Multi-Agent Framework
AgentScope — Alibaba’s Flexible Multi-Agent Platform logo

AgentScope — la plataforma multi-Agent flexible de Alibaba

AgentScope es el framework multi-Agent open source de Alibaba — primitivas de paso de mensajes, despliegue distribuido, Studio basado en Gradio y un sólido soporte para topologías complejas como juegos y simulaciones multi-rol.

Why AgentScope

El diferenciador de AgentScope es la flexibilidad topológica y el despliegue distribuido. Mientras CrewAI fija la estructura (secuencial/jerárquica) y LangGraph te obliga a declararla, AgentScope te da primitivas de paso de mensajes (msghub, pipelines, reply hooks) y te deja ensamblar cualquier topología — circular, estrella, malla. Para simulaciones (juego del hombre lobo, debates, roleplay multi-persona) está entre los frameworks más expresivos.

La ejecución distribuida es otra fortaleza. Cada Agent puede correr en su propio proceso u host, comunicándose vía RPC. Útil para Agents caros en cómputo (p. ej. los que llaman modelos locales con GPU) o para aislar sandboxes de Agents no fiables. Pocos otros frameworks lo traen de fábrica.

El compromiso: la documentación en inglés y la comunidad son más pequeñas que en CrewAI/LangGraph. El proyecto es fuerte en la comunidad LLM china (ecosistema ModelScope) y la docs es bilingüe pero va a la zaga en ejemplos en inglés. Para equipos cómodos leyendo código fuente en GitHub y una mezcla de docs en/zh, la expresividad merece la pena.

Quick Start — Two-Agent Debate

sequentialpipeline ejecuta los Agents en orden, pasando la salida de uno como entrada del siguiente. Para topologías más complejas usa msghub (broker de mensajes compartido) o IfElsePipeline para enrutado condicional. init() lee una lista de configs de modelos — cambiar de modelo es un cambio de config, no de código.

# pip install agentscope
import agentscope
from agentscope.agents import DialogAgent, UserAgent
from agentscope.message import Msg
from agentscope.pipelines import sequentialpipeline

# Initialize with a model config
agentscope.init(
    model_configs=[{
        "config_name": "gpt-4o-mini",
        "model_type": "openai_chat",
        "model_name": "gpt-4o-mini",
        "api_key": "sk-...",
    }],
)

bull = DialogAgent(
    name="Bull",
    sys_prompt="You argue that AI agents are overhyped. Be concise and cite one concrete data point per turn.",
    model_config_name="gpt-4o-mini",
)
bear = DialogAgent(
    name="Bear",
    sys_prompt="You argue AI agents will transform every industry within 3 years. Concise, data-backed.",
    model_config_name="gpt-4o-mini",
)

topic = Msg(name="moderator", content="Resolved: multi-agent systems will dominate enterprise SW by 2028.", role="user")
# 3 rounds of Bull → Bear using a simple pipeline
for _ in range(3):
    topic = sequentialpipeline([bull, bear], x=topic)

print("Final:", topic.content)

Características clave

Pipelines + msghub

Los pipelines (sequential, if-else, switch) encadenan Agents; msghub es un broker pub/sub donde cualquier Agent puede emitir o suscribirse. Compón cualquier topología sin adoptar una abstracción de grafo pesada.

Despliegue distribuido

Cada Agent puede correr en su propio proceso u host remoto vía RPC. Escala Agents de forma independiente; aísla código de Agents no confiables. Funcionalidad rara en el espacio multi-Agent.

AgentScope Studio

UI web basada en Gradio para construir y ejecutar workflows de Agents visualmente. Soporta arrastrar Agents, configurar prompts y stream de salidas. Más cercano a AutoGen Studio que a LangGraph Studio — para demos y usuarios no-code.

Primitivas basadas en mensajes

Msg es el objeto de primera clase. Cada Agent expone reply(Msg) -> Msg. Mantiene el modelo mental pequeño y facilita escribir Agents personalizados o integrar servicios no-LLM.

Catálogo rico de Agents integrados

DialogAgent, UserAgent, ReActAgent, DictDialogAgent y otros para patrones comunes. Más un zoo de modelos ModelScope para LLMs chino-first.

Ejemplos de juegos y simulaciones

Los ejemplos oficiales incluyen juego del hombre lobo, debate y simulaciones de escape misterioso. Muestran topologías que no es fácil construir en CrewAI/Swarm.

Comparación

 Topology FlexibilityDistributedCommunity SizeBest Fit
AgentScopeestaVery high (any graph)Yes (RPC)Growing, China-strongSimulations, custom topologies
CrewAIMedium (roles + tasks)NoVery largeRole pipelines
LangGraphHigh (explicit graph)No native, via external orchestrationVery largeProduction control flow
AutoGenHigh (conversation)v0.4 actor runtimeLargeResearch, coding tasks

Casos de uso

01. Simulaciones multi-persona

Debates, roleplay y juegos donde 3+ Agents interactúan de forma asimétrica. El msghub y la libertad topológica de AgentScope encajan de forma natural.

02. Equipos de Agents distribuidos

Cuando los Agents necesitan vivir en hosts distintos (privacidad, hardware, latencia), el modelo RPC de AgentScope lo gestiona sin una capa de orquestación aparte.

03. Stacks centrados en ModelScope

Los equipos que usan los modelos ModelScope (Qwen, DashScope) de Alibaba obtienen integración estrecha y ejemplos oficiales afinados para workflows chino-first.

Precios y licencia

AgentScope: open source Apache 2.0. Gratuito. Respaldado por Alibaba Tongyi Lab.

Coste de modelo: pagas los LLMs que enchufes. Funciona con OpenAI, Anthropic, Gemini, DashScope (Qwen), Ollama, vLLM, LM Studio y endpoints genéricos compatibles con OpenAI.

Coste de infra: ninguno en modo monoproceso; el modo distribuido usa RPC sobre el transporte que configures (gRPC, HTTP).

Activos relacionados en TokRepo

Preguntas frecuentes

¿AgentScope vs AutoGen?+

Ambos están orientados a conversación/topología. AutoGen tiene una comunidad occidental mayor e integración más estrecha con Microsoft; AgentScope tiene mejor soporte distribuido y más ejemplos de simulación. Elige AutoGen para investigación mainstream; AgentScope para topologías personalizadas o Agents distribuidos.

¿AgentScope funciona con modelos Qwen / DashScope?+

Sí — de primera clase. Alibaba Tongyi Lab lo construye en parte para mostrar las capacidades de Agents de Qwen. Configura config_name="dashscope_chat" en model_configs.

¿AgentScope Studio está listo para producción?+

Studio es principalmente para demos y prototipado rápido. Para producción, despliega workflows definidos en código y ejecútalos como servicios — Studio es el compañero en tiempo de diseño.

¿Qué tan maduro es el modo distribuido?+

Estable desde mediados de 2024 y en uso activo dentro de Alibaba. Espera algunas asperezas en el tooling de despliegue frente a frameworks de servicios maduros; no sustituye a operadores de Kubernetes para despliegues multi-host serios.

¿Puedo usar AgentScope con herramientas LangChain?+

Indirectamente. Envuelve herramientas LangChain como funciones Python y regístralas vía la interfaz de herramientas de AgentScope. No hay adaptador oficial; el pegamento son unas líneas por herramienta.

Comparar alternativas