AgentScope 2.0多智能体开发实战：从环境配置到云端部署

之前在做业务智能化改造时我选择 AgentScope 作为多智能体开发框架。真正上手后才发现网上资料虽然不少但多数停留在“跑通 demo”层面环境配置、工具调用、云端部署之间的坑没人讲透。这篇文章我把自己从零开始搭建 AgentScope 2.0 应用的完整过程整理出来重点覆盖环境配置、智能体编排、工具调用、云端部署四块内容。无论你是刚开始接触多智能体开发还是打算把智能体应用部署到生产环境都能从里面找到可以直接复用的操作步骤。需要提前说明一点AgentScope 版本迭代速度比较快本文示例基于 AgentScope 2.x 的常用写法和公开文档整理。你实际使用时如果遇到接口变动请以官方文档和当前安装版本的 API 为准。1. AgentScope 2.0 是什么为什么要学它AgentScope 是阿里巴巴开源的多智能体开发框架目标是让开发者用更少的代码搭建支持大模型驱动的智能体应用。它解决了几个很现实的问题第一多智能体协作的编排成本高。多个大模型智能体之间如何传递消息、如何串行或并行执行、如何结束任务如果全部自己写逻辑代码会越来越复杂。AgentScope 把消息传递和流程编排抽象成了统一接口。第二大模型接入方式碎片化。不同厂商的模型 API 差异很大AgentScope 通过统一的模型配置层屏蔽了这些差异。你想从 OpenAI 切到通义千问或者切换到本地部署的 Ollama 模型只需要改配置不需要重写业务逻辑。第三工程化能力缺失。实际项目中智能体不只要“会聊天”还要能调用外部工具、访问数据库、通过 API 对外提供服务。AgentScope 提供了工具调用、分布式部署、服务化封装等能力让智能体可以真正融入业务系统。我比较看重的应用场景包括智能客服用户咨询进线后由多个专业智能体协同处理。数据分析助手大模型生成分析结论同时调用代码执行工具完成计算。内容安全审核生成内容先由创作智能体产出再由审核智能体校验。企业内部知识助手结合 RAG 检索和即时工具查询回答业务问题。如果你正在选型多智能体框架AgentScope 的核心优势是“轻量、可控、易扩展”。它不是把一切封装成黑盒而是保留了足够的灵活性方便你定制自己的多智能体逻辑。2. 环境准备与安装2.1 检查本机 Python 环境AgentScope 是基于 Python 的框架安装前先确认 Python 版本满足要求。我建议使用 Python 3.9 及以上版本如果你本机版本较低或者同时管理多个 Python 环境最好用 Anaconda 或 venv 创建独立的虚拟环境。在终端输入以下命令查看版本python --version如果你使用的是 conda可以直接创建一个干净的 Python 3.10 环境conda create -n agentscope python3.10 -y conda activate agentscope创建虚拟环境的目的是隔离依赖。AgentScope 依赖较多直接安装到系统 Python 环境里很容易和现有项目冲突。我自己就曾经因为本机有多个项目依赖不同版本的 pydantic导致 AgentScope 安装后无法导入后来统一改用虚拟环境才解决。2.2 创建虚拟环境并安装 AgentScope激活虚拟环境后执行以下命令安装 AgentScopepip install -U agentscope如果你需要安装某个特定版本可以通过指定版本号安装pip install agentscope2.x.x这里的版本号需要以 PyPI 上实际存在的版本为准。安装完成后可以打印版本号确认安装成功python -c import agentscope; print(agentscope.__version__)如果命令没有任何报错说明 AgentScope 已经安装成功。如果提示缺少依赖建议不要手动一个个补包直接重新安装一次pip install -U agentscope让 pip 自动解析依赖。2.3 配置模型服务AgentScope 本身不包含大模型它扮演的是“大脑调度层”的角色。你需要给每个智能体配置一个模型服务常用的方式有以下几种OpenAI 兼容接口包括 OpenAI 官方接口、各种代理网关、以及部分云厂商提供的 OpenAI 兼容协议。DashScope 通义千问阿里云的大模型服务国内访问速度比较友好。Ollama 本地模型适合本地开发调试数据不出内网。在你的项目目录下创建一个model_configs.json文件内容示例如下[ { model_type: openai_chat, config_name: my_openai, model_name: gpt-4o-mini, api_key: sk-your-key, base_url: https://api.openai.com/v1, temperature: 0.7 }, { model_type: dashscope_chat, config_name: my_qwen, model_name: qwen-plus, api_key: sk-your-dashscope-key } ]这里的关键参数解释一下model_typeAgentScope 用来识别模型协议的字段不同的服务商对应不同的类型。config_name你自己给这个模型配置起的名字后面创建智能体时会用到。model_name具体使用哪一个模型版本。base_urlOpenAI 兼容接口的地址如果是官方接口可以保持默认如果是网关或代理地址则需要修改。api_keyAPI 密钥。建议通过环境变量注入不要写死在代码仓库里。