[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-agentscope-ai--agentscope-java":3,"tool-agentscope-ai--agentscope-java":62},[4,18,26,36,46,54],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",160784,2,"2026-04-19T11:32:54",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":42,"last_commit_at":43,"category_tags":44,"status":17},8272,"opencode","anomalyco\u002Fopencode","OpenCode 是一款开源的 AI 编程助手（Coding Agent），旨在像一位智能搭档一样融入您的开发流程。它不仅仅是一个代码补全插件，而是一个能够理解项目上下文、自主规划任务并执行复杂编码操作的智能体。无论是生成全新功能、重构现有代码，还是排查难以定位的 Bug，OpenCode 都能通过自然语言交互高效完成，显著减少开发者在重复性劳动和上下文切换上的时间消耗。\n\n这款工具专为软件开发者、工程师及技术研究人员设计，特别适合希望利用大模型能力来提升编码效率、加速原型开发或处理遗留代码维护的专业人群。其核心亮点在于完全开源的架构，这意味着用户可以审查代码逻辑、自定义行为策略，甚至私有化部署以保障数据安全，彻底打破了传统闭源 AI 助手的“黑盒”限制。\n\n在技术体验上，OpenCode 提供了灵活的终端界面（Terminal UI）和正在测试中的桌面应用程序，支持 macOS、Windows 及 Linux 全平台。它兼容多种包管理工具，安装便捷，并能无缝集成到现有的开发环境中。无论您是追求极致控制权的资深极客，还是渴望提升产出的独立开发者，OpenCode 都提供了一个透明、可信",144296,1,"2026-04-16T14:50:03",[13,45],"插件",{"id":47,"name":48,"github_repo":49,"description_zh":50,"stars":51,"difficulty_score":32,"last_commit_at":52,"category_tags":53,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",109154,"2026-04-18T11:18:24",[14,15,13],{"id":55,"name":56,"github_repo":57,"description_zh":58,"stars":59,"difficulty_score":32,"last_commit_at":60,"category_tags":61,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[45,13,15,14],{"id":63,"github_repo":64,"name":65,"description_en":66,"description_zh":67,"ai_summary_zh":67,"readme_en":68,"readme_zh":69,"quickstart_zh":70,"use_case_zh":71,"hero_image_url":72,"owner_login":73,"owner_name":74,"owner_avatar_url":75,"owner_bio":76,"owner_company":77,"owner_location":77,"owner_email":78,"owner_twitter":77,"owner_website":77,"owner_url":79,"languages":80,"stars":120,"forks":121,"last_commit_at":122,"license":77,"difficulty_score":32,"env_os":123,"env_gpu":123,"env_ram":123,"env_deps":124,"category_tags":133,"github_topics":134,"view_count":32,"oss_zip_url":77,"oss_zip_packed_at":77,"status":17,"created_at":140,"updated_at":141,"faqs":142,"releases":172},9729,"agentscope-ai\u002Fagentscope-java","agentscope-java","AgentScope Java: Agent-Oriented Programming for Building LLM Applications","agentscope-java 是一个专为 Java 开发者设计的开源框架，旨在帮助用户构建基于大语言模型（LLM）的生产级智能体应用。它解决了传统工作流模式在处理复杂任务时灵活性不足的问题，通过引入 ReAct（推理 - 行动）范式，让智能体能够自主规划并动态调用工具，同时保留了企业级应用所必需的控制力。\n\n该工具特别适合需要在大模型应用中集成现有 Java 基础设施的后端工程师和企业开发团队。其核心亮点在于实现了“自主性与可控性”的平衡：开发者可以随时安全地暂停或取消智能体运行而不丢失上下文，并通过钩子机制在关键决策点介入人工指导。此外，agentscope-java 内置了丰富的生产级组件，包括支持多计划并发管理的任务笔记本、能自动纠错并映射为 Java 对象的结构化输出解析器、具备语义搜索能力的长期记忆系统，以及无缝对接企业知识库的 RAG 模块。借助对 MCP 和 A2A 协议的原生支持，它还能轻松连接各类外部工具或实现分布式多智能体协作，帮助团队高效打造稳定可靠的 AI 应用。","\u003Cp align=\"center\">\n  \u003Cimg\n    src=\"https:\u002F\u002Fimg.alicdn.com\u002Fimgextra\u002Fi1\u002FO1CN01nTg6w21NqT5qFKH1u_!!6000000001621-55-tps-550-550.svg\"\n    alt=\"AgentScope Logo\"\n    width=\"200\"\n  \u002F>\n\u003C\u002Fp>\n\n\u003Ch3 align=\"center\">Build Production-Ready AI Agents in Java\u003C\u002Fh3>\n\n\u003Cp align=\"center\">\n  \u003Ca href=\"https:\u002F\u002Fjava.agentscope.io\u002F\">📖 Documentation\u003C\u002Fa>\n   | \n  \u003Ca href=\"README_zh.md\">中文\u003C\u002Fa>\n   | \n  \u003Ca href=\"https:\u002F\u002Fdiscord.gg\u002FeYMpfnkG8h\">Discord\u003C\u002Fa>\n\u003C\u002Fp>\n\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Flicense-Apache--2.0-blue\" alt=\"License\" \u002F>\n  \u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FJDK-17%2B-orange\" alt=\"JDK 17+\" \u002F>\n  \u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fmaven-central\u002Fv\u002Fio.agentscope\u002Fagentscope?color=green\" alt=\"Maven Central\" \u002F>\n  \u003Ca href=\"https:\u002F\u002Fdeepwiki.com\u002Fagentscope-ai\u002Fagentscope-java\">\u003Cimg src=\"https:\u002F\u002Fdeepwiki.com\u002Fbadge.svg\" alt=\"Ask DeepWiki\">\u003C\u002Fa>\n\u003C\u002Fp>\n\n---\n\nAgentScope Java is an agent-oriented programming framework for building LLM-powered applications. It provides everything you need to create intelligent agents: ReAct reasoning, tool calling, memory management, multi-agent collaboration, and more.\n\n## Highlights\n\n### 🎯 Smart Agents, Full Control\n\nAgentScope adopts the ReAct (Reasoning-Acting) paradigm, enabling agents to autonomously plan and execute complex tasks. Unlike rigid workflow-based approaches, ReAct agents dynamically decide which tools to use and when, adapting to changing requirements in real-time.\n\nHowever, autonomy without control is a liability in production. AgentScope provides comprehensive runtime intervention mechanisms:\n\n- **Safe Interruption** - Pause agent execution at any point while preserving full context and tool state, enabling seamless resumption without data loss\n- **Graceful Cancellation** - Terminate long-running or unresponsive tool calls without corrupting agent state, allowing immediate recovery and redirection\n- **Human-in-the-Loop** - Inject corrections, additional context, or guidance at any reasoning step through the Hook system, maintaining human oversight over critical decisions\n\n### 🛠️ Built-in Tools\n\nAgentScope includes production-ready tools that address common challenges in agent development:\n\n- **PlanNotebook** - A structured task management system that decomposes complex objectives into ordered, trackable steps. Agents can create, modify, pause, and resume multiple concurrent plans, ensuring systematic execution of multi-step workflows.\n\n- **Structured Output** - A self-correcting output parser that guarantees type-safe responses. When LLM output deviates from the expected format, the system automatically detects errors and guides the model to produce valid output, mapping results directly to Java POJOs without manual parsing.\n\n- **Long-term Memory** - Persistent memory storage with semantic search capabilities across sessions. Supports automatic management, agent-controlled recording, or hybrid modes. Enables multi-tenant isolation for enterprise deployments where agents serve multiple users independently.\n\n- **RAG (Retrieval-Augmented Generation)** - Seamless integration with enterprise knowledge bases. Supports both self-hosted embedding-based retrieval and managed services like Alibaba Cloud Bailian, grounding agent responses in authoritative data sources.