AgentScope: Construa Agentes de IA Prontos para Produção com um Único pip install
Por Devy · yoDEV.dev
A maioria dos frameworks de agentes te faz sentir que está resolvendo dois problemas ao mesmo tempo: o problema que seu agente tem que resolver, e o framework em si. A lógica de orquestração se acumula, as abstrações vazam, e antes de você perceber está debugando o scaffolding em vez de construir o produto.
AgentScope toma um caminho diferente. Acaba de ultrapassar 21.000 estrelas no GitHub — e quando você vê o que vem em uma única instalação, não é difícil entender por quê.
O que é AgentScope?
AgentScope é um framework Python open source para construir agentes impulsados por LLMs e aplicações multi-agente. É descrito como “production-ready, easy-to-use” — uma afirmação que vale a pena decompor, porque todos os frameworks dizem isso. Neste caso, o comando de instalação sustenta essa afirmação:
pip install agentscope
Isso é tudo. A partir daqui você tem: um agente ReAct incorporado, gestão de memória, planejamento, suporte MCP, protocolo A2A (Agent-to-Agent), voz em tempo real, integração de fine-tuning do modelo, e ferramentas de deployment para ambientes locais, serverless e Kubernetes. Sem pacotes adicionais, sem instalações separadas para cada feature.
Licença Apache 2.0. Requer Python 3.10+.
De zero para “olá” em 5 minutos
Aqui vai um exemplo mínimo funcional — um agente ReAct chamado Friday que pode executar código Python e comandos de shell:
from agentscope.agent import ReActAgent, UserAgent
from agentscope.model import DashScopeChatModel
from agentscope.formatter import DashScopeChatFormatter
from agentscope.memory import InMemoryMemory
from agentscope.tool import Toolkit, execute_python_code, execute_shell_command
import os, asyncio
async def main():
toolkit = Toolkit()
toolkit.register_tool_function(execute_python_code)
toolkit.register_tool_function(execute_shell_command)
agent = ReActAgent(
name="Friday",
sys_prompt="You're a helpful assistant named Friday.",
model=DashScopeChatModel(
model_name="qwen-max",
api_key=os.environ["DASHSCOPE_API_KEY"],
stream=True,
),
memory=InMemoryMemory(),
formatter=DashScopeChatFormatter(),
toolkit=toolkit,
)
user = UserAgent(name="user")
msg = None
while True:
msg = await agent(msg)
msg = await user(msg)
if msg.get_text_content() == "exit":
break
asyncio.run(main())
O exemplo usa DashScope (a API de modelos da Alibaba), mas AgentScope é completamente agnóstico de modelo — você pode substituir por OpenAI, Anthropic, Gemini, ou qualquer modelo local alterando a classe do modelo e o formatter. A arquitetura não se importa com quem executa os tokens.
As quatro coisas que realmente o diferenciam
1. MCP como cidadão de primeira classe
AgentScope não trata MCP como um plugin — está incorporado. Você pode carregar um servidor MCP, obter uma ferramenta específica como uma função callable local, e usá-la em qualquer contexto: passá-la para um agente, envolvê-la em uma ferramenta mais complexa, ou chamá-la diretamente.
from agentscope.mcp import HttpStatelessClient
from agentscope.tool import Toolkit
async def control_granular_mcp():
client = HttpStatelessClient(
name="maps_mcp",
transport="streamable_http",
url=f"https://mcp.amap.com/mcp?key={os.environ['MAPS_API_KEY']}",
)
# Você obtém a ferramenta como uma função local
func = await client.get_callable_function(func_name="maps_geo")
# Opção 1: chamá-la diretamente
await func(address="Buenos Aires", city="Buenos Aires")
# Opção 2: passá-la para um agente
toolkit = Toolkit()
toolkit.register_tool_function(func)
Este controle granular sobre as ferramentas MCP é algo que a maioria dos frameworks não oferece. Você não é obrigado a carregar servidores MCP inteiros em um agente — você escolhe exatamente as ferramentas que precisa.
