agentscope-java

1. Projektübersicht

AgentScope Java ist ein produktionsreifes Java-Framework für die Entwicklung verteilter, unternehmensgerechter KI-Agenten mit integrierter Unterstützung für langlaufende, sicher kontrollierte Ausführung – es bringt die Agentenentwicklung über das Prototyping hinaus in operative, mandantenfähige Produktionsumgebungen.

2. Hintergrund & Positionierung

• Kernmission: Die meisten Agent-Frameworks konzentrieren sich darauf, einen einzelnen Agenten in einer Demo „zum Laufen“ zu bringen. AgentScope Java (Version 2.0) wurde entwickelt, um die Lücke zwischen einem funktionierenden Prototypen und einem System zu schließen, das zuverlässig in der Produktion läuft – mit Beobachtbarkeit, Zugriffskontrolle, Sandboxing und verteilter Sitzungswiederherstellung als erstklassigen Anliegen statt als nachträglichen Gedanken.
• Unterschied zu ähnlichen Projekten: Statt nur eine dünne Hülle um LLM-Aufrufe zu sein, legt AgentScope Java ein „Harness“ über die klassische ReAct-Schleife (Reason-Act) – mit Middleware-Hooks, einem typisierten Ereignisstrom, menschlichen Genehmigungsstufen (Human-in-the-Loop) und steckbaren Sandboxes (lokal, Docker, Kubernetes oder Cloud). Es ist nativ für das JVM-Ökosystem konzipiert und passt damit natürlich zu Teams, die bereits Java/Spring-basierte Backend-Infrastruktur betreiben und unternehmensgerechte Agent-Fähigkeiten wünschen, ohne dieses Ökosystem zu verlassen.

3. Funktionskategorien

• ⚙️ Basisframework – Kernprimitive für die Entwicklung von Agenten. Repräsentative Beispiele: 28 typisierte Ereignisse für das Streaming des Agentenzustands, einheitliche Inhaltsblöcke (Text/Dateien/Bilder/Audio/Video), die ReAct-Ausführungsschleife und Human-in-the-Loop als integriertes Interaktionsmuster. Zweck: Entwicklern eine konsistente, typisierte Vokabular für das Agentenverhalten bieten, statt Ad-hoc-JSON-Payloads.
• 🧩 Harness-Engineering – Middleware, die über der Kernschleife liegt. Repräsentative Beispiele: selbstentwickelnde Fähigkeits-Repositorien, geschichteter Speicher (Konversationsverlauf + kuratiertes Markdown + Faktenprotokolle), Erzeugung von Unteragenten, automatisches Kontextmanagement und ein „Planmodus“ für mehrstufige Aufgaben. Zweck: Erweitern und Anpassen, wie ein Agent denkt und handelt, ohne den Kernframework-Code zu ändern.
• 🏢 Unternehmensbereitstellung – Fähigkeiten für den Betrieb von Agenten in großem Maßstab. Repräsentative Beispiele: Mandantenfähige Isolierung, sicheres Sandboxing, feingranulare Zugriffskontrollen und sitzungsübergreifende Wiederherstellung für unterbrechungsfreie Rolling Updates. Zweck: Agenten sicher und widerstandsfähig für den Betrieb hinter echtem Produktionsverkehr machen.
• 🔌 Integrationen – Modulare Verbindungen zur Außenwelt. Repräsentative Beispiele: LLM-Anbieter (OpenAI, Anthropic, DashScope, Gemini, DeepSeek, Ollama), Unternehmens-IM-Kanäle (DingTalk, Feishu, WeCom) und Interoperabilitätsprotokolle (A2A, AG-UI). Zweck: Agenten in bestehende Modellanbieter und Kommunikationstools einbinden, ohne eigenen Klebecode.
• 💾 Zustand & Persistenz – Backends für die Speicherung von Agenten- und Sitzungszuständen. Repräsentative Beispiele: In-Memory, JSON-Datei, MySQL, Redis und PostgreSQL. Zweck: Agenten ermöglichen, Zustände über Neustarts oder Replikate hinweg fortzusetzen und wiederherzustellen.

