Java开发者的大模型入门：AgentScope Java组件全攻略（二）

大家好，我是讯享网，很高兴认识大家。这里提供最前沿的Ai技术和互联网信息。

在前面的章节中，我们一直在本地开发和测试智能体，通过 Spring Boot 的 Controller 暴露 HTTP 接口供外部调用。这种方式对于开发和演示足够了，但当我们想把智能体投入生产环境，面对真实用户的高并发请求时，就会遇到新的挑战：如何保证服务稳定、高效？如何防止恶意用户通过工具调用破坏系统？

AgentScope Runtime 正是为解决这些问题而生的。它是一个专为智能体设计的全栈运行时环境，核心目标是高效部署与服务以及安全的沙箱执行。本章将带你学习如何使用 AgentScope Runtime 将智能体部署为可靠的服务，并配置沙箱来保护你的系统。

9.1.1 部署挑战

想象一下，你的智能体被集成到电商网站的客服系统中，每天有成千上万用户访问。这时你会面临：

高并发：多个请求同时到达，你的智能体需要能并行处理，不能阻塞。
资源管理：每个请求都会调用大模型 API，如何控制并发度，避免超出 API 限流或导致内存溢出？
稳定性：某个请求如果导致智能体死循环（例如 ReAct 无限循环），不能影响其他请求。

9.1.2 安全挑战

智能体的一大优势是能调用工具执行操作。但工具是把双刃剑——如果被恶意利用，可能造成严重破坏。例如：

一个文件读取工具，如果被传入，就可能读取系统敏感文件。
一个命令执行工具，如果被传入，后果不堪设想。

因此，工具必须在受控的环境中执行，这就是沙箱（Sandbox）的作用。

9.1.3 AgentScope Runtime 的解决方案

AgentScope Runtime 提供了：

高效服务：内置请求队列、线程池、负载均衡，支持高并发。
智能体管理：可以同时部署多个智能体，通过名称路由。
安全沙箱：限制工具执行的权限，例如只能访问特定目录、禁止执行系统命令、限制网络请求等。
可观测性：输出指标（QPS、延迟、错误率）供监控系统（如下一章的 Studio）收集。

其实，我们在前面章节中通过 Spring Boot 和已经实现了智能体的 HTTP 服务。AgentScope Runtime 并没有推翻这种方式，而是在此基础上提供了更标准化的部署能力。通常，你仍然可以使用 Spring Boot 作为基础，然后集成 Runtime 的沙箱和监控功能。

9.2.1 回顾：最简单的 HTTP 服务

假设我们有一个智能体，我们通过 Controller 暴露：

启动 Spring Boot 应用后，可以通过 HTTP POST 请求调用。

9.2.2 使用 AgentScope Runtime 管理智能体

AgentScope Runtime 提供了一个类，可以统一管理多个智能体，并提供统一的 REST API。我们可以在 Spring Boot 启动时初始化它。

首先，引入 Runtime 依赖（假设已经包含在中，但可能需要单独添加）。如果 starter 已包含则无需操作。

然后，创建一个配置类，注册智能体到 Runtime：

GPT plus 代充 只需 145

会启动一个内置的 HTTP 服务器（比如基于 Netty），提供统一入口：。这样，我们可以通过这个统一入口调用任何注册的智能体，而不需要为每个智能体编写 Controller。

9.2.3 配置文件定义智能体

除了代码注册，Runtime 还支持通过配置文件定义智能体。在中添加：

Runtime 会自动加载这些类并创建智能体实例，同时限制每个智能体的最大并发请求数。

9.3.1 为什么需要沙箱？

沙箱是一种安全机制，它将工具的执行环境隔离在一个受限的“盒子”里，限制其对系统资源的访问。例如，我们可以允许工具读取目录下的文件，但不允许访问；允许进行 HTTP 请求，但不允许连接到内网 IP。

9.3.2 AgentScope 沙箱的工作原理

AgentScope 的沙箱通过 Java 的或自定义的类加载器、权限检查来实现。当工具方法被调用时，Runtime 会检查当前执行上下文是否在沙箱内，并应用预先配置的权限策略。

