AgentScope 2.0: framework agent và agent service đa người thuê cho doanh nghiệp
Đăng ngày 12/10/2026
Mục lục bài nghiên cứu
AgentScope 2.0 là gì, và nên đặt nó ở đâu trong hệ thống?
AgentScope 2.0 tự mô tả là framework agent sẵn sàng cho production, dễ dùng, với những trừu tượng thiết yếu theo kịp năng lực ngày càng tăng của mô hình. Thay vì bó mô hình trong prompt cứng và luồng điều phối áp đặt, nhóm phát triển chọn tận dụng khả năng suy luận và dùng công cụ của chính mô hình. [1] Đó là tuyên bố của dự án; bài không có số liệu vận hành để xác nhận.
Kho mã có hai tầng: SDK gồm các khối để lắp một agent, tức chương trình dùng mô hình ngôn ngữ để suy luận và gọi công cụ; và agent service, backend FastAPI kèm Web UI dựng sẵn để biến agent thành ứng dụng nhiều người thuê, nhiều phiên. Thư viện yêu cầu Python 3.11 trở lên. [1]
Nên cân nhắc khi cần ứng dụng agent cho nhiều nhóm hay khách hàng với phiên tách biệt, có xác nhận trước khi chạy công cụ và RAG đa người thuê. Nên chờ nếu cần tài liệu nằm cùng kho mã để kiểm toán theo phiên bản, vì tài liệu người dùng ở kho riêng, hoặc nếu tính năng cần dùng còn mang nhãn thử nghiệm. [1][7]
Vì sao cần thêm một framework: từ agent trong terminal tới dịch vụ nhiều người dùng
Viết một agent gọi công cụ trong vài chục dòng Python không còn khó. Khó là biến nó thành dịch vụ: mỗi người dùng có phiên riêng, mô hình và MCP server được chia sẻ theo nhóm, tác vụ dài chạy nền rồi đánh thức agent, lời gọi công cụ nhạy cảm có người xác nhận. Agent service trong README nhắm vào đúng các nhu cầu này. [1]
Khó khăn thứ hai đến từ tốc độ tiến bộ của mô hình: luồng điều phối mã hóa cứng theo năng lực của năm trước dễ thành vật cản khi mô hình mới tự lập kế hoạch tốt hơn. AgentScope để mô hình dẫn dắt nhiều hơn, còn framework lo hook, quyền, ngắt và tiếp tục. [1] Đổi lại, càng ít quy trình cứng thì càng cần kiểm soát chặt ở tầng quyền và giám sát.
Khó khăn thứ ba mang tính tổ chức: khi nhiều nhóm cùng dùng agent, cấu hình mô hình, MCP server, skill và không gian làm việc nên được quản lý tập trung theo nhóm hoặc toàn tổ chức; mục chia sẻ tài nguyên của agent service hướng tới việc đó. [1]
Hai tầng kiến trúc: khối xây dựng của SDK và agent service trên FastAPI
Ở tầng SDK, dự án cố ý giữ một lớp agent lõi duy nhất là agentscope.agent.Agent, tích hợp bộ nhớ, công cụ, MCP, formatter và mô hình; agent chuyên biệt nên được đóng góp dưới dạng ví dụ. [7] Vòng lặp ReAct, tức xen kẽ suy luận và hành động, hỗ trợ đầu ra có cấu trúc, ngắt và tiếp tục theo thời gian thực, gọi công cụ theo lô tuần tự hoặc đồng thời. [1]
Quanh vòng lặp là middleware ghép nối được, gắn vào các điểm trả lời, suy luận, hành động, gọi mô hình, kiểm tra quyền, nén ngữ cảnh và system prompt; nén ngữ cảnh tự động, chuyển kết quả công cụ ra ngoài, chèn RAG và bộ nhớ đều chạy qua đây. Bus sự kiện thống nhất stream suy luận, lời gọi công cụ và nội dung đa phương thức tới frontend. [1]
Mỗi nhà cung cấp mô hình cần lớp credential, lớp chat model, model card YAML khai báo kích thước ngữ cảnh và đầu ra, cùng hai formatter cho trò chuyện một người và hội thoại nhiều agent; README liệt kê OpenAI, Anthropic, Gemini, DashScope, DeepSeek, Moonshot, Volcengine, xAI, Ollama. [1][7] Workspace chứa skill và tác vụ định lịch, mở rộng qua WorkspaceBase; sandbox có backend local, Docker, Apple Container, Bubblewrap, E2B, OpenSandbox, Daytona, Kubernetes. [1][7] Agent service chạy trên FastAPI, lưu trạng thái vào SQL hoặc NoSQL; ví dụ đi kèm dùng Redis. [1][5]
Dữ liệu đi đâu trong một phiên: tin nhắn, sự kiện, công cụ và chỉ mục RAG
Ghép các khối README mô tả, một lượt hội thoại diễn ra thế này: tin nhắn vào agent; middleware chèn system prompt, bộ nhớ hoặc đoạn RAG; mô hình suy luận và đề xuất lời gọi công cụ; middleware kiểm tra quyền và có thể dừng chờ người dùng xác nhận; công cụ chạy trong workspace hoặc sandbox; kết quả quay lại mô hình, còn từng bước được phát lên bus sự kiện cho giao diện. [1] Trình tự này là tổng hợp của bài, không phải sơ đồ chính thức.