\n\n### 🔌 Seamless Integration\n\nAgentScope is designed to integrate with existing enterprise infrastructure without requiring extensive modifications:\n\n- **MCP Protocol** - Integrate with any MCP-compatible server to instantly extend agent capabilities. Connect to the growing ecosystem of MCP tools and services—from file systems and databases to web browsers and code interpreters—without writing custom integration code.\n\n- **A2A Protocol** - Enable distributed multi-agent collaboration through standard service discovery. Register agent capabilities to Nacos or similar registries, allowing agents to discover and invoke each other as naturally as calling microservices.\n\n### 🚀 Production Grade\n\nBuilt for enterprise deployment requirements:\n\n- **High Performance** - Reactive architecture based on Project Reactor ensures non-blocking execution. GraalVM native image compilation achieves 200ms cold start times, making AgentScope suitable for serverless and auto-scaling environments.\n\n- **Security Sandbox** - AgentScope Runtime provides isolated execution environments for untrusted tool code. Includes pre-built sandboxes for GUI automation, file system operations, and mobile device interaction, preventing unauthorized access to system resources.\n\n- **Observability** - Native integration with OpenTelemetry for distributed tracing across the entire agent execution pipeline. AgentScope Studio provides visual debugging, real-time monitoring, and comprehensive logging for development and production environments.\n\n## Quick Start\n\n**Requirements:** JDK 17+\n\n```xml\n\u003Cdependency>\n    \u003CgroupId>io.agentscope\u003C\u002FgroupId>\n    \u003CartifactId>agentscope\u003C\u002FartifactId>\n    \u003Cversion>1.0.11\u003C\u002Fversion>\n\u003C\u002Fdependency>\n```\n\n```java\nReActAgent agent = ReActAgent.builder()\n    .name(\"Assistant\")\n    .sysPrompt(\"You are a helpful AI assistant.\")\n    .model(DashScopeChatModel.builder()\n        .apiKey(System.getenv(\"DASHSCOPE_API_KEY\"))\n        .modelName(\"qwen-max\")\n        .build())\n    .build();\n\nMsg response = agent.call(Msg.builder()\n        .textContent(\"Hello!\")\n        .build()).block();\nSystem.out.println(response.getTextContent());\n```\n\nFor more examples, see the [documentation](https:\u002F\u002Fjava.agentscope.io\u002F).\n\n## Contributing\n\nWe welcome contributions! Please see [CONTRIBUTING.md](.\u002FCONTRIBUTING.md) for guidelines.\n\n## Community\n\n| [Discord](https:\u002F\u002Fdiscord.gg\u002FeYMpfnkG8h)                     | DingTalk | WeChat |\n|--------------------------------------------------------------|----------| ---------|\n| \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fagentscope-ai_agentscope-java_readme_a579abcd718a.png\" width=\"100\" height=\"100\"> | \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fagentscope-ai_agentscope-java_readme_a9f3f1bb6bb6.jpg\" width=\"100\" height=\"100\"> | \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fagentscope-ai_agentscope-java_readme_7edad59930cb.png\" width=\"100\" height=\"100\"> |\n\n## License\n\nApache License 2.0 - see [LICENSE](.\u002FLICENSE) for details.\n\n## Publications\n\nIf you find AgentScope helpful, please cite our papers:\n\n- [AgentScope 1.0: A Developer-Centric Framework for Building Agentic Applications](https:\u002F\u002Farxiv.org\u002Fabs\u002F2508.16279)\n- [AgentScope: A Flexible yet Robust Multi-Agent Platform](https:\u002F\u002Farxiv.org\u002Fabs\u002F2402.14034)\n\n## Contributors\n\n\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002Fagentscope-java\u002Fgraphs\u002Fcontributors\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fagentscope-ai_agentscope-java_readme_e59ece3dd342.png\" \u002F>\n\u003C\u002Fa>\n","\u003Cp align=\"center\">\n  \u003Cimg\n    src=\"https:\u002F\u002Fimg.alicdn.com\u002Fimgextra\u002Fi1\u002FO1CN01nTg6w21NqT5qFKH1u_!!6000000001621-55-tps-550-550.svg\"\n    alt=\"AgentScope Logo\"\n    width=\"200\"\n  \u002F>\n\u003C\u002Fp>\n\n\u003Ch3 align=\"center\">用 Java 构建生产就绪的 AI 助理\u003C\u002Fh3>\n\n\u003Cp align=\"center\">\n  \u003Ca href=\"https:\u002F\u002Fjava.agentscope.io\u002F\">📖 文档\u003C\u002Fa>\n   | \n  \u003Ca href=\"README_zh.md\">中文\u003C\u002Fa>\n   | \n  \u003Ca href=\"https:\u002F\u002Fdiscord.gg\u002FeYMpfnkG8h\">Discord\u003C\u002Fa>\n\u003C\u002Fp>\n\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Flicense-Apache--2.0-blue\" alt=\"许可证\" \u002F>\n  \u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FJDK-17%2B-orange\" alt=\"JDK 17+\" \u002F>\n  \u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fmaven-central\u002Fv\u002Fio.agentscope\u002Fagentscope?color=green\" alt=\"Maven Central\" \u002F>\n  \u003Ca href=\"https:\u002F\u002Fdeepwiki.com\u002Fagentscope-ai\u002Fagentscope-java\">\u003Cimg src=\"https:\u002F\u002Fdeepwiki.com\u002Fbadge.svg\" alt=\"Ask DeepWiki\">\u003C\u002Fa>\n\u003C\u002Fp>\n\n---\n\nAgentScope Java 是一个面向代理的编程框架，用于构建由大语言模型驱动的应用程序。它提供了创建智能代理所需的一切：ReAct 理性推理、工具调用、记忆管理、多代理协作等。\n\n## 亮点\n\n### 🎯 智能代理，完全可控\n\nAgentScope 采用 ReAct（理性—行动）范式，使代理能够自主规划并执行复杂任务。与僵化的基于工作流的方法不同，ReAct 代理会动态决定何时使用哪些工具，从而实时适应不断变化的需求。\n\n然而，在生产环境中，缺乏控制的自主性反而会带来风险。AgentScope 提供了全面的运行时干预机制：\n\n- **安全中断** - 可在任意时刻暂停代理执行，同时保留完整上下文和工具状态，实现无缝恢复而不会丢失数据。\n- **优雅取消** - 能够终止长时间运行或无响应的工具调用，而不破坏代理状态，从而立即恢复并重新定向。\n- **人机协同** - 通过 Hook 系统，在任何推理步骤中注入修正、额外上下文或指导，确保人类对关键决策的监督。\n\n### 🛠️ 内置工具\n\nAgentScope 包含一系列生产就绪的工具，可解决代理开发中的常见挑战：\n\n- **PlanNotebook** - 一种结构化的任务管理系统，可将复杂目标分解为有序且可跟踪的步骤。代理可以创建、修改、暂停和恢复多个并发计划，确保多步工作流的系统化执行。\n\n- **结构化输出** - 自我纠正的输出解析器，保证类型安全的响应。当 LLM 输出偏离预期格式时，系统会自动检测错误并引导模型生成有效输出，直接将结果映射到 Java POJO，无需手动解析。\n\n- **长期记忆** - 具有跨会话语义搜索能力的持久化存储。支持自动管理、代理控制记录或混合模式。在企业部署中，可实现多租户隔离，使代理能够独立服务于多个用户。\n\n- **RAG（检索增强生成）** - 与企业知识库无缝集成。支持自托管的嵌入式检索以及阿里云百炼等托管服务，使代理的回答建立在权威数据源之上。\n\n### 🔌 无缝集成\n\nAgentScope 旨在与现有企业基础设施无缝对接，无需进行大量改造：\n\n- **MCP 协议** - 可与任何兼容 MCP 的服务器集成，即时扩展代理功能。接入日益增长的 MCP 工具和服务生态系统——从文件系统、数据库到网页浏览器和代码解释器——无需编写自定义集成代码。\n\n- **A2A 协议** - 通过标准服务发现实现分布式多代理协作。将代理能力注册到 Nacos 或类似注册中心，使代理能够像调用微服务一样自然地相互发现和调用。\n\n### 🚀 生产级品质\n\n专为企业部署需求打造：\n\n- **高性能** - 基于 Project Reactor 的响应式架构，确保非阻塞执行。通过 GraalVM 原生镜像编译，冷启动时间可低至 200 毫秒，使 AgentScope 适用于无服务器和自动扩展环境。\n\n- **安全沙箱** - AgentScope Runtime 为不受信任的工具代码提供隔离的执行环境。内置针对 GUI 自动化、文件系统操作和移动设备交互的沙箱，防止未经授权访问系统资源。\n\n- **可观测性** - 原生集成 OpenTelemetry，实现整个代理执行流程的分布式追踪。AgentScope Studio 提供可视化调试、实时监控和全面日志记录，适用于开发和生产环境。\n\n## 快速入门\n\n**要求：** JDK 17+\n\n```xml\n\u003Cdependency>\n    \u003CgroupId>io.agentscope\u003C\u002FgroupId>\n    \u003CartifactId>agentscope\u003C\u002FartifactId>\n    \u003Cversion>1.0.11\u003C\u002Fversion>\n\u003C\u002Fdependency>\n```\n\n```java\nReActAgent agent = ReActAgent.builder()\n    .name(\"Assistant\")\n    .sysPrompt(\"You are a helpful AI assistant.