你也可以在代码中直接传model_configs字典但放在独立 JSON 文件里更利于环境隔离和配置维护。下面是初始化 AgentScope 的代码import agentscope agentscope.init(model_configsmodel_configs.json)这里要注意不要把真实的 API Key 提交到 Git 仓库。建议改成从环境变量读取。2.4 验证安装与模型连通性安装完成后先用一个最简单的智能体验证模型连通性。创建test_agent.pyimport agentscope from agentscope.message import Msg from agentscope.agent import AgentBase agentscope.init(model_configsmodel_configs.json) class EchoAgent(AgentBase): def reply(self, msg: Msg) - Msg: return Msg( nameself.name, contentagent ready, roleassistant ) agent EchoAgent(nametester) reply agent.reply(Msg(nameuser, contenthello, roleuser)) print(reply)这段代码只是验证基础流程能跑通。如果你使用的 API Key 没生效或者模型配置有问题在这个阶段就会抛异常方便提前排查。3. AgentScope 2.0 核心概念速览在动手写完整应用前建议先搞懂几个核心概念后面写代码会轻松很多。3.1 消息MsgAgentScope 里智能体之间传递信息的载体是Msg对象。它不是普通字符串而是一个包含name、content、role等字段的结构化消息对象。其中name消息发送方名称。content消息正文可以是字符串也可以是更复杂的数据结构。role角色标记例如user、assistant、system。metadata可选参数用于传递额外的调用信息。你可以简单地把Msg理解为“智能体之间的信封”。这比直接传字符串更规范因为多智能体协作时消息来源和角色信息很多时候是下游判断逻辑的关键。3.2 智能体Agent智能体是 AgentScope 中的基本执行单元。每个智能体可以有自己的名字、模型配置、人设 prompt、工具集。一个最简单的自定义智能体长这样from agentscope.agent import AgentBase from agentscope.message import Msg class MyAgent(AgentBase): def reply(self, msg: Msg) - Msg: # 这里可以调用模型、调用工具也可以执行任意自定义逻辑 response self.model(msg) return Msg( nameself.name, contentresponse.text, roleassistant )在实际项目中智能体不只是“套壳大模型”。你可以在reply方法里加入权限校验、上下文组装、工具调用、异常兜底等逻辑。这也是 AgentScope 设计得比较舒服的地方框架没有限制你只能怎么干而是给你留了足够的扩展点。3.3 智能体协作模式单智能体能力有限真实业务往往需要多个智能体配合。AgentScope 支持多种编排方式串联 Pipeline多个智能体按顺序执行前一个输出作为后一个输入。并发执行多个智能体同时处理不同任务最后汇总结果。对话协作两个智能体通过对话不断逼近目标。群聊协作多个智能体围绕一个主题共同讨论由管理者协调发言顺序。如果你对复杂的 Agent 通信协议还不熟建议先掌握 Pipeline 串联和最简单的“协调者模式”一个总控智能体接收用户请求再按规则分发给不同的专业智能体。这种方式代码简单、逻辑清晰、容易排查问题。3.4 工具调用机制大模型本身只能生成文本无法直接查询数据库、调用外部 API、操作文件系统。工具调用就是解决这个问题。AgentScope 工具调用的基本流程是开发者定义一个普通 Python 函数。把函数注册进智能体的工具列表。当用户请求需要外部信息时模型或代码逻辑决定调用哪个函数。函数执行后把结果返回给智能体智能体再基于结果生成最终回答。这种“模型负责思考代码负责执行”的方案既发挥了大模型的推理能力又保证了精确操作由代码完成安全性更好。4. 实战搭建一个工单助手多智能体应用4.1 业务需求与架构接下来我们动手做一个例子一个“售后工单助手”。需求如下用户发送消息例如“帮我查一下订单 A10086 的物流状态”。客服智能体先尝试判断用户意图。如果涉及订单查询调用订单查询工具。客服智能体生成回复后交给合规审核智能体检查一次避免出现过度承诺。最终返回给用户。整体架构如下用户消息 ↓ 客服智能体CustomerSupportAgent ↓ 工具层订单查询函数 ↓ 回复草稿 ↓ 合规审核智能体ComplianceAgent ↓ 最终回复项目目录我推荐这样组织agent_demo/ ├── model_configs.json ├── main.py ├── agents/ │ ├── __init__.py │ ├── support_agent.py │ └── compliance_agent.py └── tools/ ├── __init__.py └── order_tools.py这样分层的最大好处是智能体、工具、入口逻辑相互解耦后续扩展新工具或新智能体时不需要改动主流程。4.2 编写工具函数先来定义工具。这里用三个模拟函数演示get_order_status(order_id)查询订单状态。