简化来说，沙箱会在调用工具方法之前，设置一个安全上下文，拦截危险操作。

9.3.3 配置沙箱权限

我们可以在中为每个工具或全局配置沙箱规则：

GPT plus 代充 只需 145

这些规则将在工具执行前进行校验，如果违反规则，工具调用会失败并抛出安全异常。

9.3.4 在工具代码中感知沙箱

工具开发者通常不需要关心沙箱，沙箱自动生效。但有时工具需要根据权限调整行为（例如，如果只允许读，则不能写）。可以通过获取当前权限信息，但这不是必须的。

让我们通过一个例子来体验沙箱的作用。我们将创建一个带有“文件读取”工具的智能体，然后配置沙箱限制它只能读取特定目录。

9.4.1 定义文件读取工具

9.4.2 创建智能体

GPT plus 代充 只需 145

9.4.3 配置沙箱规则

在中启用沙箱，并设置规则：

9.4.4 注册智能体到 Runtime

使用前面的配置或通过配置文件注册。

9.4.5 测试

在目录下创建一个测试文件，内容为 "Hello Sandbox"。
在项目根目录下创建，内容为 "Project Data"。
启动应用。
调用智能体，让它读取：

GPT plus 代充 只需 145

应该能成功返回内容。

尝试读取系统敏感文件，比如：

这时，沙箱会拦截，智能体可能返回类似“权限不足，无法读取该文件”的错误信息。

9.4.6 沙箱工作流程

GPT plus 代充 只需 145

如果路径允许，沙箱放行，工具正常执行。

AgentScope Runtime 内置了指标收集功能，可以记录每个智能体的请求数、平均耗时、错误数等。这些指标可以通过 JMX 或 HTTP 端点暴露，供 Prometheus 等监控系统抓取。

在中开启：

访问可以看到类似：

GPT plus 代充 只需 145

这些指标可以与下一章的 AgentScope Studio 集成，实现可视化监控。

通过本章的学习，你掌握了：

AgentScope Runtime 的核心作用：高效部署 + 安全沙箱。
将智能体发布为服务：使用 Runtime 的统一管理智能体，通过配置定义并发限制。
沙箱机制：为什么需要、如何配置权限规则，以及如何在工具执行时自动应用。
实践：部署了一个带文件读取工具的智能体，验证沙箱的访问限制。
可观测性：了解 Runtime 提供的指标端点，为监控做准备。

在上一章中，我们学习了如何将智能体安全高效地部署为服务。但当智能体真正运行在生产环境中，我们如何了解它的内部状态？如何查看它每一步的思考过程？如果回答出错，如何追溯原因？可观测性正是解决这些问题的关键，而 AgentScope Studio 提供了强大的可视化工具，让你能够像调试代码一样调试智能体。

本章将带你掌握 AgentScope Studio 的使用，包括集成方式、查看执行轨迹、评估智能体性能等。

想象一下，你部署了一个复杂的 ReAct 智能体，它调用多个工具，经历多轮思考循环。某一天，用户投诉它给出了错误的答案。如果没有可观测性工具，你只能查看日志，面对大量混杂的文本，很难还原智能体当时的决策过程。

AgentScope Studio 可以：

可视化执行轨迹：以图形化的方式展示智能体的思考步骤、工具调用和观察结果。
实时调试：在开发环境中，你可以与智能体交互并实时查看它的思考链条。
评估智能体：通过测试集批量运行智能体，生成准确率、相关性等指标报告。
管理提示词：与 Nacos 集成，动态调整提示词并观察效果（需要结合配置中心）。

AgentScope Studio 可以以两种方式使用：

嵌入模式：作为 Spring Boot 应用的一部分，在本地启动一个 Web 界面。
独立模式：部署独立的 Studio 服务，连接到你的智能体服务。

我们主要介绍嵌入模式，因为它简单易用，适合开发和测试。

10.2.1 引入依赖

在中添加 Studio 依赖（如果尚未包含在 starter 中）：

10.2.2 配置文件

在中开启 Studio 并配置访问路径：

GPT plus 代充 只需 145

10.2.3 启动应用

启动 Spring Boot 应用后，访问，你将看到 Studio 的主界面。如果没有看到，请检查控制台日志，确认 Studio 是否正确初始化。

Studio 的核心功能之一是可视化智能体的执行过程。让我们通过一个示例来体验。

10.3.1 准备一个 ReAct 智能体

复用第七章的代码助手智能体（包含工具）。确保它已经注册为 Spring Bean。

10.3.2 通过 Studio 发起对话

在 Studio 界面左侧，你可以选择一个智能体（如），然后在输入框中输入问题，例如：“请写一个 Python 函数计算斐波那契数列的第 10 项并运行它”。点击发送。