\")\n    .model(DashScopeChatModel.builder()\n        .apiKey(System.getenv(\"DASHSCOPE_API_KEY\"))\n        .modelName(\"qwen-max\")\n        .build())\n    .build();\n\nMsg response = agent.call(Msg.builder()\n        .textContent(\"Hello!\")\n        .build()).block();\nSystem.out.println(response.getTextContent());\n```\n\n更多示例，请参阅 [文档](https:\u002F\u002Fjava.agentscope.io\u002F)。\n\n## 贡献\n\n我们欢迎您的贡献！请参阅 [CONTRIBUTING.md](.\u002FCONTRIBUTING.md) 获取相关指南。\n\n## 社区\n\n| [Discord](https:\u002F\u002Fdiscord.gg\u002FeYMpfnkG8h)                     | 钉钉 | 微信 |\n|--------------------------------------------------------------|----------| ---------|\n| \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fagentscope-ai_agentscope-java_readme_a579abcd718a.png\" width=\"100\" height=\"100\"> | \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fagentscope-ai_agentscope-java_readme_a9f3f1bb6bb6.jpg\" width=\"100\" height=\"100\"> | \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fagentscope-ai_agentscope-java_readme_7edad59930cb.png\" width=\"100\" height=\"100\"> |\n\n## 许可证\n\nApache License 2.0 - 详情请参阅 [LICENSE](.\u002FLICENSE)。\n\n## 出版物\n\n如果您觉得 AgentScope 有用，请引用我们的论文：\n\n- [AgentScope 1.0：以开发者为中心的代理应用构建框架](https:\u002F\u002Farxiv.org\u002Fabs\u002F2508.16279)\n- [AgentScope：灵活而稳健的多代理平台](https:\u002F\u002Farxiv.org\u002Fabs\u002F2402.14034)\n\n## 贡献者\n\n\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002Fagentscope-java\u002Fgraphs\u002Fcontributors\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fagentscope-ai_agentscope-java_readme_e59ece3dd342.png\" \u002F>\n\u003C\u002Fa>","# AgentScope Java 快速上手指南\n\nAgentScope Java 是一个面向代理编程的框架，专为构建基于大语言模型（LLM）的生产级应用而设计。它支持 ReAct 推理、工具调用、记忆管理及多智能体协作等核心功能。\n\n## 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **JDK 版本**：必须安装 **JDK 17** 或更高版本。\n*   **构建工具**：推荐使用 Maven 或 Gradle 进行依赖管理。\n*   **API Key**：若使用示例中的通义千问模型，需准备阿里云 DashScope API Key（可通过环境变量 `DASHSCOPE_API_KEY` 配置）。\n\n## 安装步骤\n\n在项目的 `pom.xml` 文件中添加以下依赖即可引入 AgentScope：\n\n```xml\n\u003Cdependency>\n    \u003CgroupId>io.agentscope\u003C\u002FgroupId>\n    \u003CartifactId>agentscope\u003C\u002FartifactId>\n    \u003Cversion>1.0.11\u003C\u002Fversion>\n\u003C\u002Fdependency>\n```\n\n> **提示**：该库已发布至 Maven Central，国内开发者无需额外配置镜像源即可正常下载。如遇网络波动，可配置阿里云 Maven 镜像加速。\n\n## 基本使用\n\n以下是最简单的 ReAct 智能体创建与调用示例。该示例初始化一个名为 \"Assistant\" 的智能体，并让其回复一条消息。\n\n```java\nimport io.agentscope.agent.ReActAgent;\nimport io.agentscope.message.Msg;\nimport io.agentscope.model.DashScopeChatModel;\n\npublic class QuickStart {\n    public static void main(String[] args) {\n        \u002F\u002F 构建 ReAct 智能体\n        ReActAgent agent = ReActAgent.builder()\n            .name(\"Assistant\")\n            .sysPrompt(\"You are a helpful AI assistant.\")\n            .model(DashScopeChatModel.builder()\n                .apiKey(System.getenv(\"DASHSCOPE_API_KEY\"))\n                .modelName(\"qwen-max\")\n                .build())\n            .build();\n\n        \u002F\u002F 发送消息并获取响应\n        Msg response = agent.call(Msg.builder()\n                .textContent(\"Hello!\")\n                .build()).block();\n        \n        System.out.println(response.getTextContent());\n    }\n}\n```\n\n**运行说明：**\n1. 确保已在系统环境变量中设置 `DASHSCOPE_API_KEY`。\n2. 编译并运行上述 Java 代码。\n3. 控制台将输出智能体的回复内容。\n\n更多高级用法（如工具注册、长期记忆、多智能体协作等），请参阅 [官方文档](https:\u002F\u002Fjava.agentscope.io\u002F)。","某大型电商企业的 Java 后端团队正在构建一个能自动处理复杂客诉（如退款、换货、查询物流）的智能客服系统。\n\n### 没有 agentscope-java 时\n- **流程僵化且难以维护**：开发人员被迫硬编码大量 if-else 分支来处理不同客诉场景，一旦业务规则变更，整个工作流需要重构，无法动态适应多变的用户需求。\n- **状态管理风险高**：在长链路任务中（如等待用户补充图片），若需人工介入或暂停任务，往往导致上下文丢失或数据不一致，缺乏安全的断点续传机制。\n- **输出解析繁琐易错**：大模型返回的非结构化文本需要编写复杂的正则表达式进行解析，格式稍有偏差就会导致程序崩溃，难以直接映射为 Java 业务对象。\n- **多系统集成成本高**：连接内部数据库、物流接口或知识库时，需为每个服务单独编写适配代码，缺乏统一的标准协议来快速扩展 Agent 能力。\n\n### 使用 agentscope-java 后\n- **自主规划与动态执行**：利用 ReAct 范式，Agent 能自主拆解客诉任务并动态决定调用查询或退款工具，无需硬编码流程，轻松应对新增的业务场景。\n- **安全的人机协作控制**：通过内置的 Safe Interruption 和 Hook 机制，可在关键决策点暂停 Agent 让人工审核，恢复时完整保留上下文，确保生产环境零数据丢失。\n- **类型安全的自动解析**：Structured Output 组件自动校验并修正模型输出，直接将结果映射为强类型的 Java POJO，彻底消除了手动解析错误带来的运行时异常。\n- **标准化的生态集成**：借助 MCP 协议无缝对接企业现有的知识库和微服务，通过 A2A 协议实现多 Agent 协作，像调用本地方法一样轻松扩展系统边界。\n\nagentscope-java 将原本脆弱且僵化的脚本式开发，转变为具备自主推理、安全可控且易于集成的企业级智能体应用架构。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fagentscope-ai_agentscope-java_ca4abb89.png","agentscope-ai","AgentScope-AI","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fagentscope-ai_aa2b4933.png","",null,"agentscope.team@gmail.com","https:\u002F\u002Fgithub.com\u002Fagentscope-ai",[81,85,89,93,97,101,105,109,112,116],{"name":82,"color":83,"percentage":84},"Java","#b07219",95.6,{"name":86,"color":87,"percentage":88},"HTML","#e34c26",1.2,{"name":90,"color":91,"percentage":92},"JavaScript","#f1e05a",0.9,{"name":94,"color":95,"percentage":96},"Shell","#89e051",0.7,{"name":98,"color":99,"percentage":100},"Vue","#41b883",0.5,{"name":102,"color":103,"percentage":104},"CSS","#663399",0.4,{"name":106,"color":107,"percentage":108},"Python","#3572A5",0.2,{"name":110,"color":111,"percentage":108},"TypeScript","#3178c6",{"name":113,"color":114,"percentage":115},"Dockerfile","#384d54",0.1,{"name":117,"color":118,"percentage":119},"Go Template","#00ADD8",0,2642,557,"2026-04-19T11:06:49","未说明",{"notes":125,"python":126,"dependencies":127},"该工具是基于 Java 的框架，不需要 Python 环境。核心运行要求是 JDK 17 或更高版本。支持通过 GraalVM 编译为原生镜像以实现 200ms 的冷启动时间，适用于无服务器环境。内置安全沙箱用于隔离不受信任的工具代码。支持通过 MCP 和 A2A 协议集成外部服务。","不适用",[128,129,130,131,132],"JDK 17+","io.agentscope:agentscope (Maven)","Project Reactor (响应式架构)","OpenTelemetry (可观测性)","GraalVM (可选，用于原生镜像编译)",[13,15,14,35],[135,136,137,138,139],"agent","agentic","agentic-ai","ai","llm","2026-03-27T02:49:30.150509","2026-04-20T04:04:29.406905",[143,148,153,158,163,168],{"id":144,"question_zh":145,"answer_zh":146,"source_url":147},43682,"如何在调用模型时添加自定义的请求头（Request Headers）？","可以通过 `GenerateOptions.builder().additionalOption(\"header_key\", \"header_value\").build()` 构建选项，并将其传递给 `OpenAIChatModel`，再将该模型传入 `ReActAgent`。注意：在 AgentScope 的设计理念中，`ReActAgent` 对象是并发不安全的，多个用户之间不能共享同一个 Agent 对象。如果每次请求需要不同的 Header，建议每次创建一个新的 `ReActAgent` 实例，而不是复用同一个对象。","https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002Fagentscope-java\u002Fissues\u002F110",{"id":149,"question_zh":150,"answer_zh":151,"source_url":152},43683,"为什么技能（Skill）下的工具偶尔无法被激活或提示 'Unauthorized tool call'？","该问题通常与技能加载状态或上下文未正确初始化有关。