AgentScope Java 1.0 重磅发布
今天，我们很高兴地宣布 AgentScope Java 1.0 版本正式发布了，面向 Java 开发者提供企业级 Agentic 应用构建的能力。
首先在开发范式上， AgentScope 采用领先的 ReAct（推理-行动）模式，支持高效的工具调用，并允许开发者对 Agent 执行过程进行实时介入，实现了自主性与可控性的完美平衡。
其次，它提供了开箱即用的企业级能力。框架提供安全沙箱保障代码执行安全，通过精细的上下文工程优化模型交互效果。作为 Java 框架，它易于集成到现有企业技术栈中，并具备高性能架构，确保生产环境的稳定可靠。
最后，它拥有完善的开发与优化生态。提供从开发态可视化调试、A/B 测试到评估与强化学习的完整工具链，构成了 Agent 开发、部署、调优的闭环，助力持续提升 Agent 效果。
领先的开发范式
在构建复杂的 AI Agent 应用时，开发者普遍面临众多挑战：僵化的工作流难以适应多变的任务、运行中的Agent 无法实时干预、海量工具导致管理混乱与性能瓶颈、模型输出格式不稳定等等。如何系统性地解决这些痛点，是提升开发效率和应用稳定性的关键。AgentScope 采用领先的 ReAct 范式，赋予 LLM 自主规划能力，并提供实时介入控制、高效的工具调用体系。此外，它还内置任务规划、结构化输出等强大工具，支持高效开发生产级应用。
- 领先的 ReAct 范式，赋予Agent自主规划能力。
- 工作流（Workflow）模式：在这种模式下，LLM 与工具（Tool）的协作路径由开发者预先定义，开发者对系统的执行流程有完全的控制权，这保证了任务执行的稳定性和确定性。但是他的缺点是架构僵化，当业务逻辑变得复杂时，维护成本激增，而且无法享受 LLM 持续进化所带来的能力提升。
- ReAct 范式：与 Workflow 相反，ReAct 赋予了 LLM 自主控制权。LLM 扮演大脑的角色，能够动态地进行推理（Reasoning）和规划，自主决定何时、如何调用工具来执行操作（Action），从而主导任务的完成。随着 LLM 在理解、规划和工具使用等关键能力上日趋成熟，这种高度自主的 Agent 架构已成为复杂应用场景下的首选。
- 实时的介入控制，让 Agent 运行全程可控。传统 Agent 一旦启动便无法安全干预，AgentScope 基于异步架构，实现了强大的实时介入机制。
- 安全中断：支持随时暂停 Agent，并自动保存其上下文和工具状态，确保任务能无缝恢复。
- 实时打断：当任务偏离预期或耗时过长时，用户可立即终止，避免资源浪费。
- 灵活定制：开发者可以自定义中断处理逻辑，实现更精细化的管理。
- 高效的工具调用，随着可调用工具数量的激增，Agent 面临着工具管理复杂、执行效率低、上下文紧张的问题。AgentScope 构建了一套高效、可靠的工具管理体系。
- 工具注册：提供标准化的注册接口，支持自动提取工具的 JSON Schema，提供参数预设和工具函数后处理接口，降低集成门槛。
- 便捷管理：AgentScope 通过结构化的组织方式和动态控制机制来高效支持工具的使用。工具组（Tool Group）按照功能对工具进行分类（例如浏览器、地图服务等），使 Agent 能够根据当前任务按需激活相关工具，从而有效缓解上下文窗口的压力；元工具（Meta-Tool）允许 Agent 在运行时动态启用或停用整个工具组，实现更加智能化的工具管理。
- 高效执行：采用统一接口处理所有工具调用，无论同步、异步或流式输出，在 AgentScope 中将被统一为异步流式返回，降低工具函数返回的处理复杂度。同时支持工具的并行调用，大幅提升运行效率。
- 强大的内置工具：AgentScope 内置了许多开箱即用的强大工具，开箱即用，加速生产级应用开发。