Studio 会在右侧显示执行过程，可能包括：

思考：智能体每一步的推理文字。
工具调用：显示调用了哪个工具，参数是什么。
工具结果：工具返回的内容。
最终回答：最终的输出。

这些信息以树形结构或时间线呈现，非常直观。

10.3.3 执行轨迹的 Mermaid 可视化

Studio 内部可以将执行轨迹导出为 Mermaid 格式，方便嵌入文档或分享。一个典型的 ReAct 循环的 Mermaid 图如下：

10.3.4 如何获取这些轨迹数据

Studio 通过监听智能体的事件来收集数据。在执行过程中会发出事件，Studio 订阅这些事件并存储。如果你使用自定义智能体，可以通过继承并在关键步骤发送事件来集成，但通常已经内置了。

除了实时调试，Studio 还支持批量评估智能体。你可以定义一组测试用例（输入和预期输出），让智能体批量运行，然后生成评估报告。

10.4.1 创建测试集

在 Studio UI 中，你可以上传一个 JSON 文件作为测试集。格式如下：

GPT plus 代充 只需 145

10.4.2 运行评估

选择要评估的智能体（如），选择测试集，点击开始评估。Studio 会依次运行每个测试用例，记录输出和预期结果的对比。

10.4.3 评估报告

评估完成后，Studio 会生成报告，包括：

准确率：完全匹配的比例。
耗时统计：平均/最大/最小响应时间。
失败案例：列出不一致的用例，方便分析。

你还可以让智能体自己评估结果（LLM-as-a-judge），对比两个版本的智能体输出。

10.4.4 通过 Java API 触发评估（高级）

除了 UI，你也可以通过 Java API 编程方式触发评估。例如，在单元测试中：

这需要引入模块，但本文从简。

让我们结合第五章的旅游规划多智能体系统，用 Studio 来观察它的协作过程。

10.5.1 确保所有智能体被 Studio 识别

只要智能体是 Spring Bean，Studio 会自动发现它们。在 Studio 界面左侧，你应该能看到、、、等。

10.5.2 发起一次规划请求

选择作为入口智能体（或者直接调用它的 HTTP 接口，Studio 会自动捕获）。输入“我想去北京旅游3天”。

10.5.3 观察多智能体交互轨迹

Studio 可能会将这次调用展示为一个父流程，内部包含多个子流程（每个工人的执行）。你可以展开查看：

主管发送给天气工人的消息。
天气工人的内部 ReAct 循环（如果有工具）。
工人返回结果给主管。
最终汇总。

这让你能够清楚地看到整个团队是如何协作的。

10.5.4 可视化多智能体协作图

用 Mermaid 可以这样表示：

GPT plus 代充 只需 145

通过本章的学习，你掌握了：

AgentScope Studio 的作用：可视化调试、执行轨迹、评估功能。
集成 Studio：通过 starter 快速集成，访问 UI 界面。
查看执行轨迹：理解智能体的思考与行动过程。
评估功能：批量测试智能体，生成质量报告。
实践：用 Studio 调试多智能体协作系统，观察消息传递。

Studio 是你开发智能体的“眼睛”，让复杂的智能体行为变得透明可解释。结合前一章的 Runtime，你已经拥有了一个完整的企业级智能体开发和运维平台。

在前面的章节中，我们构建的智能体都只处理文本信息。但现实世界的信息是多样的——图片、语音、视频……要让智能体真正像人一样感知世界，它必须具备多模态能力。同时，之前的记忆（第六章）只是简单的短期对话历史，无法实现跨会话的个性化长期记忆。本章将带你探索 AgentScope Java 的这两项高级特性：多模态智能体和 ReMe 记忆系统，让你的智能体既能“看”又能“听”，还能真正记住用户。

11.1.1 什么是多模态？

多模态是指智能体能够处理多种类型的数据，包括文本、图像、音频、视频等。对于大模型来说，多模态意味着模型可以同时理解文本和图像（如 GPT-4V、通义千问 VL），甚至生成图像（如通义万相、DALL·E）。

在智能体应用中，多模态能力可以带来丰富的场景：

图像理解：根据一张图片回答用户问题（“这张图里有什么？”、“这个产品是什么型号？”）。
图像生成：根据用户描述生成图片（“画一只穿着西服的猫”）。
图文联合推理：分析图表、识别场景等。