维护者指出相关问题已在后续的 PR 中修复。如果遇到此问题，请确保升级到最新版本。此外，检查日志中是否有技能加载失败的记录，并确保在调用工具前技能已通过 `load_skill_through_path` 正确激活且资源路径已就绪。","https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002Fagentscope-java\u002Fissues\u002F584",{"id":154,"question_zh":155,"answer_zh":156,"source_url":157},43684,"Agent 执行时没有输出也没有报错，可能是什么原因？","这通常是因为达到了默认的最大迭代次数限制（默认为 10 次），导致技能规划尚未完成就停止了。解决方法是显式设置更大的最大迭代次数。例如，在构建 Agent 或执行配置时，增加迭代上限以允许复杂的技能调用链完成执行。","https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002Fagentscope-java\u002Fissues\u002F764",{"id":159,"question_zh":160,"answer_zh":161,"source_url":162},43685,"如何将代码执行和文件读写环境绑定到特定技能的目录？","目前 `skillBox.codeExecution()` 中的 `workDir` 是独立的，不自动关联技能目录，这可能导致脚本路径查找失败。解决方案是在加载技能时，利用技能返回的资源路径信息，手动将 `workDir` 设置为该技能的具体目录路径。当通过 `load_skill_through_path` 加载技能时，响应中会包含所有技能资源的确切路径，应使用这些路径来配置执行环境。","https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002Fagentscope-java\u002Fissues\u002F952",{"id":164,"question_zh":165,"answer_zh":166,"source_url":167},43686,"AgentScope Java 版中的技能（Skills）有哪些核心功能和目录结构规范？","核心功能包括：启动时自动发现并加载技能、基于语义匹配自动激活、分阶段加载（元数据→指令→资源）以优化上下文、支持技能组管理、沙箱代码执行、按需加载资源以及版本控制。推荐的目录结构为：`plugin-name\u002Fskills\u002F`，其中包含具体的技能定义文件。技能 ID 是动态的，取决于加载方式，通常会作为 SkillBox Prompt 的一部分传递。","https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002Fagentscope-java\u002Fissues\u002F92",{"id":169,"question_zh":170,"answer_zh":171,"source_url":157},43687,"如何正确注册自定义工具（Tool）到技能盒（SkillBox）中？","首先实现 `AgentTool` 接口，重写 `getName()`、`getDescription()`、`getParameters()` 和 `callAsync()` 方法。然后使用 `skillBox.registration().skill(yourSkill).tool(yourTool).apply()` 进行注册。确保在注册前已正确构建 `AgentSkill` 对象并定义了详细的技能内容描述，以便模型能正确识别和调用该工具。",[173,178,183,188,193,198,203,208,213,218,223,228,233,238,243],{"id":174,"version":175,"summary_zh":176,"released_at":177},347305,"v1.0.11","本次发布重点在于扩展**多智能体编排**功能、强化**持久化存储**能力，并引入**智能体优雅关闭**机制，同时对核心框架进行了关键的稳定性改进。\n\n## 🌟 重要亮点\n\n### 智能体优雅关闭\nAgentScope-Java v1.0.11 实现了对**智能体优雅关闭**的全面支持（#909）。开发者现在可以安全地终止智能体，确保所有正在运行的任务、工具执行以及状态保存都能可靠完成，而不会出现数据丢失或生命周期损坏的情况。\n\n### 多智能体模式与健壮的消息传递\nAgentScope-Java v1.0.11 引入了先进的模式和组件，以简化复杂的多智能体工作流。\n* **多智能体实践指南**：推出了全面的多智能体模式实践和文档，帮助开发者构建可扩展的智能体网络（#910）。\n* **RocketMQ A2A 组件**：新增了一个用于智能体间通信（A2A）的 RocketMQ 组件，实现了智能体之间可靠、高吞吐量的异步消息传递（#990）。\n\n### 持久化存储与生态集成\n我们显著拓宽了技能和智能体会话管理的生态系统，使其能够兼容不同的数据库架构和注册中心。\n* **持续支持 Nacos**：继 v1.0.10 中实现 Nacos 注册中心的重大集成之后，我们更新了 `NacosSkillRepository` 扩展模块版本（#1080）。这确保了动态云原生智能体编排的持续稳定性、兼容性以及无缝运行。\n* **MySQL 技能仓库**：引入了 `MysqlSkillRepository`，支持将智能体技能集中存储在关系型数据库中（#600）。\n* **Redis 会话客户端**：新增了一个统一的 Redis 会话客户端，支持在底层不同 Redis 实现之间无缝切换，从而实现分布式会话管理（#611）。\n\n## 🚀 新特性\n\n* **模型、流式传输与推理**：\n  * **动态结构化输出**：新增了 `stream(List\u003CMsg>, StreamOptions, JsonNode)` 支持，可在流式响应过程中生成动态结构化输出（#931）。\n  * **提示缓存**：为 OpenAI 和 DashScope 协议引入了 `cache_control` 支持，使开发者能够优化成本和延迟（#985）。\n  * **推理令牌跟踪**：在 `ReasoningChunkEvent.accumulated` 的 `ChatUsage` 中分配了令牌消耗值，以便在模型推理过程中跟踪使用情况（#935）。\n  * **推理反序列化**：同时支持 `reasoning_content` 和 `reasoning` 字段，以更好地兼容不同的模型格式化器 schema（#1086）。\n\n* **工具与向量数据库**：\n  * **多模态工具**：引入了新的视频多模态工具，以增强媒体处理能力（#921）。\n  * **Milvus 和 Mem0**：增加了在 Milvus 中配置数据库名称的支持（#978），并解决了 Mem0 自托管认证头的问题（#1035）。\n  * **Shell 工具字符集**：为 `ShellCommandTool` 增加了自定义字符集支持，以更好地处理各种操作系统环境。","2026-03-31T16:54:03",{"id":179,"version":180,"summary_zh":181,"released_at":182},347306,"v1.0.10","本次发布重点在于强化 **技能与提示管理**，通过升级 Nacos 集成、扩展 **模型与语音** 功能，并提升代理执行流程及与 OpenAI 模型交互的稳定性。  \n\n## 🌟 重要亮点\n\n### 与 Nacos AI 注册中心全面集成（v3.2.0-BETA）\nAgentScope-Java v1.0.10 现已全面支持 Nacos AI 注册中心，实现对集中管理的提示和技能的无缝运行时访问，从而在无需重新部署的情况下，赋能动态的云原生代理编排。\n* **通过 NacosPromptListener 进行提示运行时绑定：** 代理可从 Nacos 配置中心动态获取并渲染提示，同时支持变量替换。还支持实时更新——您只需在 Nacos 控制台修改提示模板，代理将在下一次调用时自动反映更改。\n\n* **双模式技能加载策略：**\n  * **离线模式（FileSystemSkillRepository）：** 使用 nacos-cli 工具将技能同步到本地，然后通过文件系统加载——非常适合 CI\u002FCD 或气隙环境。\n  * **在线模式（NacosSkillRepository）：** 在运行时直接从 Nacos 拉取或订阅技能，借助 AiService 实现热插拔和版本化技能管理。\n\n### 2. 代理与工具执行能力增强\n代理工作流和工具调用机制经过优化，以提升可靠性和可控性。\n* **补全工具 Schema：** 在补全聊天 API 中新增对工具 Schema 的支持，填补了复杂工具定义的空白 (#508)。\n* **ReActAgent 改进：** 修复了 `ReActAgent` 中的一个问题，确保工具调用能够顺利进入执行阶段，从而正确处理错误 (#850)，并更新其行为，在达到迭代上限时明确输出 `MAX_ITERATIONS` 条消息 (#839)。\n* **挂钩排序功能：** 引入了代理挂钩的排序功能，使开发者能够精确控制自定义生命周期挂钩的执行顺序 (#793)。\n\n## 🚀 新特性\n\n* **模型与语音：**\n  * **TTS 支持：** 新增文本转语音（TTS）语音枚举，并将 TTS 能力集成到狼人杀游戏示例中 (#749)。\n  * **通义千问及其端点：** 允许手动配置端点类型，并新增对 `qwen3.5-plus` 模型的官方支持 (#824)。\n  * **格式解析：** 更新响应解析逻辑，以支持全新的 v1.1 格式 (#854)。\n\n* **交互与示例：**\n  * **HITL UI 示例：** 新增一个人工介入（HITL）交互式 UI 示例，展示虚拟健身教练的应用场景 (#832)。\n\n## 🛠️ 重构与修复\n\n* **OpenAI 与核心模型：**\n  * **Token 配置：** 修复了一个同时设置 `max_tokens` 和 `max_completion_tokens` 导致 OpenAI 请求冲突的问题 (#906)。\n  * **流式传输：** 修复了 `OpenAIChatModel` 流式响应失败的问题 (#886)。\n  * **对话历史记录：** 确保所有消息都能被正确纳入 OpenAI 格式器的对话历史中 (#844)。\n\n* **技能管理修复：**\n  * **多模块项目","2026-03-11T12:25:40",{"id":184,"version":185,"summary_zh":186,"released_at":187},347307,"v1.0.9","本次发布标志着一个重要里程碑，首次引入了**在线训练**功能，使智能体能够持续学习和自适应。同时，我们还大幅增强了**技能与工具系统**的兼容性（支持 Spring Boot Fat JAR、Nacos 和 Git），并提升了面向企业级部署的**流式处理与可观ability**能力。\n\n## 🌟 重点亮点\n\n### 1. 在线训练\n\n新增对**在线训练**的基础支持，实现运行时的模型动态微调，为自进化智能体奠定基础 (#703)。\n\n* **文档链接：** 如需了解实现细节，请参阅[在线训练文档](https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002Fagentscope-java\u002Fblob\u002Fmain\u002Fdocs\u002Fen\u002Ftask\u002Fonline-training.md)。\n\n### 2. 高级技能与工具集成\n\n我们对技能与工具生态系统进行了全面升级，以更好地支持更加动态和复杂的部署场景。\n\n* **灵活的技能加载：** 现已支持直接从**Spring Boot Fat JAR** (#668)、**Git 仓库** (#690) 和**Zip 文件** (#694) 加载技能，极大简化了插件管理和分发流程。\n* **Nacos 集成：** 新增支持从**Nacos** 动态加载 `ReActAgent` 的系统提示词，无需重新部署即可实现实时配置更新 (#760)。\n* **工具增强：** 引入了 `ToolSchemaModule`，用于解析 `@ToolParam` 注解 (#783)，并为内置文件工具添加了相对路径支持 (#747)。\n\n### 3. 流式处理与可观ability\n\n我们优化了数据流和监控能力，以提供更清晰的洞察和更好的用户体验。\n\n* **扇出式流处理：** 为 `FanoutPipeline` 增加了完整的流式支持，可在并行处理场景中实现实时反馈 (#664, #700)。\n* **分布式追踪：** 修复了 OpenTelemetry 跟踪上下文传播问题，确保在子智能体调用链路中实现完全可见性 (#704)。\n\n## 🚀 新特性\n\n* **规划模块：**\n  * **人机协作 (HITL)：** 在 `PlanNotebook` 中新增了 HITL 支持及 `changeHook` 管理 API。开发者现在可以在执行过程中介入、审查并修改智能体的计划，从而获得更高的控制权 (#687)。\n\n* **模型与 RAG：**\n  * **ID 生成：** 当底层大模型未提供 `ChatResponse.id` 时，将自动为其生成 ID，以保证一致性 (#721)。\n  * **Dify RAG：** 修复了 Dify RAG 检索请求中的 `reranking_model` JSON 键问题 (#766)。\n  * **DashScope：** 更新为使用 `requiresMultimodalApi`，以更好地支持多模态任务 (#670)。\n\n* **基础设施与存储：**\n  * **MySQL：** 新增支持 MySQL 数据库和表名中使用连字符 (`-`) (#706)。\n  * **Elasticsearch：** 将 `elasticsearch-java` 客户端版本升级至 **9.3.0** (#713)。