get_refund_policy()获取退款政策。send_service_feedback(user_message)记录用户反馈。创建tools/order_tools.py# 文件路径agent_demo/tools/order_tools.py def get_order_status(order_id: str) - str: 模拟查询订单状态 order_db { A10086: 已发货预计3天内送达, A10087: 发货失败仓库库存不足, A10088: 已签收, } return order_db.get(order_id, f没有找到订单 {order_id} 的信息) def get_refund_policy() - str: 返回当前退款政策 return 未发货订单可支持全额退款已发货订单需扣除运费后原路退回。 def send_service_feedback(user_message: str) - str: 记录一条用户反馈 # 实际项目中这里可以写入消息队列或数据库 print(f[FEEDBACK] {user_message}) return 反馈已记录这里模拟了一个简单的内存数据库。实际项目中你可以把这些函数改成查询 MySQL、调用 Redis、请求内部 RPC 服务等对外暴露的接口保持不变。4.3 编写智能体接下来实现客服智能体。这里为了让流程更清晰我没有强行依赖大模型的 function calling 能力而是在reply中手动解析用户意图并调用工具。这种方式在无法确定底层模型是否支持工具调用时最稳妥。创建agents/support_agent.py# 文件路径agent_demo/agents/support_agent.py from agentscope.agent import AgentBase from agentscope.message import Msg from tools.order_tools import ( get_order_status, get_refund_policy, send_service_feedback, ) class CustomerSupportAgent(AgentBase): 客服智能体理解用户问题调用工具生成回复 def reply(self, msg: Msg) - Msg: # 1. 从消息中获取用户输入 user_text msg.content # 2. 简单的意图识别与工具调用 if 订单 in user_text and 查 in user_text: # 从文本中提取订单号这里简单取包含 A10 的连续字符串 order_id self._extract_order_id(user_text) if order_id: order_info get_order_status(order_id) tool_result f订单查询结果{order_info} else: tool_result 暂时无法从消息中识别订单号请用户提供完整订单号。 elif 退款 in user_text or 退货 in user_text: policy get_refund_policy() tool_result f退款政策如下{policy} elif 反馈 in user_text or 投诉 in user_text: result send_service_feedback(user_text) tool_result result else: tool_result 暂未匹配到特定工具直接回答用户问题。 # 3. 组装模型上下文 system_prompt 你是客服助手请基于工具结果回答用户不要编造信息。 raw_input Msg( namesystem, contentf{system_prompt}\n用户消息{user_text}\n工具结果{tool_result}, rolesystem, ) # 4. 调用大模型生成回复 response self.model(raw_input) return Msg( nameself.name, contentresponse.text, roleassistant, metadata{tool_result: tool_result}, ) def _extract_order_id(self, text: str) - str: 简单提取订单号 for part in text.split(): if part.startswith(A) and part[1:].isdigit(): return part return 再编写合规审核智能体。它不调用工具只负责审查客服智能体生成的回复。创建agents/compliance_agent.py# 文件路径agent_demo/agents/compliance_agent.py from agentscope.agent import AgentBase from agentscope.message import Msg class ComplianceAgent(AgentBase): 合规审核智能体检查回复是否包含过度承诺或风险内容 def reply(self, msg: Msg) - Msg: review_prompt ( 你是一名售后合规审核员。请检查以下客服回复是否包含\n 1. 绝对化承诺例如“一定赔”“保证到货”等\n 2. 违反退款政策的表述\n 3. 可能引发纠纷的模糊措辞。\n 如果发现问题请直接修改原回复为合规版本。\n 如果没问题原样返回。