AgentScope Go
经 AI Skill Hub 精选评估，AgentScope Go 获评「强烈推荐」。这款Agent工作流在功能完整性、社区活跃度和易用性方面表现出色，AI 评分 8.0 分，适合有一定技术背景的用户使用。
📚 深度解析
AgentScope Go 工作流的设计遵循"最小配置，最大复用"原则：核心逻辑已经封装好，用户只需配置自己的 API Key 和业务参数即可快速上手。工作流内置错误处理和重试机制，在网络波动或 API 限速等情况下仍能稳定运行，适合作为生产环境的自动化基础设施。
在实际部署时，建议先在测试环境中运行 3-5 次，验证各个环节的输出结果符合预期，再部署到生产环境。AI Skill Hub 评分 8.0 分，是同类 Agent 工作流中的精选推荐。
📋 工具概览
AgentScope Go 是一套完整的 AI Agent 自动化工作流方案。通过可视化的节点编排，将复杂的多步骤任务拆解为清晰的自动化流程，实现全程无人值守的智能处理。支持与数百种外部服务和 API 无缝集成，适合构建数据处理管线、业务自动化和 AI 辅助决策系统。
📖 中文文档
AgentScope Go 是一套完整的 AI Agent 自动化工作流方案。通过可视化的节点编排，将复杂的多步骤任务拆解为清晰的自动化流程，实现全程无人值守的智能处理。支持与数百种外部服务和 API 无缝集成，适合构建数据处理管线、业务自动化和 AI 辅助决策系统。
- 可视化 Agent 工作流编排，无需编写复杂代码
- 支持多步骤自动化任务链，实现全流程无人值守
- 与外部 API、数据库和第三方服务无缝集成
- 内置错误处理与自动重试机制，保障稳定运行
- 提供可复用的自动化模板，快速在同类场景部署
- 自动化日常重复性工作，将精力集中于创造性任务
- 构建数据采集 → 处理 → 输出的完整自动化管线
- 实现跨平台、跨系统的数据流转和业务协同
# 方式一：go install（推荐） go install github.com/AlanFokCo/agentscope-go@latest # 方式二：从源码编译 git clone https://github.com/AlanFokCo/agentscope-go cd agentscope-go go build -o agentscope-go . # 方式三：下载预编译二进制 # 访问 Releases 页面下载对应平台二进制文件 # https://github.com/AlanFokCo/agentscope-go/releases
- 访问 GitHub 仓库获取工作流文件
- 在对应平台（Dify / Flowise / Make 等）中找到「导入工作流」功能
- 上传工作流文件
- 按照提示配置必要的环境变量和 API Key
- 运行测试确认流程正常后投入使用
# 查看帮助 agentscope-go --help # 基本运行 agentscope-go [options] <input> # 详细使用说明请查阅文档 # https://github.com/AlanFokCo/agentscope-go
# agentscope-go 配置说明 # 查看配置选项 agentscope-go --config-example > config.yml # 常见配置项 # output_dir: ./output # log_level: info # workers: 4 # 环境变量（覆盖配置文件） export AGENTSCOPE_GO_CONFIG="/path/to/config.yml"
简介
<p align="center"> <img src="https://img.alicdn.com/imgextra/i1/O1CN01nTg6w21NqT5qFKH1u_!!6000000001621-55-tps-550-550.svg" alt="AgentScope" width="120" /> </p>
What you can build
- Tool-using assistants: connect model calls to Go functions, manage context and request human confirmation for tool execution. Use AskUser to collect structured choices through your own frontend. - Multi-agent workflows: coordinate agents with pipelines, message routing and leader/worker teams. - Applications with memory: combine retrieval, conversation state and memory middleware with your own data sources. - Services and experiments: expose an HTTP service or browser UI, record model responses, evaluate runs and inspect traces.
Install in your application
Install the latest tagged release from the community module path. Applications using github.com/alanfokco/agentscope-go/v2 need to update their import prefix; see the module migration notes.
From a new directory:
mkdir agentscope-demo
cd agentscope-demo
go mod init example.com/agentscope-demo
go get github.com/agentscope-ai/agentscope-go/v2@latestQuick start
You need Go 1.25+ and, for the program below, an Anthropic API key and an available model ID. Other adapters are listed under Model providers.
Examples
Examples run from a repository checkout, separately from the application above. This worker-pool demo uses simulated jobs and needs no model API key:
git clone https://github.com/agentscope-ai/agentscope-go.git
cd agentscope-go
go run ./examples/agent_poolStart with agent_v2 for function tools, model_call for direct model streaming, or webui for a browser interface. Check each example's source for its model choice, environment variables and required services or runtimes.