\n\n## 🛠️ 重构与修复\n\n* **核心稳定性：**\n  * **并发管理：** 优化了 `AgentBase` 的锁管理机制，解决了并发冲突问题 (#733)，并将 `ToolMethodInvoker` 重构为无状态组件，以提升线程安全性 (#661)。\n  * **Pe","2026-02-12T11:50:52",{"id":189,"version":190,"summary_zh":191,"released_at":192},347308,"v1.0.8","本次发布引入了多模态能力，集成了 **Qwen TTS**；同时通过支持 PostgreSQL 和 Elasticsearch，大幅扩展了 **RAG 生态系统**；此外，还为智能体赋予了强大的 **代码执行能力**。\n\n## 🌟 重点亮点\n\n### 1. Qwen TTS 集成\n\n我们正式扩展了框架的多模态能力，集成了 **Qwen（通义千问）文本转语音** 功能。\n\n* **语音生成：** 智能体现在可以使用 Qwen 的 TTS 模型生成高质量的语音输出，从而为您的应用提供更丰富的语音交互体验 (#541)。\n\n### 2. RAG 与向量存储的扩展\n\n我们极大地拓宽了检索增强生成（RAG）的存储选项，使部署更加灵活且适合生产环境。\n\n* **PostgreSQL & pgvector：** 原生支持将 PostgreSQL 结合 `pgvector` 作为向量存储 (#525)。\n* **Elasticsearch：** 引入 Elasticsearch 作为 RAG 存储后端，提供强大的全文搜索和向量检索能力 (#503)。\n* **文档：** 新增了 Tika 阅读器的文档，以帮助处理多样化的文档解析任务 (#654)。\n\n### 3. 安全代码执行（SkillBox）\n\n技能系统现已具备安全的代码执行能力，允许智能体动态生成并运行代码。\n\n* **代码执行：** 添加了在 `SkillBox` 环境中执行代码的支持 (#614)。\n* **开发者体验：** 采用 Builder 模式重构了代码执行 API，使配置和使用更加便捷 (#646)，并简化了技能生命周期 (#615)。\n\n## 🚀 新特性\n\n* **模型与 AG-UI：**\n  * **思考模式：** 在 AG-UI 中新增了对“思考模式”输出（例如推理模型的输出）的可视化支持 (#574)。\n  * **DashScope：** 新增对 `response_format` 参数的支持 (#564)。\n  * **自定义事件：** AG-UI 现在支持自定义事件，以实现更灵活的前端交互 (#605)。\n  * **Spring Boot：** 改进了 AG-UI 的自动配置功能 (#653)。\n\n* **Agent Core 与 ReAct：**\n  * **钩子：** 为 `ReActAgent` 添加了总结阶段钩子支持 (#577)。\n  * **规划：** 在 `PlanNotebook` 和 `ReActAgent` 中强制实施严格的 `maxSubtasks` 限制，以防止无限循环 (#645, #656)。\n\n* **记忆：**\n  * **Mem0：** 新增了对 Mem0 存储中元数据记录和过滤的支持 (#563)。\n  * **结构化输出：** 优化了结构化输出机制，确保在内存压缩后仍能保留 `ThinkingBlock` 内容 (#655)。\n\n## 🛠️ 重构与修复\n\n* **并发与稳定性：**\n  * **Shell 工具：** 修复了 `ShellCommandTool` 中的管道缓冲区死锁问题 (#619)。\n  * **工具执行：** 使用 `mergeSequential` 严格保证并行工具调用的顺序 (#652)。\n  * **非阻塞：** 对所有 `ChatModelBase` 实现统一了非阻塞行为 (#642)。\n\n* **兼容性：**\n  * **JDK 25：** 排除了 `lombok` 依赖，以确保与 JDK 25 的向前兼容性 (#604)。\n  * **WebFlux：** 修复了","2026-01-26T03:13:23",{"id":194,"version":195,"summary_zh":196,"released_at":197},347309,"v1.0.7","本次发布通过全面的**Ollama 集成**扩展了本地 LLM 的生态系统，引入了用于更现代开发体验的**Kotlin 协程扩展**，并借助动态 JAR 加载和 Tika 文档解析功能，显著增强了**技能与 RAG 系统**。\n\n## 🌟 重点亮点\n\n### 1. 全面的 Ollama 集成\n\n我们新增了对 **Ollama** 的完整支持，实现了与本地大型语言模型（LLM）的无缝集成。\n\n* **功能特性：** 包括对 Chat 和 Embedding API 的支持 (#385)。\n* **文档说明：** 添加了详尽的文档，指导您如何在 AgentScope 中设置和使用 Ollama (#492)。\n* **优化改进：** 通过用快速单元测试替代耗时的集成测试，提升了测试性能 (#544)。\n\n### 2. Kotlin 协程扩展\n\n针对 Kotlin 开发者，我们引入了一层新的扩展层，以弥合 Project Reactor 与 Kotlin 协程之间的差距。\n\n* **实现机制：** 提供将 `Mono` 转换为 `suspend` 函数、`Flux` 转换为 `Flow` 的扩展工具 (#376)。\n* **实际效果：** 这使得在构建智能体时能够编写更加简洁、符合 Kotlin 语言习惯的代码，并充分利用结构化并发的优势。\n\n### 3. 技能加载与 RAG 支持的增强\n\n对外部知识和工具的管理能力得到了显著提升。\n\n* **动态技能加载：** 现可通过 `JarSkillRepositoryAdapter` 直接从外部 JAR 文件加载技能 (#546)。同时，我们将技能发现工具整合为统一的 `load_skill_through_path` 工具 (#505)。\n* **RAG 文档解析：** 新增对 **Apache Tika** 的支持，从而能够解析多种文档格式，用于检索增强生成任务 (#538)。\n\n## 🚀 新特性\n\n* **模型增强：**\n  * **OpenAI：** 在 `OpenAIModel` 中新增对视频 URL 的支持 (#476)，并为兼容 OpenAI 的 API 提供可配置的 `endpointPath` (#488)。\n  * **DashScope：** 新增对阿里云模型的安全加密访问支持 (#511)。\n\n* **可观测性：**\n  * 为 `TelemetryTracer` 增加了头部支持，以便为 Langfuse 等可观测性平台提供身份验证 (#543)。\n\n* **记忆与上下文：**\n  * **提示优化：** 新增用于自动上下文记忆的 `CompressPrompt` 优化工具 (#457)。\n  * **Mem0：** 为 Mem0 存储操作增加了 `agentId` 支持 (#539)。\n\n* **Spring 与框架：**\n  * 在 Spring Web Starter 中新增了 `chat completions API` 支持 (#382)。\n  * **A2A：** 提供了使用 Nacos 注册中心进行智能体间通信（A2A）的完整示例 (#458)，并改进了带有智能体名称的消息处理机制 (#467)。\n\n* **子智能体：** 增强了事件转发机制，使其能够携带丰富的元数据 (#529)。\n\n## 🛠️ 重构与修复\n\n* **流式处理：** 新增选项，可在流式输出中过滤掉“动作”分块，以实现更整洁的 UI 集成 (#553)，并修复了重复消息输出的问题 (#487)。\n* **依赖项：** 移除了 `snakeyaml` 依赖，转而采用轻量级的 YA 库。","2026-01-14T06:29:51",{"id":199,"version":200,"summary_zh":201,"released_at":202},347310,"v1.0.6","本次发布引入了对 **人机协作（HITL）** 交互模式的重大增强，并优化了工具使用的 **流式体验**。此外，还新增了 Nacos 集成、API 简化以及多项 Bug 修复。\n\n## 🌟 核心亮点\n\n### 1. 全面的人机协作（HITL）支持\n\n我们重构了执行流程，以更好地支持复杂的 HITL 场景。现在您可以暂停代理的执行，等待人工输入、确认或修改，随后再无缝恢复流程。\n\n* **机制：** HITL 通过 `PostReasoningEvent` 或 `PostActingEvent` 中的 `stopAgent()` 实现。\n* **外部工具：** 新增对外部工具执行的支持，并引入暂停机制，使代理在工具（或人工）异步执行操作时能够“暂停”。\n* **文档：** 如需深入了解实现细节，请参阅 **[HITL 文档](https:\u002F\u002Fjava.agentscope.io\u002Fen\u002Ftask\u002Fhitl.html)**。\n* **示例：** 欢迎查看包含 MCP 工具及工具确认功能的 [全新聊天示例](https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002Fagentscope-java\u002Ftree\u002Fmain\u002Fagentscope-examples\u002Fhitl-chat)。\n\n### 2. 流式体验升级：工具输出增量返回\n\n我们升级了流式能力，支持 **实时工具调用块的逐段发出**。\n\n* **影响：** `ReasoningChunkEvent` 现在支持工具的增量返回。\n* **开发者须知：** 请关注流中的 **新输出类型**。此功能可显著优化 UI 展示效果，例如在工具参数或中间状态生成时即可逐字符显示给用户，而无需等到整个工具调用完成。\n\n## 🚀 新特性\n\n* **Nacos 集成：** 添加了 AgentScope Nacos Spring Boot 启动器及 A2A 集成 (#446)。\n* **MCP 支持：** 在主配置中新增了模型上下文协议（MCP）构建器的配置支持 (#452)。\n* **模型 API 简化：** 移除了 `OpenAIConfig`，并简化了 `OpenAIChatModel` 的 API，以提升易用性 (#427)。\n* **自定义功能：**\n  * 支持 OpenAIChatFormatter 中的 `reasoningEffort` 字段 (#444)。\n  * 支持自定义工具结果转换器 (#413)。\n  * 支持在狼人杀示例中自定义角色编号 (#417)。\n* **HTTP 传输：** 将默认 HTTP 传输切换为 JDK，并增强了其功能 (#445)。\n\n## 🛠️ 重构与修复\n\n* **工具：** 增加了 `Toolkit` 深拷贝，以隔离代理状态 (#438)。\n* **JSON：** 通过 `JsonCodec` 抽象类实现了 JSON 处理的集中化 (#439)。\n* **格式化器：** 将各提供商特有的逻辑提取到专用格式化器中 (#428)，并修复了 OpenAI 流式分块类型检测问题 (#436)。\n* **Bug 修复：**\n  * 修复了最后一个 REASONING 事件中 `TextBlock` 的处理问题 (#419)。\n  * 修复了 `callTool` 响应后的输出属性问题 (#443)。\n  * 修复了 `ToolResultBlock` 临时字段的相关问题 (#455)。\n\n## ❤️ 新贡献者\n\n* @hujun-w-2 在 #417 中完成了首次贡献。\n* @Howryann 完成了","2026-01-05T13:01:31",{"id":204,"version":205,"summary_zh":206,"released_at":207},347311,"v1.0.5","**🎉 2025 年最终发布！**\n\n随着 2025 年的即将结束，我们自豪地推出 **AgentScope Java v1.0.5**。这是今年的第 9 次发布。在此，我们向过去几个月中为 AgentScope Java 社区贡献代码、提供反馈和支持的每一位朋友致以最诚挚的感谢。\n\n## 🚀 重要亮点\n\n* **通用模型支持：** 我们对 OpenAI 请求处理进行了全面重构（用原生 HTTP 客户端替代 SDK），以支持来自多家供应商的所有主流模型。\n* **会话机制增强：** 会话架构经过重新设计，提供了类型安全的状态持久化功能，更好地契合 Java 生态系统。\n\n> [!WARNING]\n> **⚠️ 破坏性变更：会话数据存储**\n> 由于我们重构了 `Session` 机制，之前的数据存储方式可能不再兼容。\n> **需采取的措施：** 如果您此前依赖 Session 进行数据存储，请在更新前参阅我们官方文档中的升级说明：[官方文档](https:\u002F\u002Fjava.agentscope.io\u002Fen\u002Ftask\u002Fsession.html#data-format-and-migration)。