DeepAgents VS Agentscope2.0

Deep agents

基于langchain构建，使用langgraph运行时实现持久化、流式处理、human in the loop，简单使用：agent =create_deep_agent，所谓agent harness

• 内置write_tools工具，进行规划和任务分解
• 支持接入沙箱通过execute进行shell执行，由沙箱提供安全隔离的环境
• 通过文件系统工具将大量上下文卸载到内存或文件系统，进行上下文管理
• 内置的task工具让智能体可以生成子智能体进行上下文隔离
  • 子智能体是嵌套、短暂、单次交接的，父节点调用一次task，子用全新上下文跑完返回结果即结束
  • 子智能体栈中没有subAgentMiddleware，不能继续往下嵌套派生
• 基于langgraph的记忆存储实现长期记忆

适用情况：在langchain+langgraph生态中，需要多样的云沙箱以及不需要持久化团队主要使用分派-获得结果的这种单次交接/上下文隔离的多智能体模式

关键实现

可插拔虚拟文件系统：不把文件系统直接绑定为本地磁盘，抽象为BackendProtocol

在 filesystem.py 顶部 import 展示了后端体系：

from deepagents.backends import (
    CompositeBackend,    //路由后端，根据路径前缀把不同的路径分发给不同后端
    FilesystemBackend,   //本地磁盘
    LocalShellBackend,   //带shell执行能力的本地沙箱
    StateBackend,        //in-memory，用langgraph的state chanel存储
)

上下文管理中的自动 Offloading

当工具返回的ToolMessage内容超过阈值时，Middleware 把原始内容写入虚拟文件系统（FilesystemBackend），消息里只保留一个引用路径和摘要（_create_content_preview），Agent 如果需要完整内容，可以通过 read_file 工具再读回来。

类似于操作系统中的内存换页机制，减少主要上下文窗口的膨胀问题。

 

Agentscope 2.0

无状态引擎，agent完全无状态，将状态分离到了agentState，可序列化可恢复，注重安全有独立的权限系统，支持分布式多租户部署

• 多智能体编排：Agent Team
  • leader创建team，worker是独立的会话在同一服务上并发执行而不是嵌套在leader下面，leader通过读会话流观察进度；成员之间通过redis做消息总线来通信
  • 特点是：分布式，持久化，对等协作
• 部署与可观测性：自带Agent Service，自带多租户、分布式状态、会话重访等功能，将多租户HTTP做进框架，更适合自控全栈

适用情况：从单agent到多租户分布式服务等全栈+注重工具调用安全性+需要多个智能体长期协作，想走多模态全链路

关键实现

洋葱圈Middleware + 事件驱动的Event Bus

在Agent的ReAct生命周期的7个节点进行hook，并通过next_handler构成链式调用，上一层middleware通过yield把控制权交给next_handler()，前后可插入逻辑：

on_reply          → 整个 reply 流程（最外层）
 └─ on_reasoning  → 模型推理阶段
     └─ on_model_call      → 原始 API 调用
     └─ on_check_permission → 工具权限检查
     └─ on_acting          → 工具执行阶段（纯 I/O 层）
         └─ on_compress_context → 上下文压缩
on_system_prompt  → 系统提示词变换（Pipeline 模式，非洋葱）

事件系统定义了30+个精细EventType，覆盖Agent执行全程的每一个节点：

ReplyStartEvent → ModelCallStartEvent
              → TextBlockDeltaEvent (流式文本)
              → ThinkingBlockDeltaEvent (思维链流)
              → ToolCallStartEvent → ToolCallEndEvent
              → RequireUserConfirmEvent  ← Human-in-the-loop 介入点
              → ToolResultStartEvent → ToolResultEndEvent
ReplyEndEvent

• Human-in-the-loop实现方式：在事件流中插入一个暂停事件，外部系统捕获后处理，再通过UserConfirmResultEvent 恢复 Agent 执行