Tác vụ dài đi nhánh riêng: công cụ chạy lâu được chuyển xuống nền và đánh thức agent khi có kết quả. [1] Ở tầng dịch vụ, trạng thái phiên được lưu bền, tách biệt giữa các người thuê và giữa các phiên. [1][5]
Tri thức đi theo đường RAG: tài liệu được phân tích, cắt đoạn, nhúng thành vector rồi chèn vào kho; KnowledgeBase.search truy vấn; RAGMiddleware gắn kho vào agent ở chế độ static (tự chèn vào ngữ cảnh) hoặc agentic (agent tự gọi công cụ tìm kiếm). [6] Lưu ý: ví dụ dùng mô hình nhúng text-embedding-v4 của DashScope, nên nếu giữ nguyên, nội dung tài liệu được gửi ra dịch vụ ngoài; Qdrant mặc định chạy trong bộ nhớ, không bền vững. [6]
Tính năng xác minh được trong README, ví dụ và hướng dẫn đóng góp
Toolkit quản lý công cụ Python, MCP server và skill, kèm công cụ lập trình (shell, sửa tệp, tìm kiếm) và công cụ kế hoạch; console trong ví dụ khởi động xử lý sẵn stream đầu ra, xác nhận lời gọi công cụ và ngắt bằng Ctrl+C. Bộ nhớ dài hạn hoán đổi được giữa ReMe và Mem0. [1]
Hệ thống quyền và HITL (human-in-the-loop, đưa con người vào vòng quyết định) kiểm soát chi tiết công cụ và tài nguyên, có bước xác nhận và chế độ bypass để agent chạy trọn không dừng hỏi. [1] Ví dụ agent service minh họa tương tác HITL, hệ thống quyền và tác vụ định lịch trên Web UI. [5]
Agent service còn có đội agent leader–worker với công cụ đội nhóm, kênh Feishu/Lark, Discord và kênh tùy biến, dịch vụ RAG đa người thuê với lưu trữ blob và worker lập chỉ mục, hub MCP và skill từ GitHub MCP Registry và ClawHub, chia sẻ tài nguyên theo nhóm và tổ chức, lập lịch và chuyển việc xuống nền. [1] Ví dụ RAG trình bày bốn backend vector là Qdrant, Milvus Lite, MongoDB Vector Search và Elasticsearch từ 8.12, có lọc theo metadata như tenant_id. [6]
Các mục tin tức tháng 9/2026 bổ sung giao thức A2A qua A2AAgent, TeamPipeline, định tuyến mô hình bằng ModelRouterMiddleware, mô hình MiniMax và RealtimeAgent cho API thời gian thực. [1]
Hiện hành, thử nghiệm hay lộ trình: đọc trạng thái tính năng cho đúng
Nguồn của AgentScope có ba lớp thông tin không đồng bộ. Lớp thứ nhất là tin tức README, nơi SOP (chạy tác vụ nhiều bước như quy trình vận hành chuẩn), agent giọng nói thời gian thực và hội thoại giọng nói qua WebRTC trong agent service mang nhãn Experimental: đã có mã, nhưng API còn có thể đổi. [1]
Lớp thứ hai là docs/roadmap.md với trọng tâm từ tháng 1/2026: agent giọng nói qua ba mốc (TTS, đa phương thức, đa phương thức thời gian thực), skill, hệ sinh thái A2UI và A2A, Agentic RL với backend Tinker, chất lượng mã. [3] A2A và giọng nói thời gian thực đã có trong tin tức README như tính năng được hỗ trợ, cho thấy tệp lộ trình không theo sát hiện trạng. [1][3]
Lớp thứ ba là nhật ký thay đổi: docs/changelog.md chỉ ghi chặng 0.x lên 1.0.0, như thực thi bất đồng bộ, tracing OpenTelemetry, module MCP, bộ nhớ dài hạn, và việc tạm bỏ RAG, WebBrowser khi đó. [4] Không có nhật ký 2.0 trong docs, còn tài liệu người dùng nằm ở kho agentscope-ai/docs. [7] Đề xuất: chỉ dùng trong sản xuất tính năng không mang nhãn thử nghiệm, và lập bảng tính năng, nguồn, trạng thái trước khi duyệt kiến trúc.