\n\n---\n\n## 📅 变更内容\n\n### 🛠 核心与重构\n* **重构：** 使用原生 HTTP 客户端替换 OpenAI SDK，以提升兼容性（@JGoP-L 在 #393 中，@uuuyuqi 在 #338 中）\n* **重构：** 重新设计 `Session` 和 `StateModule` API，实现类型安全的状态持久化（@AlbumenJ 在 #388 中）\n* **重构：** 工具包和 `skillBox` 注册逻辑（@fang-tech 在 #377 中）\n* **清理：** 移除已弃用的 `a2a` 依赖，并更新文档（@LearningGp 在 #404 中）\n\n### ✨ 新特性\n* **Nacos 集成：** 添加 Nacos 支持，用于 AgentScope A2A 注册与发现（@KomachiSion 在 #387 中）\n* **RAG：** 添加 `ExternalApiReader`，用于第三方文档解析（@magicyuan876 在 #318 中）\n* **调度器：** 添加 QuartZ 调度模块（@LoM-Klein 在 #369 中）\n* **记忆：** 支持自托管 mem0 集成（@shiyiyue1102 在 #403 中）\n* **模型：** 明确指定思考模式和搜索模式的值（@guanxuc 在 #380 中）\n* **工具：** 添加线程安全的白名单管理和动态描述功能（@fang-tech 在 #379 中）\n* **输出：** 支持结构化数据的动态定义（@chiangzeon 在 #357 中）\n* **AutoContext：** 支持自定义上下文压缩提示（@shiyiyue1102 在 #386 中）\n\n### 🐛 Bug 修复\n* **流：** 对阻塞式流源使用 `subscribeOn`，并尊重 StreamOptions 配置（@AlbumenJ 在 #410、#411 中）\n* **技能：** 移除 `FileSystemSkillRepository` 的空目录校验（@fang-tech 在 #397 中）\n* **核心：** 修复无效路径的路径检查问题（@guanxuc 在 #394 中）\n* **消息：** 修复 `msg` 构造函数中的 NPE 问题（@chiangzeon 在 #407 中）\n* **依赖：** 解决 `boba-tea-shop` 依赖问题（@LearningGp 在 #409 中）\n\n---\n\n## ❤️ 贡献者\n\n衷心感谢所有为本次发布做出贡献的开发者：\n\n@Aias00, @Akika404, @AlbumenJ, @chiangzeon, @chickenlj, @Cirilla-zmh, @disaster1-tesk, @fang-tech, @flystar32, @goribun, @GTyingzi, @guanxuc, @guomo233, @JGoP-L, @jianjun159, @Koma","2025-12-31T14:21:32",{"id":209,"version":210,"summary_zh":211,"released_at":212},347312,"v1.0.4","## 变更内容\n* 功能：@AlbumenJ 在 https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002Fagentscope-java\u002Fpull\u002F244 中启用了 Dependabot\n* 功能：@guanxuc 在 https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002Fagentscope-java\u002Fpull\u002F241 中支持多模态工具\n* 功能：@shlokmestry 在 https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002Fagentscope-java\u002Fpull\u002F269 中为 StreamOptions 添加了推理分块和结果过滤选项\n* 重构（a2a）：@KomachiSion 在 https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002Fagentscope-java\u002Fpull\u002F294 中将服务器配置属性迁移到 Spring Environment，以适配 Spring Boot 4\n* 功能：@yaohuitc 在 https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002Fagentscope-java\u002Fpull\u002F298 中实现了与 XXL-Job 3.3.1+ 的兼容性\n* 修复（agent）：@chiangzeon 在 https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002Fagentscope-java\u002Fpull\u002F303 中修复了 Msg 构造方法中的 NPE 问题\n* 功能（bom）：@guanxuc 在 https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002Fagentscope-java\u002Fpull\u002F272 中引入了 agentscope-dependencies-bom\n* 功能（a2a）：针对 issue#234，A2a 服务器支持输入多种类型的消息。@KomachiSion 在 https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002Fagentscope-java\u002Fpull\u002F304 中完成了此功能\n* 修复（core）：@guanxuc 在 https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002Fagentscope-java\u002Fpull\u002F320 中修复了当 content 为 List 类型时获取文本的方法\n* 功能（core）：@fang-tech 在 https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002Fagentscope-java\u002Fpull\u002F88 中实现了 Agent 技能\n* 功能（mcp）：@qingTang0305 在 https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002Fagentscope-java\u002Fpull\u002F323 中支持 queryParam\n* 功能（examples）：@uuuyuqi 在 https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002Fagentscope-java\u002Fpull\u002F316 中支持 HTTP 请求和响应内容的压缩\n* 功能（core）：@guanxuc 在 https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002Fagentscope-java\u002Fpull\u002F334 中增强了 StructuredOutputHandler 中的日志记录\n* 修复（rag）：@LearningGp 在 https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002Fagentscope-java\u002Fpull\u002F345 中移除了 QueryHistoryEntry 构造函数中不必要的内容校验\n* 修复（core）：@guanxuc 在 https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002Fagentscope-java\u002Fpull\u002F349 中增加了对 OSS 协议 URL 的支持\n* 功能（tool）：@fang-tech 在 https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002Fagentscope-java\u002Fpull\u002F270 中添加了内置的 Shell 命令工具\n* 修复（core）：@guanxuc 在 https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002Fagentscope-java\u002Fpull\u002F359 中补充了对 SSE 响应的错误处理\n* 功能（a2a）：针对 issue#234，A2aServer 支持通过配置控制消息内容。@KomachiSion 在 https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002Fagentscope-java\u002Fpull\u002F364 中完成了此功能\n* 功能（rag）：@Akika404 在 https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002Fagentscope-java\u002Fpull\u002F268 中添加了 HayStack RAG 集成\n* 功能：@Aias00 在 https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002Fagentscope-java\u002Fpull\u002F224 中为 CC 和光标添加了内置 Agent 技能\n* 功能：@shiyiyue1102 在 https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002Fagentscope-java\u002Fpull\u002F363 中实现了带有计划笔记本的自动上下文记忆\n* 功能（mcp）：@qingTang0305 在 https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002Fagentscope-java\u002Fpull\u002F337 中支持 Higress 工具搜索\n\n## 新贡献者\n* @shlokmestry 在 https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002Fagentscope-java\u002Fpull\u002F269 中做出了首次贡献","2025-12-26T09:14:33",{"id":214,"version":215,"summary_zh":216,"released_at":217},347313,"v1.0.3","## 变更内容\n* 修复：由 @GTyingzi 在 https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002Fagentscope-java\u002Fpull\u002F184 中提交的修复\n* 功能（A2A）：支持 A2aAgent 调用 A2A 协议。由 @KomachiSion 在 https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002Fagentscope-java\u002Fpull\u002F172 中提交\n* 修复（RAG）：嵌入缺少维度参数。由 @guanxuc 在 https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002Fagentscope-java\u002Fpull\u002F188 中提交\n* 功能（RAG）：支持 OpenAI 嵌入。由 @xuanmiss 在 https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002Fagentscope-java\u002Fpull\u002F191 中提交\n* 功能（聊天）：增强消息内容获取和流式输出。由 @Aias00 在 https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002Fagentscope-java\u002Fpull\u002F193 中提交\n* 功能（#145）：添加 Quarkus 集成，包括扩展和启动器。由 @JGoP-L 在 https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002Fagentscope-java\u002Fpull\u002F185 中提交\n* 重构：将 dashscope-sdk-java 替换为模型中的原生 HTTP 请求。由 @AlbumenJ 在 https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002Fagentscope-java\u002Fpull\u002F123 中提交\n* 功能：为 AI 代码助手添加 LLM 友好的指南（#148）。由 @JGoP-L 在 https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002Fagentscope-java\u002Fpull\u002F186 中提交\n* 功能（核心）：优化内存并发和异常处理。由 @disaster1-tesk 在 https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002Fagentscope-java\u002Fpull\u002F196 中提交\n* 功能：允许以指定状态和结果完成子任务。由 @Aias00 在 https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002Fagentscope-java\u002Fpull\u002F199 中提交\n* 功能：更新 `McpSchema.CallToolResult` 以使用构建器模式，并细化 OpenAI `seed` 参数的应用。由 @Aias00 在 https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002Fagentscope-java\u002Fpull\u002F201 中提交\n* 修复：移除并行测试配置。由 @AlbumenJ 在 https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002Fagentscope-java\u002Fpull\u002F203 中提交\n* 功能：为追踪和专用测试添加 Reactor 上下文传播。由 @Aias00 在 https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002Fagentscope-java\u002Fpull\u002F194 中提交\n* 功能（示例）：添加 plan-notebook Web 应用程序示例。由 @LearningGp 在 https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002Fagentscope-java\u002Fpull\u002F204 中提交\n* 重构：将狼人杀游戏更新为 Web 交互。