<details> <summary>Browse all examples</summary>
| Example | Demonstrates |
|---|---|
| [simple](examples/simple/) | A custom agent with a single model call |
| [agent_v2](examples/agent_v2/) | UnifiedAgent with a function tool |
| [react_tool](examples/react_tool/) | A custom FunctionTool |
| [react_builtin_tools](examples/react_builtin_tools/) | The built-in coding toolkit |
| [streaming](examples/streaming/) | Agent lifecycle events and provider text deltas |
| [ask_user](examples/ask_user/) | Structured questions with a simulated model and host answer |
| [console](examples/console/) | Terminal chat and tool-call confirmation |
| [managed_routing_eval](examples/managed_routing_eval/) | Managed fixed/rules/classifier comparisons, offline fixtures and opt-in live pilot |
| [managed_routing](examples/managed_routing/) | Managed pools, classification and fallback with offline fixtures |
| [managed_task](examples/managed_task/) | Fixed-model managed text execution with a local HTTP fixture |
| [classifier](examples/classifier/) | Typed classification with offline fake results and attempt accounting |
| [model_call](examples/model_call/) | Direct model streaming, tool calls and structured output |
| [structured_output](examples/structured_output/) | Structured output through tool calling |
| [multi_provider](examples/multi_provider/) | Provider configuration and model cards |
| [multimodal](examples/multimodal/) | Image input using URLs and base64 data |
| [multiagent](examples/multiagent/) | Multi-agent conversation |
| [multiagent_multimodal](examples/multiagent_multimodal/) | Multi-agent conversation with image input |
| [openai_response](examples/openai_response/) | OpenAI Responses API |
| [middleware](examples/middleware/) | Model-call and tool-execution hooks |
| [permission](examples/permission/) | Tool permission modes |
| [tracing](examples/tracing/) | Tracing with LoggerTracer |
| [tracing_otlp](examples/tracing_otlp/) | An OTLP integration setup pattern |
| [agent_loop](examples/agent_loop/) | Loop configuration and metrics |
| [embedding](examples/embedding/) | Text embeddings and similarity |
| [long_term_memory](examples/long_term_memory/) | Long-term memory middleware |
| [agentic_memory](examples/agentic_memory/) | File-based memory and MEMORY.md |
| [rag_react](examples/rag_react/) | Retrieval with an in-memory index |
| [pipeline_multi_agent](examples/pipeline_multi_agent/) | Pipeline and MsgHub coordination |
| [agent_team](examples/agent_team/) | Leader/worker agent coordination |
| [mcp](examples/mcp/) | MCP tool discovery and calls |
| [a2a_http](examples/a2a_http/) | Agent-to-agent communication over HTTP |
| [grpc_a2a](examples/grpc_a2a/) | TCP messaging with newline-delimited JSON, not gRPC |
| [replay](examples/replay/) | Simulated response tapes and file persistence |
| [replayview](examples/replayview/) | A terminal viewer for RunJSONL logs |
| [rundiff](examples/rundiff/) | Compare RunJSONL logs |
| [eval_harness](examples/eval_harness/) | Score recorded response fixtures |
| [agent_pool](examples/agent_pool/) | A bounded worker pool with simulated jobs |
| [hotreload](examples/hotreload/) | Typed configuration reloads |
| [bench](examples/bench/) | Load testing and latency reports |
| [quality_load](examples/quality_load/) | Task quality under scheduled arrivals, with offline fixtures |
| [qdrant_filter](examples/qdrant_filter/) | Metadata filtering against a local Qdrant server |
| [wasm_sandbox](examples/wasm_sandbox/) | WASM runtime discovery and sandbox configuration |
| [hub_install](examples/hub_install/) | Component registries and installation APIs |
| [skill_partitions](examples/skill_partitions/) | Per-agent workspace skill directories |
| [workspace_sharing](examples/workspace_sharing/) | Session/workspace bindings and artifact access |
| [access_control](examples/access_control/) | Resource grants and access checks |
| [document_parser](examples/document_parser/) | Document parsing and chunking |
| [audit_logging](examples/audit_logging/) | Sandbox policy checks and audit records |
| [guardrail](examples/guardrail/) | Block, redact and warn with mock model responses |
| [spend_cap](examples/spend_cap/) | Observed-cost budgets with a mock model |
| [agent_service](examples/agent_service/) | HTTP service and SSE events |
| [webui](examples/webui/) | Embedded browser UI |
| [dingtalk_channel](examples/dingtalk_channel/) | DingTalk messages and confirmations |
| [scheduled_task](examples/scheduled_task/) | One-shot and recurring tasks |
| [realtime_echo](examples/realtime_echo/) | A realtime-interface echo client |
| [edge_offline](examples/edge_offline/) | Cloud/local routing with Ollama |
| [edge_sensor](examples/edge_sensor/) | Sensor middleware with a mock sensor |
| [edge_serial_robot](examples/edge_serial_robot/) | Device tools with a mock serial device |
| [edge_fleet](examples/edge_fleet/) | In-memory pub/sub fleet simulation |
| [werewolves](examples/werewolves/) | A multi-agent Werewolves game |
| [k8s_workspace](examples/k8s_workspace/) | Kubernetes workspace configuration and cluster tools |
</details>
The examples guide provides running instructions and links to the same catalog.