11.1.2 AgentScope Java 对多模态的支持

AgentScope Java 通过统一的接口支持多模态模型的调用。只要底层模型支持图像输入（如通义千问 VL 系列），你就可以在消息中附加图片。对于图像生成，AgentScope 提供了专门的工具封装，也可以通过自定义工具集成通义万相。

能力模型 AgentScope 支持方式图像理解 qwen-vl-plus / qwen-vl-max 在中添加图片内容图像生成通义万相（wanx）通过自定义工具或内置（如果存在）

11.2.1 配置支持视觉的模型

在中配置通义千问 VL 模型：

11.2.2 构造包含图片的消息

AgentScope 的支持包含多模态内容。我们需要使用或扩展的消息类型。目前 AgentScope 可能使用的子类。我们参考之前 Spring AI Alibaba 的方式，构造一个包含图片的消息。

假设 AgentScope 提供了类，我们可以这样构建：

GPT plus 代充 只需 145

如果没有内置支持，我们可以通过提示词传递图片 URL，让模型自行获取（通义千问 VL 支持 URL）。但更推荐的是将图片转为 Base64 并嵌入消息。我们可以在工具中实现图片处理。

11.2.3 实践：构建图像描述智能体

创建一个专门的，它能接收图片并回答相关问题。

注意：由于通义千问 VL 模型可以直接接受图片 URL 作为输入的一部分，我们只需在提示词中包含 URL 即可。更规范的方式是使用多模态消息格式，但目前 AgentScope 可能还未完全封装，我们先用文本方式。

11.2.4 测试

在 Controller 中调用：

GPT plus 代充 只需 145

访问，智能体应该能回答。

11.3.1 配置通义万相模型

通义万相是阿里云的文生图模型，需要通过单独的 API 调用。我们可以在 AgentScope 中创建一个工具来封装它。

首先，确保你有通义万相的 API 权限（通常与通义千问共用 API Key）。模型名称可能是。

11.3.2 创建图像生成工具

注意：上述代码使用了阿里云 DashScope SDK，需要引入依赖：

GPT plus 代充 只需 145

11.3.3 创建图像生成智能体

由于工具自动注册，会自动拥有调用的能力。我们可以用 ReActAgent 或直接让 BaseAgent 调用工具？BaseAgent 默认不会主动调用工具，需要 ReActAgent 的循环。因此，我们应该使用来包装，或者将改为。

我们可以在配置中创建 ReActAgent Bean：

GPT plus 代充 只需 145

11.3.4 测试

创建控制器：

访问，智能体会返回生成的图片 URL。你可以在浏览器中打开该 URL 查看图片。

11.4.1 为什么需要更复杂的记忆？

第六章我们实现的记忆只是简单的对话历史存储，无法区分长期和短期，也不能跨会话保留。真正的智能体需要两种记忆：

短期工作记忆：当前对话的上下文，用于保持连贯对话。
长期经验记忆：跨会话的用户偏好、习惯、重要事实，让智能体越来越了解用户。

ReMe 是 AgentScope 提出的记忆系统，它模拟人类的记忆机制，包含三个层次：

记忆层次功能示例 工作记忆 当前对话的短期记忆，类似 TokenWindowMemory 刚才用户说了什么 个人记忆 关于用户的信息，长期存储用户喜欢 Java、家住上海 工具记忆 工具使用经验的累积用户经常查询天气，可能偏好简洁回答

11.4.2 ReMe 的核心设计

ReMe 在 AgentScope 中的设计目标是：

持久化：个人记忆和工具记忆存储在外部数据库中（如 Redis、关系库）。
结构化：记忆以三元组形式存储（主体、关系、客体），便于检索。
自动提取与整合：智能体在对话中自动提取重要信息存入长期记忆，并在需要时检索使用。