Tổ chức nào hưởng lợi, tổ chức nào chưa nên dùng?
Hưởng lợi rõ nhất là đội sản phẩm hoặc phòng công nghệ của doanh nghiệp dịch vụ, nơi hệ thống agent phải phục vụ nhiều khách hàng với dữ liệu tách bạch; đa người thuê ở tầng dịch vụ và RAG đa người thuê khớp nhu cầu này. [1] Nhóm nghiên cứu hệ đa agent có thêm hai bài tiền ấn phẩm trên arXiv về AgentScope gốc và AgentScope 1.0 mà README liệt kê. [1]
Đơn vị làm agent giọng nói nên theo dõi, vì lộ trình xác định voice agent hướng production là trọng tâm và README đã có RealtimeAgent cho nhiều API thời gian thực, dù một phần còn thử nghiệm. [1][3]
Chưa nên dùng nếu nhu cầu chỉ là script tự động hóa cố định, nếu không có kỹ sư Python bảo trì, hoặc nếu quy trình dựa chặt vào một kênh chưa có sẵn như Zalo mà tổ chức chưa sẵn sàng tự viết kênh tùy biến; README chỉ nêu Feishu/Lark, Discord và kênh tùy biến. [1]
Đề xuất cho công ty kế toán dịch vụ: trợ lý hồ sơ tách theo từng khách hàng
Giả định một công ty dịch vụ kế toán ở TP. Hồ Chí Minh với 25 kế toán viên, giữ sổ sách và lập hồ sơ thuế cho khoảng 180 doanh nghiệp nhỏ; nhân viên tốn nhiều giờ lục lại hợp đồng, hóa đơn điện tử, báo cáo kỳ trước để trả lời những câu hỏi lặp lại. Kịch bản chỉ mang tính minh họa.
Thiết kế đề xuất: agent service với Web UI nội bộ; dịch vụ RAG lập chỉ mục tài liệu kèm metadata mã khách hàng và kỳ kế toán, mọi truy vấn bắt buộc lọc theo mã khách hàng, lưu ý MongoDB cần khai báo filter_fields trước. [1][6] Agent chỉ có công cụ đọc và tìm kiếm; công cụ ghi tệp, gửi thư hay sửa dữ liệu phải qua xác nhận, và không bật bypass. [1]
Quy trình khóa sổ cuối tháng hợp với SOP về lý thuyết, nhưng SOP còn thử nghiệm, nên giai đoạn đầu chỉ dùng tác vụ định lịch để nhắc việc và sinh danh sách kiểm tra cho kế toán viên tự xác nhận. [1][5] Nhận câu hỏi qua Zalo là một dự án viết kênh tùy biến riêng. [1]
Ranh giới trách nhiệm: agent không lập hay nộp tờ khai, không đưa ý kiến tư vấn thuế cuối cùng; đầu ra là bản nháp kèm trích dẫn để kế toán viên có chứng chỉ kiểm tra. Hồ sơ khách hàng vừa là bí mật nghề nghiệp vừa chứa dữ liệu cá nhân, nên việc chạy mô hình cục bộ qua Ollama hay gọi API ngoài phải có ý kiến pháp chế. [1]
Triển khai theo lớp: thư viện, dịch vụ, Web UI và kho vector
Thư viện cài bằng uv pip install agentscope hoặc từ mã nguồn. [1] Ví dụ agent service cần bản cài kèm extras full, Python 3.11 trở lên, Node.js 20 trở lên có npx, Redis làm kho lưu; dịch vụ chạy bằng python main.py, Web UI khởi động bằng pnpm rồi trỏ tới endpoint localhost cổng 8000. [5] Đây là quy trình phát triển; các nguồn đã đọc không có hướng dẫn cỡ máy hay kiến trúc production.