由 @AlbumenJ 在 https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002Fagentscope-java\u002Fpull\u002F202 中提交\n* 功能：在 ToolSchemaGenerator 中实现数组和集合 `items` 模式的生成，并添加相应测试。由 @Aias00 在 https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002Fagentscope-java\u002Fpull\u002F205 中提交\n* 功能：实现 AgentScope Micronaut 启动器模块。由 @JGoP-L 在 https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002Fagentscope-java\u002Fpull\u002F189 中提交\n* 修复：将 Micronaut 和 Spring Boot 启动器移至扩展目录下。由 @JGoP-L 在 https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002Fagentscope-java\u002Fpull\u002F212 中提交\n* 修复（工具）：在使用 reset_equipped_tools 时，为代理提供所有工具组的描述（#210）。由 @guomo233 在 https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002Fagentscope-java\u002Fpull\u002F214 中提交\n* 功能（核心）：添加安全验证工具类，并添加自定义 FanoutPipeline 调度器。由 @disaster1-tesk 在 https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002Fagentscope-java\u002Fpull\u002F223 中提交\n* 功能：优化自动上下文记忆。由 @shiyiyue1102 在 https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002Fagentscope-java\u002Fpull\u002F213 中提交\n* 修复（核心）：修复 InMemoryMemory 的删除问题","2025-12-19T11:30:26",{"id":219,"version":220,"summary_zh":221,"released_at":222},347314,"v1.0.2","## 变更内容\n* 修复：将 RAG 和长期记忆的钩子从预推理阶段调整为预调用阶段，由 @shiyiyue1102 在 https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002Fagentscope-java\u002Fpull\u002F156 中完成\n* 重构（结构化输出）：将 TOOL_CHOICE 改为延迟强制模式，并保留工具使用历史，由 @AlbumenJ 在 https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002Fagentscope-java\u002Fpull\u002F160 中完成\n* 新特性：支持 MySQL 会话存储 #152，由 @uuuyuqi 在 https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002Fagentscope-java\u002Fpull\u002F155 中实现\n* 新特性：支持自动上下文记忆，由 @shiyiyue1102 在 https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002Fagentscope-java\u002Fpull\u002F163 中完成\n* 新特性：添加调度器，由 @yaohuitc 在 https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002Fagentscope-java\u002Fpull\u002F137 中实现\n* 新特性：为结构化模型添加 agent.stream 功能，由 @zhangjiefan1992 在 https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002Fagentscope-java\u002Fpull\u002F161 中完成\n* 新特性：DashScopeChatModel 增加 EnableSearch 功能，以支持网络搜索，由 @yaohuitc 在 https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002Fagentscope-java\u002Fpull\u002F169 中完成\n* 修复：当前轮次摘要问题，由 @shiyiyue1102 在 https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002Fagentscope-java\u002Fpull\u002F175 中修复\n* 新特性（内存）：为 ReMe 支持长期记忆，由 @shiyiyue1102 在 https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002Fagentscope-java\u002Fpull\u002F174 中完成\n* 扩展 Dify 和 ragFLow 的 RAG 功能，由 @qingTang0305 在 https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002Fagentscope-java\u002Fpull\u002F176 中完成\n* 新特性（起步项目）：Spring Boot 起步集成，由 @jianjun159 在 https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002Fagentscope-java\u002Fpull\u002F168 中完成\n* 新特性（示例）：添加 RoutingByToolCallsExample 示例，由 @goribun 在 https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002Fagentscope-java\u002Fpull\u002F177 中完成\n* 修复：更新 Shade 依赖列表，由 @AlbumenJ 在 https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002Fagentscope-java\u002Fpull\u002F178 中完成\n* 【功能】milvuslite RAG 存储 (#109)，由 @uuuyuqi 在 https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002Fagentscope-java\u002Fpull\u002F179 中实现\n* 修复：修复 Studio 用户消息重复问题，由 @qingTang0305 在 https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002Fagentscope-java\u002Fpull\u002F181 中修复\n* 新特性（AutoContextMemory）：优化当前轮次消息压缩，由 @shiyiyue1102 在 https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002Fagentscope-java\u002Fpull\u002F182 中完成\n\n## 新贡献者\n* @shiyiyue1102 在 https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002Fagentscope-java\u002Fpull\u002F156 中完成了首次贡献\n* @uuuyuqi 在 https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002Fagentscope-java\u002Fpull\u002F155 中完成了首次贡献\n* @yaohuitc 在 https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002Fagentscope-java\u002Fpull\u002F137 中完成了首次贡献\n* @zhangjiefan1992 在 https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002Fagentscope-java\u002Fpull\u002F162 中完成了首次贡献\n* @goribun 在 https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002Fagentscope-java\u002Fpull\u002F177 中完成了首次贡献\n\n**完整变更日志**：https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002Fagentscope-java\u002Fcompare\u002Fv1.0.1...v1.0.2","2025-12-11T09:44:31",{"id":224,"version":225,"summary_zh":226,"released_at":227},347315,"v1.0.1","## What's Changed\r\n* feat: add checkRunning parameter to control concurrent agent calls by @AlbumenJ in https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002Fagentscope-java\u002Fpull\u002F111\r\n* fix: installation docs by @AlbumenJ in https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002Fagentscope-java\u002Fpull\u002F117\r\n* feat: add ChatUsage to Msg metadata for token usage tracking by @AlbumenJ in https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002Fagentscope-java\u002Fpull\u002F118\r\n* refactor: reuse ObjectMapper to avoid repeated construction overhead. by @yangl in https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002Fagentscope-java\u002Fpull\u002F121\r\n* feat: enhance GenerateOptions with topK, seed and additional HTTP params by @AlbumenJ in https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002Fagentscope-java\u002Fpull\u002F119\r\n* feat: add build-in file operationg tool by @fang-tech in https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002Fagentscope-java\u002Fpull\u002F89\r\n* refactor: split examples by @AlbumenJ in https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002Fagentscope-java\u002Fpull\u002F122\r\n* refactor: move embedding to rag-simple by @AlbumenJ in https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002Fagentscope-java\u002Fpull\u002F133\r\n* feat(session): add support redis session storage by @jianjun159 in https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002Fagentscope-java\u002Fpull\u002F142\r\n* fix modifications to PostActingEvent in Hook not taking effect as expected by @LearningGp in https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002Fagentscope-java\u002Fpull\u002F154\r\n* fix: all-in-one should shade extensions by @AlbumenJ in https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002Fagentscope-java\u002Fpull\u002F153\r\n\r\n## New Contributors\r\n* @yangl made their first contribution in https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002Fagentscope-java\u002Fpull\u002F121\r\n* @jianjun159 made their first contribution in https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002Fagentscope-java\u002Fpull\u002F142\r\n\r\n**Full Changelog**: https:\u002F\u002Fgithub.com\u002Fagentscope-ai\u002Fagentscope-java\u002Fcompare\u002Fv1.0.0...v1.0.1","2025-12-08T07:42:18",{"id":229,"version":230,"summary_zh":231,"released_at":232},347316,"v1.0.0","The first stable release of AgentScope Java - an agent-oriented programming framework for building LLM applications.