\n\n f待审核内容\n{msg.content} ) review_msg Msg( namesystem, contentreview_prompt, rolesystem, ) response self.model(review_msg) return Msg( nameself.name, contentresponse.text, roleassistant, )4.4 编写多智能体协作流程现在写主入口。这里使用 AgentScope 的 Pipeline 机制把客服智能体和合规审核智能体串联起来。你也可以不用 Pipeline直接手动调用效果等价。创建main.py# 文件路径agent_demo/main.py import agentscope from agentscope.pipelines import SequentialPipeline from agentscope.message import Msg from agents.support_agent import CustomerSupportAgent from agents.compliance_agent import ComplianceAgent def main() - None: # 1. 初始化 AgentScope读取模型配置 agentscope.init(model_configsmodel_configs.json) # 2. 创建两个智能体 support_agent CustomerSupportAgent( namesupport_agent, model_config_namemy_openai, system_prompt你是客服助手。, ) compliance_agent ComplianceAgent( namecompliance_agent, model_config_namemy_openai, system_prompt你是合规审核员。, ) # 3. 构建串行流程 pipe SequentialPipeline([support_agent, compliance_agent]) # 4. 模拟用户消息 user_msg Msg( nameuser, content帮我查一下订单 A10086 的物流状态, roleuser, ) # 5. 执行流程 final_reply pipe.run(user_msg) # 6. 输出结果 print(最终回复) print(final_reply.content) if __name__ __main__: main()4.5 运行与验证在项目目录下执行python main.py预期结果是客服智能体先识别出“查订单”意图调用get_order_status拿到“已发货预计3天内送达”的工具结果后生成回复草稿合规审核智能体检查草稿后返回最终回复。如果中途出现模型超时或格式错误可以根据报错信息回头检查model_configs.json中的模型配置。这里多智能体协作的意义很直观客服负责“干活”合规负责“把关”两者职责分离。5. 进阶如何接入更灵活的工具调用机制手动解析意图虽然稳定但面对复杂、多变的用户输入时规则会越来越多。更聪明的做法是让大模型自己决定调用哪个工具这就是 Function Calling。AgentScope 中如果你使用的模型支持工具调用可以尝试用ReActAgent或类似的 Agent 类把工具函数传到tools参数中。示例思路如下from agentscope.agent import ReActAgent agent ReActAgent( nameassistant, model_config_namemy_openai, tools[get_order_status, get_refund_policy], ) reply agent.reply( Msg(nameuser, content查一下 A10087 订单为什么失败, roleuser) ) print(reply)这段代码如果直接复制到你的项目里可能需要根据当前 AgentScope 版本的实际情况调整。因为不同小版本的工具调用类名和参数位置可能有变化。这里重点是理解思路工具函数需要写成普通 Python 函数最好带上清晰的 docstring因为这会影响模型对函数用途的理解。模型会分析用户输入选择调用匹配的函数并提取函数所需参数。工具执行结果会作为新的上下文再次交给模型由模型生成最终回答。如果你要接入 MCP 工具思路也是一样的把 MCP 工具包装成符合 AgentScope 工具调用规范的函数再注入到智能体工具列表中。关键不是纠结于某个特定协议而是理解“模型决策、代码执行”的基本链路。6. 云端部署从本地到生产环境本地跑通 demo 只是第一步。真正有价值的是把智能体应用部署到云端对外提供服务。下面以 FastAPI Docker 云服务器为例演示完整部署流程。6.1 使用 FastAPI 封装智能体服务先安装 FastAPI 和 uvicornpip install fastapi uvicorn创建server.py# 文件路径agent_demo/server.py import os from fastapi import FastAPI, Header, HTTPException from pydantic import BaseModel import agentscope from agentscope.message import Msg from agentscope.pipelines import SequentialPipeline from agents.support_agent import CustomerSupportAgent from agents.compliance_agent import ComplianceAgent app FastAPI(titleAgentScope Support Demo) # 全局初始化只执行一次 agentscope.init(model_configsmodel_configs.json) support_agent CustomerSupportAgent( namesupport_agent, model_config_namemy_openai, system_prompt你是客服助手。