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

AgentScope — la plateforme multi-Agent flexible d’Alibaba

AgentScope est le framework multi-Agent open source d’Alibaba — primitives de passage de messages, déploiement distribué, Studio basé sur Gradio, et un excellent support pour des topologies complexes comme les jeux et les simulations multi-rôles.

Why AgentScope

Le différenciateur d’AgentScope, c’est la flexibilité topologique et le déploiement distribué. Là où CrewAI fige la structure (séquentielle/hiérarchique) et où LangGraph vous oblige à la déclarer, AgentScope vous donne des primitives de passage de messages (msghub, pipelines, reply hooks) et vous laisse assembler n’importe quelle topologie — circulaire, étoile, maillée. Pour des simulations (jeu du loup-garou, débats, jeu de rôle multi-personas), c’est parmi les frameworks les plus expressifs.

L’exécution distribuée est un autre point fort. Chaque Agent peut tourner dans son propre processus ou son propre hôte, en communiquant via RPC. Utile pour les Agents coûteux en calcul (par exemple ceux qui appellent des modèles locaux GPU) ou pour isoler des sandbox d’Agents non fiables. Peu d’autres frameworks le proposent nativement.

Le compromis : la doc anglaise et la communauté sont plus petites que celles de CrewAI/LangGraph. Le projet est fort dans la communauté LLM chinoise (écosystème ModelScope) et la doc est bilingue mais en retard côté exemples anglais. Pour des équipes à l’aise avec la lecture du code source GitHub et un mix de docs en/zh, l’expressivité en vaut la peine.

Quick Start — Two-Agent Debate

sequentialpipeline exécute les Agents dans l’ordre, en passant la sortie de l’un en entrée du suivant. Pour des topologies plus complexes, utilisez msghub (broker de messages partagé) ou IfElsePipeline pour le routage conditionnel. init() lit une liste de configs de modèles — changer de modèle est un changement de config, pas de code.

# 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)

Fonctionnalités clés

Pipelines + msghub

Les pipelines (sequential, if-else, switch) chaînent les Agents ; msghub est un broker pub/sub où tout Agent peut diffuser ou s’abonner. Composez n’importe quelle topologie sans adopter une lourde abstraction de graphe.

Déploiement distribué

Chaque Agent peut tourner dans son propre processus ou hôte distant via RPC. Scalez les Agents indépendamment ; isolez le code d’Agents non fiables. Fonctionnalité rare dans l’espace multi-Agent.

AgentScope Studio

Interface web basée Gradio pour construire et exécuter des workflows d’Agents visuellement. Permet de glisser-déposer des Agents, configurer des prompts et streamer les sorties. Plus proche d’AutoGen Studio que de LangGraph Studio — pour démos et utilisateurs no-code.

Primitives basées sur les messages

Msg est l’objet de première classe. Chaque Agent expose reply(Msg) -> Msg. Cela maintient le modèle mental simple et facilite l’écriture d’Agents personnalisés ou l’intégration de services non-LLM.

Riche bibliothèque d’Agents intégrés

DialogAgent, UserAgent, ReActAgent, DictDialogAgent et d’autres pour les patterns courants. Plus un zoo de modèles ModelScope pour des LLM chinois-first.

Exemples de jeux et simulations

Les exemples officiels incluent jeu du loup-garou, débat et simulations d’escape mystery. Ils mettent en valeur des topologies impossibles à construire facilement dans CrewAI/Swarm.

Comparaison

 Topology FlexibilityDistributedCommunity SizeBest Fit
AgentScopecelui-ciVery 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

Cas d'usage

01. Simulations multi-personas

Débats, jeux de rôle et jeux où 3 Agents ou plus interagissent de manière asymétrique. Le msghub d’AgentScope et la liberté topologique s’y prêtent naturellement.

02. Équipes d’Agents distribuées

Quand les Agents doivent vivre sur des hôtes différents (confidentialité, matériel, latence), le modèle RPC d’AgentScope gère sans couche d’orchestration séparée.

03. Stacks centrées ModelScope

Les équipes qui utilisent les modèles ModelScope (Qwen, DashScope) d’Alibaba bénéficient d’une intégration étroite et d’exemples officiels calibrés pour des workflows chinois-first.

Tarification et licence

AgentScope : open source Apache 2.0. Gratuit. Soutenu par Alibaba Tongyi Lab.

Coût modèle : vous payez les LLM que vous branchez. Fonctionne avec OpenAI, Anthropic, Gemini, DashScope (Qwen), Ollama, vLLM, LM Studio et tout endpoint compatible OpenAI.

Coût d’infra : aucun en mode mono-processus ; le mode distribué utilise RPC sur le transport configuré (gRPC, HTTP).

Assets associés sur TokRepo

Questions fréquentes

AgentScope vs AutoGen ?+

Tous deux sont orientés conversation/topologie. AutoGen a une communauté occidentale plus grande et une intégration Microsoft plus serrée ; AgentScope a un support distribué plus solide et davantage d’exemples de simulation. Choisissez AutoGen pour la recherche mainstream ; AgentScope pour des topologies personnalisées ou des Agents distribués.

AgentScope fonctionne-t-il avec les modèles Qwen / DashScope ?+

Oui — de première classe. Alibaba Tongyi Lab le développe en partie pour mettre en avant les capacités d’Agents de Qwen. Configurez config_name="dashscope_chat" dans model_configs.

AgentScope Studio est-il prêt pour la production ?+

Studio sert avant tout à des démos et au prototypage rapide. Pour la production, déployez des workflows définis dans le code et exécutez-les comme services — Studio est le compagnon de conception.

À quel point le mode distribué est-il mature ?+

Stable depuis mi-2024 et activement utilisé chez Alibaba. Attendez-vous à quelques aspérités sur l’outillage de déploiement par rapport aux frameworks de services matures ; pas un substitut aux opérateurs Kubernetes pour des déploiements multi-hôtes sérieux.

Puis-je utiliser AgentScope avec des outils LangChain ?+

Indirectement. Enveloppez les outils LangChain dans des fonctions Python et enregistrez-les via l’interface d’outils d’AgentScope. Il n’y a pas d’adaptateur officiel ; la colle représente quelques lignes par outil.

Comparer les alternatives