AgentScope-Java 为 Java 开发者提供最低学习门槛的 AI 开发框架。

它的架构有两层，在核心编排层：

• 提供 Agentic API，开发者能够声明式地定义 Agent 的记忆、决策、工具调用等能力，代码复用明显提升；
• 原生支持 MCP 协议，便于扩展工具与伙伴智能体；
• 支持流式通信，端到端的交互延迟显著降低；
• 支持 Human-in-the-loop，把关键决策交回给人审核。

在安全运行时层面：

• 它提供沙箱隔离，阻断越权工具调用；
• 提供上下文管理，动态维护短期状态与长期记忆；
• 并且原生支持 A2A，实现分布式多 Agent 自动编排与协作。

一、开发示例

这是一个基于 AgentScope 框架的 ReAct 智能体示例，实现了带工具调用功能的对话机器人。

• 智能体架构
• 使用 ReAct（Reasoning and Acting）模式，结合推理和行动
• 支持并行工具调用，提高执行效率
• 集成 DashScope 千问大模型作为推理引擎

代码定义了三个实用工具：

• 时间工具 (get_time)：获取当前系统时间
• 随机数工具 (get_random)：生成指定范围内的随机整数，包含参数验证和交换逻辑
• 回显工具 (echo)：简单的文本回显功能

每个工具都使用 @Tool 和 @ToolParam 注解进行标注，方便框架自动识别和调用。

/**
* 带有 3 个简单工具的 ReActAgent 示例。单个用户请求可以触发多个工具。工具包括：
* 1) get_time(zone): 返回当前时间字符串
* 2) get_random(min,max): 返回 [min, max] 范围内的随机整数
* 3) echo(text): 回显给定的文本
*/
public class ReActAgentWithToolsExample {
 // 日志记录器，用于输出日志信息
 private static final Logger log = LoggerFactory.getLogger(ReActAgentWithToolsExample.class);
 // 定义简单工具类，包含三个工具方法
 public static class SimpleTools {
 // 获取当前时间的工具方法
 @Tool(name = "get_time", description = "Get current time string")
 public String getTime() {
 LocalDateTime now = LocalDateTime.now();
 return now.format(DateTimeFormatter.ofPattern("yyyy-MM-dd HH:mm:ss"));
 }
 // 获取随机数的工具方法
 @Tool(name = "get_random", description = "Get a random integer in [min, max]")
 public int getRandom(
 @ToolParam(description = "Min value", required = true) Integer min,
 @ToolParam(description = "Max value", required = true) Integer max) {
 // 设置默认值，如果参数为空则使用默认值
 int lo = min != null ? min : 0;
 int hi = max != null ? max : 100;
 // 确保最小值小于最大值
 if (hi < lo) {
 int t = lo; lo = hi; hi = t;
 }
 // 生成并返回随机数
 return lo + new Random().nextInt(hi - lo + 1);
 }

 // 回显文本的工具方法
 @Tool(name = "echo", description = "Echo back the given text")
 public String echo(@ToolParam(description = "Text to echo", required = true) String text) {
 return text == null ? "" : text;
 }
 }

 public static void main(String[] args) throws Exception {
 // 从环境变量获取 DashScope API 密钥
 String dashApiKey = System.getenv("DASHSCOPE_API_KEY");
 if (dashApiKey == null || dashApiKey.isEmpty()) {
 log.warn("未找到 API 密钥。请设置 DASHSCOPE_API_KEY 环境变量。");
 return;
 }
 // 创建工具包实例
 Toolkit toolkit = new Toolkit();
 // 将自定义工具类注册到工具包中
 toolkit.registerTool(new SimpleTools());
 // 创建内存管理器，用于存储对话历史
 InMemoryMemory memory = new InMemoryMemory();
 // 使用建造者模式构建 ReAct Agent
 ReActAgent agent = ReActAgent.builder()
 .name("Friday") // 设置Agent名称为 Friday
 .sysPrompt("You are a helpful assistant named Friday. You can call tools in parallel when needed.") // 设置系统提示词
 .toolkit(toolkit) // 设置工具包
 .memory(memory) // 设置内存管理器
 .model(DashScopeChatModel.builder() // 配置 DashScope 聊天模型
 .apiKey(dashApiKey) // 设置 API 密钥
 .modelName("qwen-max") // 设置模型名称
 .stream(true) // 启用流式输出
 .enableThinking(false) // 禁用思考模式
 .defaultOptions(new GenerateOptions()) // 设置默认生成选项
 .build())
 .formatter(new DashScopeChatFormatter()) // 设置消息格式化器
 .parallelToolCalls(true) // 启用并行工具调用
 .build();

 // 创建缓冲读取器，从标准输入读取用户输入
 BufferedReader reader = new BufferedReader(new InputStreamReader(System.in));
 // 进入交互循环，直到用户输入 "exit" 退出
 while (true) {
 System.out.print("User> "); // 显示用户输入提示符
 String line = reader.readLine(); // 读取用户输入
 if (line == null || "exit".equalsIgnoreCase(line.trim())) {
 break;
 }
 // 创建用户消息对象
 Msg userMsg = Msg.builder().role(MsgRole.USER).textContent(line).build();
 // 调用 Agent 的回复方法，获取响应消息
 Mono<Msg> mono = agent.reply(userMsg);
 // 阻塞等待消息返回
 Msg msg = mono.block();
 // 输出 Agent 的回复消息，使用 JSON 格式化输出
 System.out.println("Friday> " + new Gson().toJson(msg));
 }
 // 输出退出日志
 log.info("Bye.");
 }
}

二、启动应用

启动应用进行测试验证：

• 命令行交互界面，支持实时对话
• 输入 "exit" 退出程序
• 使用 JSON 格式输出代理回复，便于调试

如下是测试过程：