- PlanNoteBook 工具提供了强大的任务规划与执行能力。支持开发者手动定义结构化计划，也允许 Agent 在运行时自主创建和管理计划。通过 PlanNotebook 提供完整的计划管理功能，包括创建、修改、暂停、恢复和切换多个计划，引导 Agent 有序执行复杂计划。
- 结构化输出：传统的做法是在 Prompt 中写格式要求，要求模型“请按照以下 JSON 格式输出”，不断尝试和优化提示词，经常需要在外部代码中做二次解析和格式校验。AgentScope 通过内置工具确保 LLM 的输出严格遵循预定义的 JSON 格式，彻底告别繁琐的提示词调试和二次解析。
企业级能力
AgentScope 提供了安全工具沙箱和上下文工程能力，解决了安全与效果的核心痛点，确保 Agent 的输出效果满足生产标准。依托于 Java 在企业应用开发市场的强大生态，通过标准的 A2A 和 MCP 协议，提供了灵活的集成与被集成方案，这使得 Agent 既能作为独立服务嵌入现有系统，也能成为连接和调度其他服务的智能中枢。开发者无需关心底层集成细节，专注于业务逻辑即可快速构建生产级 Agent 应用。最后，依托于 AgentScope Runtime 提供的能力，支持将 Agent 一键部署到阿里云百炼和函数计算平台，为您的 Agent 应用提供商业级的产品化保障。 - 安全沙箱
- Agent 在执行工具调用或自动化任务时，可能访问敏感资源或引发不可控行为，需要沙箱提供安全隔离环境。AgentScope Runtime Sandbox 支持开发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。
- 内置多种开箱即用的沙箱：GUI 沙箱提供完整桌面环境，支持鼠标、键盘和屏幕操作；文件系统沙箱实现隔离的文件读写与管理；移动端沙箱基于 Android 模拟器，支持点击、滑动、输入和截屏等真实移动交互。兼顾了安全性、灵活性与多平台覆盖，全面支撑工具执行、浏览器自动化、训练评测等复杂场景。
- 上下文工程
- RAG：内置基于 Embedding 的标准实现，支持企业在面对复杂的多元业务数据情况下，私有化部署自有的知识库体系，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，借助商业化产品获得更强大的检索与重排序能力。
- Memory：AgentScope 定义了对短期、长期记忆的抽象，支持语义搜索与多租户隔离，提供自动管理、Agent 主动调用、混合模式三种控制方式。通过 ReMe 项目提供了记忆的最佳实践方案，让 Agent 能够理解用户偏好、提升任务表现和更聪明地使用工具，显著提升业务场景下的智能问答准确性与上下文连贯性，实现越用越好用。
- 易于集成
- MCP 集成：基于 AgentScope Java 开源生态，现有的 HTTP 业务系统无需改动业务逻辑代码，通过简单配置即可被 Agent 无缝集成，快速成为 Agent 可调用的“手脚”，极大地扩展了 Agent 的能力边界。
- A2A 集成：复杂的任务通常需要多个 Agent 协同工作。AgentScope Java 支持将描述 Agent 自身能力的 Agent Card 注册到 Nacos 等服务中心，调用方 Agent 只需连接 Nacos，即可自动发现并调用其他 Agent 的能力。这使得分布式 Multi Agent 系统的构建与协作变得像调用普通微服务一样简单。
- 高性能
- 轻量化：核心库仅依赖 Reactor Core、Jackson 和 SLF4J、RAG、长期记忆等能力通过可选扩展按需引入，目前基于厂商原生 SDK 实现模型调用，未来将基于 OkHttp 与 Jackson 原生实现，进一步精简内核依赖。
- 异步化：针对 AI 应用交互具有持续时间长、多轮次上下文依赖的特点，支持引入消息队列 RocketMQ 作为异步消息中枢，实现任务解耦与非阻塞调用，提升 Agent 的吞吐能力和响应速度。
