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 Flexibility | Distributed | Community Size | Best Fit | |
|---|---|---|---|---|
| AgentScopecelui-ci | Very high (any graph) | Yes (RPC) | Growing, China-strong | Simulations, custom topologies |
| CrewAI | Medium (roles + tasks) | No | Very large | Role pipelines |
| LangGraph | High (explicit graph) | No native, via external orchestration | Very large | Production control flow |
| AutoGen | High (conversation) | v0.4 actor runtime | Large | Research, 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
AgentScope Studio — Agent Tracing UI
AgentScope Studio is a local visualization toolkit: Projects/Runs UI, OpenTelemetry-based tracing, and eval dashboards for AgentScope agents.
AgentScope — Distributed Multi-Agent Platform
AgentScope is a multi-agent framework supporting distributed agent communication, built-in fault tolerance, and an actor-based runtime for building complex multi-agent applications at scale.
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.