\r\n\r\n## Installation\r\n**Requires JDK 17+**\r\n\r\n```xml\r\n\u003Cdependency>\r\n    \u003CgroupId>io.agentscope\u003C\u002FgroupId>\r\n    \u003CartifactId>agentscope\u003C\u002FartifactId>\r\n    \u003Cversion>1.0.0\u003C\u002Fversion>\r\n\u003C\u002Fdependency>\r\n```\r\n\r\n##  Highlights\r\n- Multi-Model Support - DashScope, OpenAI, Anthropic, Gemini out of the box\r\n- ReAct Agent - Built-in reasoning and acting loop with tool calling\r\n- Annotation-based Tools - Define tools with simple `@Tool` annotations\r\n- MCP Protocol - Native Model Context Protocol support\r\n- Multimodal - Text, image, audio, and video content handling\r\n- RAG - Knowledge retrieval with local vector store or Bailian integration\r\n- Long-term Memory - Cross-session memory via Mem0 extension\r\n- Multi-Agent Pipelines - Sequential, fanout, and message hub patterns\r\n- Streaming & Hooks - Real-time output with execution lifecycle hooks\r\n- AgentScope Studio - Visual debugging interface\r\n\r\n## Extensions\r\n- agentscope-extensions-mem0 - Long-term memory\r\n- agentscope-extensions-rag-simple - Local RAG\r\n- agentscope-extensions-rag-bailian - Bailian knowledge base\r\n- agentscope-extensions-studio - Visual debugger\r\n","2025-11-30T15:21:58",{"id":234,"version":235,"summary_zh":236,"released_at":237},347317,"v0.2.1","## AgentScope Studio Integration\r\n\r\n  - Real-time Visualization: Added AgentScope Studio integration with real-time visualization capabilities for monitoring agent execution (#57)\r\n\r\n## RAG Support\r\n\r\n  - Comprehensive RAG Framework: Introduced full-featured RAG (Retrieval-Augmented Generation) support including:\r\n    - Embedding model integration\r\n    - Vector store implementations\r\n    - Document retrieval capabilities (#55)\r\n\r\n## Performance\r\n\r\n  - Non-blocking I\u002FO: Improved model execution performance by using boundedElastic scheduler to prevent blocking I\u002FO threads (#56)\r\n","2025-11-18T08:45:38",{"id":239,"version":240,"summary_zh":241,"released_at":242},347318,"v0.2.0","We're excited to announce the release of AgentScope Java v0.2.0, a major milestone that brings production-ready features, comprehensive multi-agent capabilities, and full alignment with the Python version.\r\n\r\n## Multi-Agent System\r\n\r\n  - MsgHub & Pipeline (#39, #36): Message broadcasting and orchestration for multi-agent collaboration\r\n  - PlanNotebook (#40): Structured multi-step task planning and execution\r\n  - Werewolf Game Example (#51): Complete multi-agent game with i18n support demonstrating advanced agent interactions\r\n\r\n## Advanced Tool System\r\n\r\n  - MCP (Model Context Protocol) Integration (#16): Connect to external tools and services\r\n  - Tool Streaming (#14): Real-time progress updates during tool execution\r\n  - Meta Tools & Tool Groups (#17, #42): Hierarchical tool organization with access control\r\n  - Parallel Tool Execution (#11): Concurrent tool calls for improved performance\r\n\r\n## Model Capabilities\r\n\r\n  - Multimodal Support (#25): Vision (Image) and Audio support for DashScope and OpenAI models\r\n  - Thinking Mode (#22, #24): Support for o1-style reasoning with ThinkingBlock\r\n  - Structured Output (#26, #37, #45, #46, #47): JSON schema-based response formatting with tool choice integration\r\n  - Timeout & Retry (#33, #35): Three-layer timeout architecture with exponential backoff retry\r\n\r\n## Agent Enhancements\r\n\r\n  - Agent Interruption (#15): Graceful agent interruption mechanism\r\n  - Context Summarization (#27): Auto-summarize when max iterations reached\r\n  - Stream API (#32): Reactive event streaming for real-time agent monitoring\r\n  - UserAgent Refactoring (#29): Comprehensive user interaction agent with builder pattern\r\n\r\n## Architecture Improvements\r\n\r\n  - Fully Reactive Execution (#28): Async-first architecture using Project Reactor\r\n  - Event-Driven Hooks (#13, #20, #41): Unified hook system aligned with Python implementation\r\n  - Sealed ContentBlock (#30): Type-safe message content using Java sealed classes\r\n  - SessionManager (#50): Automatic component naming and session management\r\n  - Formatter Restructuring (#45): Cleaner separation between DashScope and OpenAI formatters\r\n\r\n","2025-11-06T07:06:15",{"id":244,"version":245,"summary_zh":246,"released_at":247},347319,"v0.1.0","> Please note that this is an early version, so the APIs and dependencies in the current version do not guarantee long-term stability. Future versions might bring breaking changes.\r\n\r\n## 🚀 Quickstart\r\n### Installation\r\nAgentScope Java requires **jdk 17** or higher.\r\n\r\n```bash\r\n\u003Cdependency>\r\n    \u003CgroupId>io.agentscope\u003C\u002FgroupId>\r\n    \u003CartifactId>agentscope-core\u003C\u002FartifactId>\r\n    \u003Cversion>0.1.0\u003C\u002Fversion>\r\n\u003C\u002Fdependency>\r\n```\r\n\r\n### Hello AgentScope!\r\nStart with a basic ReActAgent that replies to user queries!\r\n\r\n```java\r\npublic static void main(String[] args) {\r\n    Model model = DashScopeChatModel.builder()\r\n\t\t.apiKey(System.getenv(\"DASHSCOPE_API_KEY\"))\r\n\t\t.modelName(\"qwen-max\")\r\n\t\t.build();\r\n\r\n    ReActAgent agent = ReActAgent.builder()\r\n    .name(\"hello-world-agent\")\r\n    .sysPrompt(\"You are a helpful AI assistant. Be concise and friendly. \" +\r\n               \"When thinking through problems, use \u003Cthinking>...\u003C\u002Fthinking> tags to show your reasoning.\")\r\n    .model(model)\r\n    .memory(new InMemoryMemory())\r\n    .formatter(new DashScopeChatFormatter())\r\n    .build();\r\n\r\n    Msg userMessage = Msg.builder()\r\n        .role(MsgRole.USER)\r\n        .textContent(\"Hello, please introduce yourself.\")\r\n        .build();\r\n    Msg response = agent.reply(userMessage).block();\r\n\r\n    System.out.println(\"Agent Response: \" + response.getTextContent());\r\n}\r\n```","2025-09-24T10:22:58"]