目前 AgentScope Java 中 ReMe 的实现可能还在演进中，但我们可以用 Redis 模拟个人记忆存储，让智能体具备简单的长期记忆能力。

我们通过一个简单的例子展示如何让智能体记住用户的偏好（例如用户喜欢的编程语言）。

11.5.1 设计记忆存储

使用 Redis 存储用户偏好。我们定义一个，负责存取用户信息。

GPT plus 代充 只需 145

11.5.2 创建带记忆的智能体

智能体在每次对话时，从 Redis 加载用户偏好，并在对话中根据上下文更新偏好。这需要我们在智能体运行时能够访问用户 ID。

我们设计智能体的方法接收两个参数：userId 和 message。但只接受一个字符串，所以我们需要自定义接口。

可以创建一个新的 Agent 接口：

然后实现类：

GPT plus 代充 只需 145

11.5.3 控制器

11.5.4 测试

第一次对话：
智能体可能回答一些内容，同时存储了偏好。
第二次对话（同一用户）：智能体会在系统提示中包含“用户偏好Java语言”，从而推荐 Java 相关书籍。

这虽然简单，但展示了长期记忆的基本思想。未来 ReMe 将提供更智能的自动提取和检索机制。

通过本章的学习，你探索了 AgentScope Java 的高级特性：

多模态图像理解：使用通义千问 VL 模型，让智能体能够描述图片内容。
图像生成：通过工具封装通义万相，让智能体能够根据描述生成图片。
ReMe 记忆系统：了解了长期记忆的重要性，并通过 Redis 实现了简单的用户偏好记忆。

这些能力让智能体更加接近人类，既能“看”又能“画”，还能真正记住用户，提供个性化服务。随着 AgentScope 的发展，多模态和记忆功能将更加强大和完善。

我们已经完整地走完了 AgentScope Java 的学习之旅。从最初的环境搭建到高级的多模态与记忆系统，亲手实践了智能体开发的全过程，构建了从简单聊天到复杂多智能体协作的各类应用。现在，是时候回顾所学、提炼经验，并为未来之路指明方向了。

在之前的十一章中，我们逐步探索了以下核心组件，每个组件都在智能体系统中扮演着独特的角色。下表为你提供一个清晰的快速索引：

类别核心组件/概念章节核心作用你的实践成果基础 , , 二、三定义智能体基座，统一模型调用第一个 Hello Agent，Java导师助手工具 , 四让智能体调用外部方法，获取实时信息天气、时间、计算器工具 多智能体 , 广播/点对点五实现智能体间的通信与协作旅游规划多智能体系统记忆 , , 六保持对话上下文，实现短期记忆带记忆的聊天助手 ReAct , 思考-行动-观察循环七处理多步复杂任务，自我纠错代码编写与调试助手 工作流 , , 八编排确定性业务流程智能客服路由工作流部署 , 沙箱机制九安全高效地部署智能体服务带沙箱的文件读取智能体 可观测 , 执行轨迹, 评估十可视化调试与性能评估使用Studio调试多智能体系统高级多模态（VL/图像生成）, ReMe记忆十一拓展感知与长期个性化记忆图像描述与生成、用户偏好记忆

一句话总结：AgentScope Java 提供了一套从基础到高级、从开发到部署的完整工具箱，让你能像搭积木一样构建智能体应用，并确保其可靠、安全、可观测。

将智能体投入生产前，需要根据实际场景做出明智的决策。以下是一些关键建议：

12.2.1 模型选择

AgentScope Java 支持多种模型提供商，选择时需权衡能力、成本、响应速度。

模型系列特点适用场景成本 通义千问（DashScope） 国内访问快，功能全面，支持 VL 大多数企业应用，对数据隐私要求中等按量计费，中等 OpenAI 能力最强，但国内访问可能受限需要最前沿能力的场景，有海外业务较高 Ollama（本地） 数据完全私有，无需网络，低延迟数据敏感行业（金融、医疗），离线环境硬件成本

建议：

国内通用场景优先选择 通义千问，集成最方便。
需要视觉能力时，使用 qwen-vl-plus 或 qwen-vl-max。
本地私有化部署可考虑 Ollama + llama3 等，但需注意模型能力可能稍弱。

12.2.2 工具沙箱配置

安全是生产环境的重中之重。务必为工具配置严格的沙箱规则：

最小权限原则：默认禁止所有（），然后按需开放。
文件系统：只允许工具访问特定目录（如），且设为只读。
网络：只允许访问必要的域名（如天气 API、公司内网服务），禁止内网 IP 探测。
进程：除非绝对必要，否则禁止执行系统命令。如需执行，应在单独的容器中运行。

12.2.3 记忆持久化

短期记忆：使用控制上下文长度，避免超出模型限制。
长期记忆：使用 Redis 或数据库存储用户偏好、关键信息。可参考第十一章的。
生产环境：建议为每个用户/会话创建独立的记忆实例，并用 Redis 的过期时间自动清理不活跃会话。