, ) compliance_agent ComplianceAgent( namecompliance_agent, model_config_namemy_openai, system_prompt你是合规审核员。, ) pipe SequentialPipeline([support_agent, compliance_agent]) class ChatRequest(BaseModel): message: str class ChatResponse(BaseModel): reply: str app.post(/chat, response_modelChatResponse) def chat(req: ChatRequest, authorization: str Header(default)) - ChatResponse: # 简单鉴权建议改成 JWT 或云网关鉴权 if authorization ! os.getenv(API_TOKEN, secret-token): raise HTTPException(status_code401, detailUnauthorized) user_msg Msg(nameuser, contentreq.message, roleuser) result pipe.run(user_msg) return ChatResponse(replyresult.content)这里有一个关键点不要在服务器内部把model_configs.json和 API Key 直接写死在代码里。建议通过环境变量注入密钥配置文件保持占位形式。6.2 使用 SSE 实现流式输出如果业务要求智能体回复像聊天机器人一样流式展示可以改用 SSEServer-Sent Events。服务端按行推送数据前端通过 EventSource 接收。下面是一个极简的 SSE 接口示例展示如何把 Agent 输出逐步推送from fastapi.responses import StreamingResponse import json def generate_stream(message: str): # 这里模拟流式输出 # 实际项目中如果模型支持流式返回可以迭代模型的生成结果 chunks [你好, , 已收到你的, 问题, 。] for chunk in chunks: yield fdata: {json.dumps({delta: chunk})}\n\n app.get(/chat/stream) def chat_stream(message: str, authorization: str Header(default)): if authorization ! os.getenv(API_TOKEN, secret-token): raise HTTPException(status_code401, detailUnauthorized) return StreamingResponse( generate_stream(message), media_typetext/event-stream, )需要提醒的是不同大模型服务的流式返回格式不同接入时要以你使用的模型服务实际返回结构为准。6.3 编写 Dockerfile创建DockerfileFROM python:3.10-slim WORKDIR /app COPY requirements.txt . RUN pip install --no-cache-dir -r requirements.txt COPY . . EXPOSE 8000 CMD [uvicorn, server:app, --host, 0.0.0.0, --port, 8000]对应的requirements.txt至少需要包含agentscope fastapi uvicorn如果你的agentscope依赖于一些需要编译的包建议使用python:3.10-slim并预装基础编译工具。也可以改用官方提供的 Python 镜像根据实际依赖调整。6.4 云服务器部署在云服务器上执行以下命令docker build -t agent-demo:latest . docker run -d \ --name agent-demo \ -p 8000:8000 \ -e API_TOKENyour-secret-token \ agent-demo:latest部署完成后本地调用接口curl -X POST http://your-server-ip:8000/chat \ -H Content-Type: application/json \ -H Authorization: your-secret-token \ -d {message: 帮我查一下订单 A10088 的信息}正常会返回类似下面的结果{ reply: 您的订单已签收感谢您的购买。 }这里要再次强调云服务器上的 API 端口不要直接对公网完全开放。