Phụ thuộc tùy chọn như gemini, ollama, xai, service, storage được nhập lười, tức chỉ nạp khi cần; extras full gồm models, service, storage. [7] Backend vector có yêu cầu riêng: MongoDB 7.0 trở lên dạng replica set bật Vector Search, Elasticsearch từ 8.12, và không được tắt bảo mật Elasticsearch ở môi trường dùng chung. [6]
Elasticsearch ghi chunk theo ID ổn định sinh từ document_id và chunk_index, nên lập chỉ mục lại sẽ thay chunk cũ thay vì nhân bản; số chiều của mô hình nhúng phải giữ nguyên sau khi tạo chỉ mục. [6] Đề xuất của bài: đóng gói dịch vụ thành container sau reverse proxy có xác thực, sao lưu Redis và kho vector, ghim phiên bản PyPI, và thử mỗi bản nâng cấp trên staging trước khi dùng thật.
Quyền, xác nhận và cô lập: ba lớp phải cấu hình chủ động
Lớp thứ nhất là quyền: hệ thống kiểm soát chi tiết công cụ và tài nguyên, có bước xác nhận và chế độ bypass để agent chạy trọn. [1] Với dữ liệu tài chính, bypass nên bị cấm ở môi trường thật và được kiểm tra định kỳ.
Lớp thứ hai là cô lập thực thi: ví dụ khởi động cấp Bash, Write, Edit cho agent; trong doanh nghiệp, các công cụ này chỉ nên chạy trong sandbox container như Docker hay Kubernetes, và chỉ được cấp khi nghiệp vụ cần. [1]
Lớp thứ ba là dữ liệu đi ra ngoài: mô hình trong ví dụ khởi động và mô hình nhúng trong ví dụ RAG đều là dịch vụ DashScope cần khóa API, nên nội dung đi qua chịu điều khoản của nhà cung cấp. [1][6] Hướng dẫn RAG dặn giữ thông tin xác thực và thiết lập TLS ngoài mã nguồn. [6]
Đa người thuê là tính năng ứng dụng, không phải chứng nhận an ninh: trước khi đưa dữ liệu nhiều khách hàng lên chung hệ thống, cần kiểm thử truy vấn chéo người thuê, chỉ dẫn độc hại cài trong tài liệu tải lên và việc đọc kết quả công cụ của phiên khác. Danh mục tài liệu thu thập tại commit không có tệp chính sách bảo mật riêng; nên hỏi dự án về quy trình báo lỗ hổng.
Apache-2.0 kèm thông báo bên thứ ba: phạm vi áp dụng
LICENSE gốc là Apache License 2.0, phần hướng dẫn áp dụng ghi Copyright 2024 Alibaba; README cũng xác nhận Apache 2.0. [1][2] Giấy phép cho phép dùng thương mại, sửa đổi, phân phối, kèm cấp quyền sáng chế, với điều kiện chuyển kèm giấy phép, ghi chú tệp đã sửa, giữ thông báo bản quyền và NOTICE nếu có; nó không cấp quyền dùng nhãn hiệu. [2]
Sau văn bản giấy phép là phần thông báo bên thứ ba: một phần tests/run.py chỉnh từ FederatedScope theo Apache 2.0; các tệp JavaScript, CSS dưới src/agentscope/web/static (socket.io, jQuery, Bootstrap, bootstrap-table) theo MIT; phông Monaspace Krypton và Oswald theo SIL Open Font License 1.1. [2] Bài không kiểm tra các đường dẫn này còn trong cây mã 2.0 hay không.
