscope/model/。控制返工轮数max_iters管验收总轮数max_retries管单个智能体产合法结构化输出的重试次数verifier_reset_context决定质检者每轮是否清空上下文GoalPipeline(executore, verifierv, max_iters5, max_retries2)给智能体挂上长期记忆想让智能体跨会话记住事实在构造时加一个记忆中间件相当于给员工配一本工作日志演示里已有现成配置可抄middlewares[AgenticMemoryMiddleware(workdirworkspace.workdir, backendworkspace.get_backend())]参考 examples/console/main.py。 延伸资源这一节把值得继续挖的材料集中在一个地方examples/pipeline/goal/README.md演示的完整说明含中断续跑的用法src/agentscope/pipeline/GoalPipeline 全部源码examples/agent_service/带预置 Web UI 的多智能体服务支持 Agent Team 与任务规划examples/long_term_memory/ReMe、Mem0 等长期记忆后端示例docs/NEWS.md功能更新时间线多智能体协作没那么神秘决策是结构化输出通信是共享工作区加事件流状态是一张能续写的交接单。下一步把仓库拉到本地跑起来git clone https://gitcode.com/GitHub_Trending/ag/agentscope【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 3步跑通AgentScope多智能体协作：GoalPipeline决策、通信与状态机制全拆解
3步跑通AgentScope多智能体协作GoalPipeline决策、通信与状态机制全拆解【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多个AI各干各的容易失控谁说了算断了怎么续AgentScope用GoalPipeline做多智能体协作——执行者干活、验收者把关循环到通过。本文带你一条命令跑通演示再拆透决策、通信、状态三套机制。 效果先行这一节回答一个问题它跑起来到底值不值得把时间花上跑起来后你会看到主智能体在界面上拉起多个工作智能体协作完成任务每个角色的推理、工具调用都逐条流式输出全程可见、可随时打断不需要你手写任何调度代码。 最小步骤跑起来这一节解决我5分钟内能不能在本地跑通。前提条件Python 3.11安装框架uv pip install agentscope设置环境变量DASHSCOPE_API_KEY一条命令启动执行者-验收者协作演示python examples/pipeline/goal/goal_pipeline.py提示演示默认使用qwen3.8-max模型你可以在自己的脚本里换任意有凭证的模型。终端会交替流式输出两个智能体的消息若某个工具调用需要人工确认流会停下来把确认事件喂回去即可继续。核心机制拆解这一节回答协作框架里面到底藏了什么。拆开看只有三件事——谁做决策、怎么传话、状态存哪里。执行者-验收者决策靠结构化输出GoalPipeline 像工厂里的工人质检一个干活一个抽检不合格就打回返工。每个 Agent 相当于一个能被派活的员工而质检的结论不是自由文本是结构化输出class _VerificationResult(BaseModel): result: Literal[pass, fail, impossible] message: str # 不通过时精确指出要修哪里pass就终止循环impossible直接放弃否则最多返工max_iters轮。源码见 src/agentscope/pipeline/_goal_pipeline.py。共享工作区通信走事件流两个智能体不互相发消息更像两个人共用一张工作台执行者把文件写进工作区工具来自 Toolkit相当于它的工具箱质检者读同一份工作区验收的是真实产物而不是它说它写了。过程则通过 reply_stream 事件流——像工厂传送带——把两个角色的每一步按序广播给终端async with LocalWorkspace(workdir./workspace) as workspace: executor Agent(nameExecutor, toolkitToolkit(toolsawait workspace.list_tools()))验证者同理配置两者绑定同一张工作台。示例见 examples/pipeline/goal/goal_pipeline.py。状态即交接单中断也能续AgentState 像一张交接班单对话上下文、待确认的工具调用、已消耗的迭代预算都记在上面。被人工确认打断时流会停但什么都不丢——把确认事件重新喂进 reply_stream 就能续跑且迭代预算不会清零async for event in pipe.reply_stream(user_confirm_result_event): ... # 事件的 reply_id 告诉你被打停的是哪个智能体实现见 src/agentscope/state/_state.py。 定制与进阶这一节给你三个可以动手的改造点全部在你自己目录里新建脚本完成参照仓库示例的写法仓库本身保持原样。换模型与智能体GoalPipeline 只收两个 Agent 实例模型、提示词、工具链随便换pipe GoalPipeline( executorAgent(modelOpenAIChatModel(...)), verifierAgent(modelOpenAIChatModel(...)), )各厂商模型封装都在 src/agentscope/model/。控制返工轮数max_iters管验收总轮数max_retries管单个智能体产合法结构化输出的重试次数verifier_reset_context决定质检者每轮是否清空上下文GoalPipeline(executore, verifierv, max_iters5, max_retries2)给智能体挂上长期记忆想让智能体跨会话记住事实在构造时加一个记忆中间件相当于给员工配一本工作日志演示里已有现成配置可抄middlewares[AgenticMemoryMiddleware(workdirworkspace.workdir, backendworkspace.get_backend())]参考 examples/console/main.py。 延伸资源这一节把值得继续挖的材料集中在一个地方examples/pipeline/goal/README.md演示的完整说明含中断续跑的用法src/agentscope/pipeline/GoalPipeline 全部源码examples/agent_service/带预置 Web UI 的多智能体服务支持 Agent Team 与任务规划examples/long_term_memory/ReMe、Mem0 等长期记忆后端示例docs/NEWS.md功能更新时间线多智能体协作没那么神秘决策是结构化输出通信是共享工作区加事件流状态是一张能续写的交接单。下一步把仓库拉到本地跑起来git clone https://gitcode.com/GitHub_Trending/ag/agentscope【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