AgentScope ReAct 智能体教程：5分钟从零跑通会思考、会用工具的Agent-编程实验室

AgentScope ReAct 智能体教程：5分钟从零跑通会思考、会用工具的Agent

【免费下载链接】agentscopeBuild and run agents you can see, understand and trust.项目地址: https://gitcode.com/GitHub_Trending/ag/agentscope

AgentScope 2.0 是一个多智能体开发框架，它的Agent类内置 ReAct（Reasoning and Acting，思考-行动）循环：模型自己决定调什么工具、看结果、再继续推理，直到给出结论。本文帮你把这样一个"会动手"的智能体跑起来，并讲清工具、记忆、模型三个组件怎么换。

看懂 ReAct 循环在每一轮里到底流转了哪些东西
用 10 行代码装配一个带文件工具、能终端交互的智能体
学会换模型后端、挂跨会话长期记忆这两个最常见的扩展点

从一个真实任务说起

假设你接到一句话需求："看看这个仓库里为什么有 3 个失败的测试，给出结论"。

用纯聊天模型做这事，它只能靠猜——它看不到你的文件，跑不了命令。ReAct 智能体的做法不一样：

读题，决定先列出测试文件
调用Glob工具拿到路径
调用Read看代码、用Bash跑一下复现
把报错和源码对上号，输出结论

整个过程是模型在循环里自己推进的，你不用写任何 if/else 编排逻辑。

原理速览：思考-行动循环

每一轮循环做四件事：把问题和已有结果交给模型 → 模型产出"思考"或"工具调用" → 框架执行工具并回填结果 → 判断是否已有最终答案，没有就再转一轮。

max_iters（默认 50）是硬保险丝，防止模型陷入无限循环。所有中间过程（思考增量、工具调用、工具输出）都以事件流对外暴露，所以前端能实时渲染，你也能随时 Ctrl+C 打断。

装环境，跑通第一个ReAct智能体

先装好包（要求 Python 3.11+）：

git clone https://gitcode.com/GitHub_Trending/ag/agentscope cd agentscope uv pip install -e .

下面这段代码装配智能体并启动终端交互，保存为main.py即可运行：

import asyncio, os from agentscope.agent import Agent from agentscope.model import DashScopeChatModel from agentscope.credential import DashScopeCredential from agentscope.tool import Toolkit, Bash, Grep, Glob, Read, Write, Edit from agentscope.console import launch_console agent = Agent( name="Friday", system_prompt="You're a helpful assistant named Friday.", model=DashScopeChatModel( credential=DashScopeCredential(api_key=os.environ["DASHSCOPE_API_KEY"]), model="qwen3.6-plus", ), # 内置编码工具：跑命令、搜文件、读写代码 toolkit=Toolkit(tools=[Bash(), Grep(), Glob(), Read(), Write(), Edit()]), ) asyncio.run(launch_console(agent))

逐段看：

Agent(...)把模型、工具集、系统提示词三样东西绑到一起。工具集（Toolkit）是模型"手"的来源——注册了什么，它就能干什么。
Toolkit(tools=[...])里的Bash、Grep、Read等都是内置工具类，不需要你写实现。
launch_console接管了交互细节：流式打印、工具调用确认、Ctrl+C 中断。想嵌进自己的程序，就直接调agent.reply_stream(msg)拿事件流。

运行前记得export DASHSCOPE_API_KEY=...，然后python main.py。

能力扩展：换组件

换一个模型后端

想让智能体用 OpenAI 而不是 DashScope？只改model=参数即可，其余逻辑不动：

# 凭证和模型名换成你 OpenAI 的，其余代码不变 model=OpenAIChatModel( credential=OpenAICredential(api_key="sk-..."), model="gpt-4o", )

框架里 Anthropic、Gemini、DeepSeek、Ollama 等后端都是同一个接口，切后端不需要动循环代码。

给智能体装上跨会话记忆

单次对话的记忆存在上下文里，关掉就没了。挂一个中间件（middleware，不改源码、挂在循环上的钩子）就能沉淀长期事实：

from agentscope.middleware import AgenticMemoryMiddleware agent = Agent( # ... middlewares=[ AgenticMemoryMiddleware(workdir="./mem", backend=backend), ], )

效果是双通道：智能体可以主动调用记忆工具检索"上次聊过什么"，中间件也会在每轮结束后把值得留的事实写进工作目录，下次启动接着用。完整跑法见 examples/long_term_memory/mem0/，里面有 Mem0 后端的对照演示。

常见坑与调优

每次工具调用都弹确认，效率低：AgentScope 默认走权限（permission）检查，危险操作要人工点头。本地跑自己的环境时，调权限配置走放行模式；生产环境保持默认。这个交互长什么样，看 README.md 里的演示图。
跑了 50 轮还没结论就停了：这是max_iters保险丝生效，不是 bug。任务确实大就调大它，任务写得模糊就先改问题本身。
聊久了"忘了"前文：上下文 token 占用到上限 80% 时框架会自动把旧消息压缩成摘要，细节可能丢。要保细节，调低ContextConfig的trigger_ratio或给 Agent 传offloader，把压缩内容和超长工具输出挪出去存档。