建议使用云厂商的安全组限制来源 IP或者放在 API 网关后面由网关负责认证、限流、审计。7. 常见问题与排查下面汇总一些我在本地配置和云端部署过程中遇到的高频问题方便你对照排查。问题现象常见原因解决思路安装 agentscope 时依赖冲突本机其他项目依赖了不同版本的 pydantic / openai使用虚拟环境隔离不要强行降级其他项目依赖导入 agentscope 报错Python 版本过低或安装不完整确认 Python 3.9重新执行pip install -U agentscope初始化时报模型鉴权失败api_key配置错误或环境变量未生效检查model_configs.json和终端环境变量先单独用 SDK 测试模型连通性模型可以访问但回复为空模型返回格式变化或超时打印中间消息检查Msg的 content 字段是否为空查看服务端日志Pipeline 执行顺序不符合预期对 Pipeline 的执行模型理解不一致确认SequentialPipeline传入的是按顺序执行的 agent 列表调试时在每个 agent 入口打印日志Docker 构建时下载依赖失败服务器网络环境限制配置可用的 pip 镜像源或预先在本地导出 wheel 包外部请求 401API_TOKEN环境变量不一致检查启动容器的-e API_TOKEN参数和请求头流式接口没有输出SSE 使用了代理缓冲在服务器层关闭响应缓冲或改用 WebSocket如果你遇到 AgentScope 相关接口改动导致的报错最直接的办法是查看当前安装版本的源码和官方文档。框架升级时命名空间、函数签名、模型配置字段都可能有调整不要执着于旧版本写法。8. 最佳实践与工程建议从 demo 走向生产环境我建议关注下面几个方面。8.1 配置管理模型配置不要写死在代码里。model_configs.json要进入版本库时把真实密钥替换成环境变量占位符。例如{ model_type: openai_chat, config_name: my_openai, model_name: gpt-4o-mini, api_key: ${OPENAI_API_KEY}, base_url: ${OPENAI_BASE_URL} }然后在启动时注入环境变量。这样同一份配置文件可以适配多个环境。8.2 权限控制与安全边界云端部署时必须关注三件事智能体调用的工具函数要做权限校验。不是所有工具都能被所有智能体调用。外部 API 要做好认证和限流。建议使用云 API 网关或者至少在服务层加入 IP 白名单。工具函数不能直接暴露底层数据库的任意操作。比如订单查询工具只开放给查询接口不允许传入任意 SQL。如果你在 AgentScope 中使用权限系统明确“谁能调用哪个工具、谁能访问哪个模型”是最低要求。8.3 日志与可观测性多智能体应用的排查难度比普通 API 高因为每个智能体都可能有自己的上下文和工具调用链。建议在关键节点输出结构化日志包括用户原始消息。每个智能体接收到的输入。工具函数被调用的名称、参数、返回结果。每个智能体的最终回复。整条链路的耗时。日志格式可以用 JSON方便后续接入日志平台。如果量很大还可以为每次请求生成一个 trace_id贯穿整个链路。8.4 异常处理与降级大模型服务可能会超时、限流、返回格式异常。我在项目里通常会加两层兜底第一层是模型调用层的超时和重试。对 OpenAI 兼容接口可以通过时间限制和指数退避策略降低临时抖动的影响。第二层是业务兜底。如果某个智能体未能按时返回是直接给用户返回兜底话术还是把请求转给人工客服要在架构设计阶段想清楚。8.5 性能优化多智能体串行执行时整体耗时是各智能体耗时的总和。如果你的场景可以接受应该尽量把互相不依赖的智能体放到并发执行减少响应时间。AgentScope 的并发 Pipeline 可以帮助你做到这一点。另外模型选择也要分层。简单任务用快模型或小模型复杂推理才用强模型。不要所有智能体都锁定同一个高配模型成本会涨得很快。8.6 可测试性智能体应用也需要写测试。至少覆盖以下场景工具函数给定输入验证返回是否预期。意图识别相同意图的不同说法是否都命中了正确的工具。合规审核包含风险词的回复是否被拦截或改写。主流程用户消息经过完整 Pipeline 后最终返回是否合规。测试时尽量使用 mock 模型不要每次测试都真实调用大模型否则成本和稳定性都是问题。9. 总结与下一步学习路径从环境配置到多智能体编排再到工具调用和云端部署AgentScope 这套流程本身并不复杂真正的复杂度在于业务抽象和工程化。这篇文章的实战部分覆盖了一个完整的“客服 合规审核”双智能体应用。你掌握了关键链路大模型负责理解意图代码负责精确执行工具多智能体通过 Pipeline 串联服务通过 FastAPI 暴露最终用 Docker 部署到云端。接下来如果你想继续深入可以从这几个方向入手深入阅读 AgentScope 官方文档了解当前 2.x 版本的分布式 Agent 和 RPC 通信能力。尝试把工具函数从内存字典改为 MySQL 或 Redis让智能体真正连接企业数据。研究复杂群聊协作模式多个智能体围绕一个目标交替发言。把前端聊天界面和 SSE 流式输出接通做成完整的对话式交互产品。不过还是要提醒你多智能体应用上线前一定要验证工具调用的安全边界。大模型生成的结果必须经过校验和审计尤其是涉及资金、订单、个人信息这些敏感场景时人工兜底机制不能省。如果你在实操中遇到 AgentScope 版本升级带来的接口变化不要焦虑。核心概念都会保留变化的通常只是类名和参数位置。对照官方文档和报错堆栈一步一步调整很快就能恢复运行。希望这篇文章能帮你在多智能体开发这条路上少踩一些坑。