CONTRIBUTING.md mô tả quy trình issue, nhánh, Conventional Commits và dùng AI có trách nhiệm, không nhắc thỏa thuận cấp phép đóng góp (CLA). [7] Giấy phép bao trùm mã tại commit nghiên cứu, không bao trùm mô hình, dịch vụ đám mây, kho tài liệu riêng, nội dung hub MCP và skill của bên thứ ba hay phụ thuộc cài qua extras. Ranh giới 1.x và 2.x cần đối chiếu ghi chú phát hành, vì nhật ký trong kho chỉ nói về 1.0. [1][4]
Chi phí sở hữu: phần mềm miễn phí, phần còn lại thì không
Giả định cho công ty kế toán: một kỹ sư Python kiêm vận hành, khoảng nửa thời gian trong ba tháng thử nghiệm; một kế toán trưởng làm chủ sở hữu nghiệp vụ, soạn bộ câu hỏi đánh giá; một máy chủ ảo cỡ vừa chạy FastAPI, Redis và Elasticsearch hoặc MongoDB; chi phí mô hình ngôn ngữ và mô hình nhúng theo token, hoặc GPU nếu tự host. Bài không đưa giá vì giá phụ thuộc nhà cung cấp và thời điểm.
Yếu tố đẩy chi phí lên: lập chỉ mục toàn bộ kho và phải lập lại khi đổi mô hình nhúng vì số chiều phải khớp; chế độ RAG agentic có thể tìm kiếm nhiều lần mỗi lượt; đội agent leader–worker nhân số lời gọi mô hình. [1][6]
Yếu tố kéo chi phí xuống: ModelRouterMiddleware chọn mô hình cho từng lượt trả lời, mở đường dùng mô hình nhỏ cho câu hỏi đơn giản; Ollama cho phép chạy mô hình cục bộ. [1] Thước đo nên dùng là chi phí trên một câu trả lời được kế toán viên chấp nhận, không phải chi phí mỗi lời gọi API.
Đặt AgentScope cạnh những cách tiếp cận khác
Tự viết vòng lặp gọi API của nhà cung cấp mô hình rẻ nhất lúc đầu, nhưng phải tự làm quyền, phiên, stream sự kiện, RAG và giao diện; AgentScope có sẵn các khối này cùng một tầng dịch vụ. [1]
Khung điều phối đồ thị như LangGraph, hay khung đội agent theo vai trò như CrewAI và AutoGen, hợp khi quy trình cần xác định chặt từng bước. AgentScope đặt cược vào việc để mô hình dẫn dắt và đóng gói kèm dịch vụ đa người thuê. [1] Đây là nhận xét theo triết lý thiết kế được công bố, không phải so sánh đo đạc.
Nền tảng agent tự host có giao diện hoàn chỉnh như DeerFlow hay Dify, hoặc dịch vụ SaaS, giúp người không lập trình bắt đầu nhanh hơn. AgentScope có Web UI dựng sẵn nhưng nghiêng về để kỹ sư tự lắp ứng dụng trên agent service; lựa chọn tùy tổ chức có đội Python làm chủ phần lắp ráp hay không. [1]
Hạn chế và những điều kiện không nên dùng
Nguồn kiểm chứng tại commit mỏng hơn phạm vi sản phẩm: tài liệu người dùng ở kho riêng, nhật ký 2.0 không có trong docs, nhiều tính năng mới chỉ xuất hiện trong mục tin tức vài tuần trước ngày kiểm tra và một phần mang nhãn thử nghiệm. [1][4][7]
Ví dụ thiên về hệ sinh thái Trung Quốc: DashScope trong ví dụ khởi động và RAG, kênh Feishu, nhóm cộng đồng DingTalk. [1][6] Đây không phải trở ngại kỹ thuật, nhưng doanh nghiệp Việt Nam sẽ phải thay mô hình, mô hình nhúng và kênh nhắn tin, kèm công tích hợp và kiểm thử.