2. Orquestração multi-agente com MsgHub
A coordenação multi-agente no AgentScope é tratada por MsgHub — uma camada de roteamento de mensagens que gerencia quem fala com quem, com gerenciamento dinâmico de participantes durante a conversa:
from agentscope.pipeline import MsgHub, sequential_pipeline
from agentscope.message import Msg
async def conversacao_multi_agente():
async with MsgHub(
participants=[agent1, agent2, agent3],
announcement=Msg("Host", "Apresentem-se.", "assistant")
) as hub:
await sequential_pipeline([agent1, agent2, agent3])
hub.add(agent4) # Adicionar agente no meio da conversa
hub.delete(agent3) # Remover agente no meio da conversa
await hub.broadcast(Msg("Host", "Até logo!", "assistant"))
Você pode adicionar ou remover agentes de uma conversa enquanto está em execução. Isso não é comum.
3. Voz em tempo real, incorporada
Sem pacotes externos. AgentScope vem com suporte nativo para agentes de voz em tempo real — tanto individual quanto multi-agente. O repositório inclui uma demo de múltiplos agentes jogando um jogo de homem lobo por voz. Nicho? Talvez. Mas mostra o que significa “batteries included” de verdade.
4. Integração de fine-tuning com RL
Se você quer treinar seu agente em tarefas reais em vez de apenas promoteá-lo, AgentScope se integra com a biblioteca Trinity-RFT para aprendizado por reforço. Seus próprios benchmarks mostram melhorias significativas: um agente de navegação em “Frozen Lake” passando de 15% para 86% de sucesso, e um agente em um jogo de homem lobo passando de 50% para 80% de taxa de vitórias. São modelos pequenos (Qwen 2.5 7B-Instruct), que é justamente o ponto — você não precisa de um modelo frontier se fizer fine-tuning em sua tarefa específica.
Suporte A2A: agentes que conversam com agentes
Em dezembro de 2025 AgentScope adicionou suporte para o protocolo A2A (Agent-to-Agent) — um padrão para que agentes de frameworks diferentes se comuniquem diretamente entre si. Isto é território initial em toda a indústria, mas o fato de AgentScope ser compatível com A2A significa que seus agentes podem eventualmente interoperar com agentes construídos em outros frameworks, não apenas dentro do ecossistema do AgentScope.
O que não faz (ainda)
AgentScope é construído principalmente em torno do ecossistema da Alibaba — os exemplos usam DashScope e modelos Qwen por padrão, parte da comunidade é de língua chinesa, e o canal DingTalk sugere usuários enterprise nesse ecossistema. A qualidade da documentação é sólida, mas os exemplos do tutorial estão enviesados para esses padrões.
Para um stack de dev latino-americano (OpenAI, Anthropic, ou modelos locais via Ollama), você vai precisar procurar a classe de modelo correta na documentação da API. Não é difícil, mas não é tão plug-and-play como o README faz parecer para o caminho DashScope.
Resumo de instalação
# Instalação padrão
pip install agentscope
# Ou com uv (mais rápido)
uv pip install agentscope
# A partir do código-fonte (para o mais recente)
git clone -b main https://github.com/agentscope-ai/agentscope.git
cd agentscope
pip install -e .
Requer Python 3.10+. Sem dependências obrigatórias adicionais.
Documentação completa em doc.agentscope.io
Vale a pena?
Se você está construindo com agentes — não apenas adicionando um chatbot a um formulário — AgentScope merece uma olhada séria. Não é o framework mais chamativo e a comunidade ainda está amadurecendo, mas a relação features-versus-fricção de instalação é difícil de superar. MCP, multi-agente, voz e RL em um único pacote, com opções de deployment em produção incluídas.
As 21.000 estrelas não vêm de tutoriais. Vêm de pessoas que o testaram.
*Você está trabalhando em algum projeto com agentes? Qual framework você está usando agora? Conte-nos nos comentários.*GitHub - agentscope-ai/agentscope: Build and run agents you can see, understand and trust. · GitHub