- Native 优化：联合 JVM 团队适配了 GraalVM 和 Leyden，将 Java 应用启动速度提升 3 到 10 倍，实现了 Agent 200ms 内冷启动，为 AI 应用 Serverless 毫秒级弹性奠定基础。
强大的生态
AI 原生应用架构正在深刻重塑软件工程范式，传统软件的确定性被 Agent 的非确定性所取代，其最终效果由模型、数据和上下文共同决定，这使得传统的“代码测试”演变为复杂的“效果评估”。由于任何微小的变更都可能引发效果的剧烈波动，A/B 测试已从过去的优化选项，转变为保障版本质量的核心发布流程。软件工程重心也必须从以代码为中心转向以数据为中心，成功的关键在于构建一个高效的数据飞轮。
面对这一挑战，AgentScope 提供了 Studio、RM Gallery 和 Trinity-RFT 等一系列生态工具，结合 Higress AI 网关和可观测系统，您可以快速实践 AI 原生应用数据飞轮。
在 Agent 开发阶段，我们采用 AgentScope Studio 可视化平台对 Agent 进行实时调试与观测，显著提升了开发效率，它深度集成了 OpenTelemetry 和 LoongSuite，实现了端到端的全链路追踪。
在部署架构中，Higress 作为统一的流量入口网关，负责将外部请求路由至相应的 Agent。Agent 则通过 Higress 内置的 AI 网关能力与 LLM 通信。借助 Higress 强大的插件体系，我们可以对流量进行灵活打标，从而实现对 Agent 和 LLM 的精准路由控制。
在发布后的 A/B 测试阶段，Higress 网关能根据请求内容（如用户地理位置、业务线、付费状态等）将流量分配到不同实验组。例如，将付费用户导向 Agent 的 A 版本，免费用户导向 B 版本，以进行效果对比。同时流量的分组标签会借助可观测在整个调用链路中透传。这样，AI 网关便能根据此标签将请求路由到对应的 LLM 版本。这一机制让我们在无需修改业务代码的情况下，实现了 Agent 与 LLM 的协同 A/B 测试。
在此过程中，全链路产生的所有数据——从用户输入、Agent 的提示词（Prompt），到模型的输出、时延与成本都会上报到可观测系统中。基于 RM Gallery 的奖励函数评估 Agent 在各实验组的业务表现，并筛选沉淀高质量的数据集。随后，我们的训练框架 Trinity-RFT 会运用这些数据集和奖励模型，通过强化学习对模型进行持续迭代，不断提升其解决业务问题的能力。
最终，这形成了一个以数据为驱动的自我优化闭环。系统通过持续采集线上真实数据、分析评估效果并转化为高质量的训练数据，不断增强模型能力，构筑起坚实的技术竞争壁垒。
AgentScope Java Roadmap
• 上下文工程持续优化：Agent 效果不够好的原因，要么是模型能力不够强，要么是提供的上下文不准确，上下文工程是工程能力的核心。AgentScope Java 会持续深耕上下文工程，致力于构建一个更加高效、低延迟的上下文管理系统。未来开发者不需要关心上下文的技术细节，只需要专注于定义好 Agent 的功能。
• 实时全模态支持：大模型的边界正在从文本扩展至图像、语音乃至视频，能够与物理世界互动的具身智能产品开始进入我们的生活，AgentScope Java 会构建对实时全模态的深度支持，帮助开发者更好地开发多模态的应用，未来 Agent 不只是文本输入，完全可以通过“眼睛”、“耳朵”和“手”更好地服务用户。
• 评估与强化学习优化：我们已经提供了观测、评估、优化的整体解决方案，但目前评估和强化学习的门槛仍旧比较高。后续会不断通过生态集成降低门槛，开发者只需编写业务逻辑与设计奖励函数，即可借助 AgentScope 的生态工具链，让 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。