Không nên dùng khi không có người chịu trách nhiệm phê duyệt đầu ra, khi hợp đồng với khách hàng đòi chứng nhận bảo mật hay kiểm toán độc lập mà dự án chưa công bố, hoặc khi công việc là tác vụ cố định mà script thông thường giải quyết được.
Lộ trình thử nghiệm ba pha với chỉ số đo được
Pha 1, bốn tuần, trong phòng thí nghiệm: dựng agent service và Web UI trên máy chủ nội bộ, chỉ dùng dữ liệu đã ẩn danh của năm khách hàng; kế toán trưởng soạn 100 câu hỏi thực tế kèm đáp án và tài liệu nguồn. Chỉ số: tỷ lệ trả lời đúng và trích đúng tài liệu, mục tiêu từ 85%; số truy vấn lộ tài liệu của khách hàng khác trong bộ kiểm thử chéo, mục tiêu bằng 0; độ trễ người dùng chấp nhận được.
Pha 2, sáu tuần, dùng thật có giám sát với năm kế toán viên: mọi công cụ ghi đều phải xác nhận; ghi lại số yêu cầu bị từ chối, số câu trả lời phải sửa, thời gian tìm tài liệu trước và sau, do công ty tự đo. [1]
Pha 3 là điểm quyết định: mở rộng khi đạt ngưỡng, có kỹ sư duy trì và có quy trình nâng cấp phiên bản; dừng nếu có bất kỳ lần lộ dữ liệu chéo nào, nếu tỷ lệ đúng không vượt ngưỡng sau hai vòng tinh chỉnh, hoặc nếu tính năng cốt lõi vẫn ở trạng thái thử nghiệm. Mọi con số là mục tiêu đề xuất, không phải kết quả đo.
Kết luận: nhiều khối xây dựng, đòi hỏi kỷ luật phiên bản
AgentScope 2.0 nổi bật vì đi từ SDK tới agent service đa người thuê trong cùng một kho, với quyền và HITL, RAG, kênh nhắn tin và lập lịch. [1] Với công ty dịch vụ phải giữ dữ liệu khách hàng tách bạch, đó là một điểm xuất phát đáng thử.
Từ góc độ nghiên cứu tài liệu, điểm yếu là trạng thái tính năng đổi nhanh và tài liệu tách khỏi kho mã. Giá trị thực sự vì thế phụ thuộc kỷ luật của người dùng: ghim phiên bản, kiểm thử cô lập, giữ con người ở bước quyết định.
Bước tiếp theo hợp lý là chạy pha 1 với dữ liệu ẩn danh và bộ câu hỏi có đáp án, trước khi bàn tới bất kỳ mức tự động hóa nào.
Phương pháp, phạm vi nguồn và giới hạn của bài
AgentScope được xếp vào nhóm AI agents và ứng dụng vì xuất hiện trong danh sách Python ngày 28/02/2026 của một kho lưu trữ độc lập các trang GitHub Trending; bảng tổng hợp ứng viên của loạt bài ghi nhận dự án tới ngày 19/07/2026. [8] Kho lưu trữ chỉ có bốn danh sách Python, Go, JavaScript, Swift và khuyết hai ngày 03/09, 12/10/2026, nên tuyển chọn này không tương đương Top 100 chính thức của GitHub.
Phiên bản nghiên cứu là commit 562cd22f97b9e32d2ba9e1b32ee1c5b624d5040b (12/10/2026), kiểm tra ngày 12/10/2026. Bài đọc README, LICENSE và năm tài liệu bổ sung tại cùng commit: docs/roadmap.md, docs/changelog.md, examples/agent_service/README.md, examples/rag/README.md và CONTRIBUTING.md. [1][2][3][4][5][6][7] Trang docs.agentscope.io mà README liên kết không được dùng làm nguồn vì nằm ngoài commit.
Đây là nghiên cứu tài liệu có hỗ trợ AI: không cài đặt, không chạy thử, không đo hiệu năng, và không phải công bố khoa học đã qua phản biện. Các bài arXiv do README liệt kê thuộc về nhóm tác giả của dự án và không được đánh giá ở đây. Tình huống Việt Nam, chi phí, so sánh và kế hoạch thử nghiệm là phân tích, đề xuất.
Xem mã nguồn AgentScope trên GitHub