4. Hauptmerkmale

• Typisierter Ereignisstrom – 28 verschiedene Ereignistypen geben Frontends und Orchestratoren präzise, strukturierte Einblicke in das, was ein Agent in Echtzeit tut, statt Freitextprotokolle zu parsen.
• Human-in-the-Loop von Design – Ein Berechtigungssystem ermöglicht es Betreibern, einzelne Tool-Aufrufe vor der Ausführung selektiv zu genehmigen oder abzulehnen – entscheidend für Agenten, die reale Aktionen ausführen können.
• Middleware-basierte Erweiterbarkeit – AOP-artige Hooks unterbrechen die Denk-Handlungs-Schleife an fünf verschiedenen Stufen, sodass Teams Protokollierung, Schutzmaßnahmen oder benutzerdefinierte Logik hinzufügen können, ohne den Kern zu forken.
• Flexibles Sandboxing – Die Tool-Ausführung kann lokal, in Docker, in Kubernetes oder in der AgentRun-Cloudumgebung isoliert werden, passend zum Isolationsgrad der Sensibilität der Arbeitslast.
• Multi-Agent-Orchestrierung – Native agent_spawn- und agent_send-Primitive unterstützen Unteragenten-Muster mit Echtzeit-Ereignisweiterleitung zwischen Eltern- und Kind-Agenten.
• Verteilte Sitzungswiederherstellung – Sitzungszustände können Replikat-Neustarts und Rolling Deployments mit Redis, MySQL, PostgreSQL, OSS oder COS als Backing-Stores überstehen.

5. Anwendungsfälle nach Rolle

• Allgemeine Entwickler: Agentische Funktionen (Chatbots, Aufgabenautomatisierung, werkzeugnutzende Assistenten) direkt in Java/Spring-Anwendungen mit vertrauten Maven-Abhängigkeiten erstellen, statt auf einen Python-Dienst zu überbrücken.
• DevOps/SRE: Agenten hinter Rolling Updates mit Zuversicht bereitstellen, da Sitzungszustände und laufende Aufgaben über Replikate hinweg wiederhergestellt werden können, statt bei der Neubereitstellung verloren zu gehen.
• Projektmanager: Das Berechtigungssystem und den Ereignisstrom nutzen, um menschliche Überprüfungsstufen für sensible Agentenaktionen durchzusetzen und Einblick zu geben, was Agenten tun, bevor sie handeln.

6. Erste Schritte

• So finden Sie, was Sie brauchen: Durchsuchen Sie die Modulstruktur im Repository (agentscope-core, agentscope-harness, agentscope-extensions, agentscope-examples) oder lesen Sie die vollständige Dokumentation unter java.agentscope.io.
• So installieren/integrieren Sie: Erfordert JDK 17+. Fügen Sie das Harness-Modul als Maven-Abhängigkeit hinzu:

  <dependency>
      <groupId>io.agentscope</groupId>
      <artifactId>agentscope-harness</artifactId>
      <version>2.0.1</version>
  </dependency>
  

  Dann erstellen Sie einen Agenten:

  HarnessAgent agent = HarnessAgent.builder()
      .name("assistant")
      .model("dashscope:qwen-plus")
      .workspace(Paths.get(".agentscope/workspace"))
      .build();
  
  agent.call(new UserMessage("Hello!"), ctx).block();
  

• So tragen Sie bei: Forken Sie das Repository unter github.com/agentscope-ai/agentscope-java, lesen Sie die Beitragsrichtlinien und eröffnen Sie einen Pull Request. Treten Sie der Community über Discord, DingTalk oder WeChat bei, um vor größeren Beiträgen zu diskutieren.

7. Projektstruktur

agentscope-java/
├── agentscope-core/               # Kernframework: Ereignisse, Inhaltsblöcke, ReAct-Schleife
├── agentscope-harness/            # Produktions-Harness: Middleware, Speicher, Planmodus
├── agentscope-extensions/         # LLM-Anbieter- und Kanalintegrationen
├── agentscope-service/            # Steuerungsebene und Dashboard
├── agentscope-distribution/       # Verteilungspaketierung
├── agentscope-dependencies-bom/   # Zentrale Verwaltung der Abhängigkeitsversionen
├── agentscope-examples/           # Beispielimplementierungen und Schnellstartcode
└── docs/                          # Dokumentationsquelle

Wichtige Verzeichnisse: agentscope-core enthält die grundlegenden Abstraktionen, auf denen jeder Agent aufbaut; agentscope-harness ist das, worauf die meisten Anwendungsentwickler direkt angewiesen sind, da es den Kern mit produktionsreifer Middleware umhüllt; agentscope-extensions ist der Ort, an dem neue LLM-Anbieter oder Kanalintegrationen hinzugefügt werden.