12.2.4 性能与成本优化

缓存：对重复性问题（如常见 FAQ），在智能体外层加一层缓存（如 Redis），直接返回缓存结果，避免调用模型。
并发控制：在 Runtime 中为每个智能体设置，防止突发流量压垮后端模型 API。
Token 监控：通过 Studio 或自定义指标记录 Token 消耗，设置告警阈值。
模型降级：对简单问题使用，复杂问题使用。可在智能体内根据问题长度或关键词动态选择模型。

12.2.5 可观测性

强制在生产环境开启 Studio 的指标收集，但注意不要将 Studio UI 暴露在公网。
关键指标：请求量、平均耗时、错误率、Token 用量。
使用 Prometheus + Grafana 构建监控大盘，或对接阿里云 ARMS。

12.2.6 多智能体 vs 工作流

对于流程确定、需要审计的业务（如订单处理），优先使用 Pipeline 工作流。
对于开放、需要动态决策的任务（如个人助手），优先使用 多智能体协作 + ReAct。
二者可以结合：外层用 Pipeline 控制流程，内层用 ReAct 智能体处理复杂子任务。

你已经掌握了 AgentScope Java 的核心，下一步可以朝以下方向深入：

关注官方动态：AgentScope 正在快速发展，关注 GitHub 仓库和官方文档，及时了解新特性。
深入 ReAct 与提示词工程：ReAct 的效果高度依赖提示词。学习如何设计高质量的 System Prompt，让智能体更好地遵循指令。
探索 AgentScope Python 版：Python 版功能更丰富，可以作为借鉴，了解未来 Java 版可能的发展方向。
实践项目：选择一个真实业务场景（如智能客服、代码审查助手、会议纪要助理），用 AgentScope Java 完整实现，并部署上线。
参与社区：给项目点 Star，提交 Issue 或 PR，与其他开发者交流。

通过本教程，你不仅学会了 AgentScope Java 的技术细节，更重要的是建立了一套构建智能体应用的思维框架。从零开始，你已经能够：

让智能体拥有记忆，记住用户说过的话。
让智能体调用工具，获取实时信息、执行操作。
让多个智能体协作，像团队一样完成复杂任务。
让智能体进入 ReAct 循环，自主思考与纠错。
用工作流编排确定性流程，满足企业级要求。
将智能体安全部署为服务，并用 Studio 监控它。
让智能体看懂图片、画出图片，并记住用户的长期偏好。

AI 技术日新月异，但核心的思维模式——将智能体视为自主的、协作的、有记忆的实体——将伴随你不断前行。

Q1: 为什么我的智能体不调用工具？ A: 检查以下几点：

工具类是否有注解，且是 Spring Bean（）。
工具描述是否清晰，能让模型理解何时调用。
如果你用的是，它默认不会自动调用工具。需要使用或继承并手动处理工具调用逻辑。

Q2: 如何调试 ReAct 智能体的思考过程？ A: 启用 Studio（第十章），通过 UI 查看执行轨迹。或者在代码中增加日志，打印智能体每次的输入输出。

Q3: 沙箱报错“权限不足”怎么办？ A: 检查沙箱配置（）中的或是否包含了工具需要访问的资源。按需放宽权限，但务必遵循最小权限原则。

Q4: 多智能体系统中，消息收不到？ A: 确认所有智能体都注入了同一个 Bean（默认是单例）。检查发送时指定的接收者名称是否与接收智能体的一致。接收方需要定期调用或开启定时任务处理消息。

Q5: Studio 无法访问？ A: 检查依赖是否完整，中。确认端口没有被占用，访问路径是否正确（默认）。查看启动日志，看 Studio 是否成功初始化。

Q6: 通义千问 VL 模型调用返回“模型不支持”怎么办？ A: 确认你开通了 VL 模型的权限。在 DashScope 控制台中，需要单独开通或的体验（通常免费）。检查名称是否拼写正确。

Q7: 如何估算 Token 消耗？ A: Studio 的评估报告中会显示 Token 用量。也可以自己在智能体中记录的元数据。通义千问的响应中通常包含字段。

为了方便你查阅和运行，本教程的所有代码示例已整理到一个 Git 仓库中：

👉 gitee.com/youhei/agen…

仓库按章节组织，每个示例包含完整的 Java 类和配置文件，并附有 README 说明。

AgentScope Java GitHub：github.com/agentscope/…
官方文档：agentscope.io/docs/java
阿里云 DashScope 文档：help.aliyun.com/zh/dashscop…
ReAct 模式论文：arxiv.org/abs/2210.03…
AgentScope Python 版：github.com/agentscope/…