AgentScope Go是一个有前途的开源AI工作流框架
- 需要让 Claude / Cursor 操作本地工具的 AI 工程师
- 构建多智能体协作系统的 Agent 开发者
- 构建企业知识库 / RAG 检索应用的团队
- 做语音类 AI 产品的开发者
- 配置 MCP 服务器时建议使用 stdio 传输 + JSON-RPC，避免暴露公网
- 生产部署优先使用 Docker Compose 隔离依赖，并挂载 volume 持久化数据
- 本地部署优先选 GGUF 量化模型，节省显存并保持响应速度
- 分块大小建议 256-512 tokens，向量库优选 pgvector 或 Qdrant
- Agent 任务先做 dry-run 验证工具调用链，再开启自主执行
- API key 直接提交到 git 仓库（请用 .env 并加入 .gitignore）
- MCP 配置路径拼错或权限不足，重启 Claude Desktop 才生效
- 容器内无法访问宿主机 localhost — 使用 host.docker.internal
- embedding 模型与查询模型不一致导致检索失效
- 显存不足直接 OOM — 优先降低 context 或换更小的量化模型
- Docker：agentscope-go 提供官方镜像，docker compose up 一键启动
- 本地部署：CPU 8GB 起，GPU 推荐 16GB+ 显存
- 云端托管：可放在 Vercel / Railway / Fly.io 等 PaaS 平台
⚡ 核心功能
- 可视化 Agent 工作流编排，无需编写复杂代码
- 支持多步骤自动化任务链，实现全流程无人值守
- 与外部 API、数据库和第三方服务无缝集成
- 内置错误处理与自动重试机制，保障稳定运行
- 提供可复用的自动化模板，快速在同类场景部署
- 需要让 Claude / Cursor 操作本地工具的 AI 工程师
- 构建多智能体协作系统的 Agent 开发者
- 构建企业知识库 / RAG 检索应用的团队
- 做语音类 AI 产品的开发者
- 配置 MCP 服务器时建议使用 stdio 传输 + JSON-RPC，避免暴露公网
- 生产部署优先使用 Docker Compose 隔离依赖，并挂载 volume 持久化数据
- 本地部署优先选 GGUF 量化模型，节省显存并保持响应速度
- 分块大小建议 256-512 tokens，向量库优选 pgvector 或 Qdrant
- API key 直接提交到 git 仓库（请用 .env 并加入 .gitignore）
- MCP 配置路径拼错或权限不足，重启 Claude Desktop 才生效
- 容器内无法访问宿主机 localhost — 使用 host.docker.internal
- embedding 模型与查询模型不一致导致检索失效
👥 适合人群
🎯 使用场景
- 自动化日常重复性工作，将精力集中于创造性任务
- 构建数据采集 → 处理 → 输出的完整自动化管线
- 实现跨平台、跨系统的数据流转和业务协同
⚖️ 优点与不足
- +Apache-2.0 协议，可免费商用
- +大幅减少重复性人工操作
- +可视化流程，清晰直观
- +可扩展性强，支持复杂场景
- −初始配置和调试需投入一定时间
- −强依赖外部服务的稳定性
- −复杂场景需具备一定技术基础
AI Skill Hub 为第三方内容聚合平台，本页面信息基于公开数据整理，不对工具功能和质量作任何法律背书。
建议在沙箱或测试环境中充分验证后，再部署至生产环境，并做好必要的安全评估。
✅ Apache 2.0 — 宽松开源协议，可商用，需保留版权声明和 NOTICE 文件，含专利授权条款。
🔗 相关工具推荐
❓ 常见问题 FAQ
AI Skill Hub 点评：AgentScope Go 的核心功能完整，质量优秀。对于自动化工程师和运维人员来说，这是一个值得纳入个人工具库的选择。建议先在非生产环境试用，再逐步推广。
| 原始名称 | agentscope-go |
| 原始描述 | 开源AI工作流：AgentScope Golang: Agent-Oriented Programming for Building LLM Applications。⭐22 · Go |
| Topics | AIagentchatbotGo |
| GitHub | https://github.com/AlanFokCo/agentscope-go |
| License | Apache-2.0 |
| 语言 | Go |
收录时间：2026-07-02 · 更新时间：2026-07-03 · License：Apache-2.0 · AI Skill Hub 不对第三方内容的准确性作法律背书。