8. Verwandtes Ökosystem

• Upstream-Abhängigkeiten: LLM-Anbieter – OpenAI, Anthropic, DashScope (Alibaba Cloud), Google Gemini, DeepSeek und Ollama (für lokale Modelle).
• Bereitstellungsziele: Docker und Kubernetes für Sandboxing; Redis, MySQL und PostgreSQL für Zustandspersistenz; OSS und COS (Cloud-Objektspeicher) für verteilte Wiederherstellungsdaten.
• Komplementäre Tools: Unternehmens-IM-Plattformen DingTalk, Feishu und WeCom für die chatbasierte Agentenbereitstellung; A2A- und AG-UI-Protokolle für die Interoperabilität mit anderen Agenten-Ökosystemen.
• Schwesterprojekt: AgentScope (Python), das ursprüngliche Framework, mit dem diese Java-Implementierung konzeptionell ausgerichtet ist, für Teams, die in beiden Sprachökosystemen arbeiten.

9. Lizenz

Lizenziert unter der Apache License 2.0.

• ✅ Frei zur Nutzung, Änderung und Verbreitung, einschließlich in kommerziellen und proprietären Produkten.
• ✅ Erlaubt Patentnutzungszuschüsse von Mitwirkenden.
• ❌ Keine Garantie – die Software wird „wie besehen“ angeboten.
• ℹ️ Geänderte Dateien sollten Namensnennungshinweise behalten, und eine Kopie der Lizenz muss bei der Weiterverbreitung beigefügt werden.

10. FAQ

F: Muss ich Python kennen, um AgentScope Java zu verwenden?
A: Nein. AgentScope Java ist ein natives JVM-Framework (JDK 17+) mit eigenen Maven-Artefakten – keine Python-Laufzeit oder Brücke erforderlich.

F: Welche LLM-Anbieter werden standardmäßig unterstützt?
A: OpenAI, Anthropic, DashScope (Alibaba), Gemini, DeepSeek und Ollama werden als modulare Erweiterungsintegrationen unterstützt.

F: Können Agenten nicht vertrauenswürdige oder riskante Tool-Aufrufe sicher ausführen?
A: Ja. Das integrierte Berechtigungssystem ermöglicht es Ihnen, einzelne Tool-Aufrufe für die manuelle Genehmigung zu sperren, und die Arbeitsbereichs-/Sandbox-Schicht kann die Ausführung in Docker, Kubernetes oder einer Cloud-Sandbox (AgentRun) isolieren.

F: Was passiert mit dem Agentenzustand, wenn eine Dienstinstanz neu startet oder ausgerollt wird?
A: Sitzungen können in Redis, MySQL oder PostgreSQL gespeichert werden, was eine Wiederherstellung über Replikate hinweg während Rolling Deployments ermöglicht, ohne laufende Arbeiten zu verlieren.

F: Wie koordiniere ich mehrere Agenten, die zusammenarbeiten?
A: Verwenden Sie die agent_spawn- und agent_send-Primitive, um Unteragenten zu erstellen und Ereignisse in Echtzeit zwischen ihnen weiterzuleiten.

11. Schnelllinks

• Repository: github.com/agentscope-ai/agentscope-java
• Offizielle Dokumentation: java.agentscope.io
• Mitwirken: Siehe die Beitragsrichtlinien des Repositorys für Pull-Request- und Issue-Konventionen.
• Community: Discord-, DingTalk- und WeChat-Kanäle, die im README des Repositorys verlinkt sind.

12. Zusammenfassung

AgentScope Java bringt produktionsreife Agent-Infrastruktur – typisierte Ereignisse, Berechtigungsstufen, Sandboxing und verteilte Sitzungswiederherstellung – nativ in das JVM-Ökosystem. Es eignet sich am besten für Java- und Spring-Teams, die langlaufende, unternehmensgerechte KI-Agenten bauen möchten, ohne einen separaten Python-basierten Stack zu übernehmen, und für Organisationen, die von Anfang an operative Garantien wie menschliche Aufsicht und unterbrechungsfreie Bereitstellung rund um ihre Agenten benötigen.