오늘의 오픈 소스 프로젝트 (#104): AgentScope 2.0 — 모델 추론을 중심으로 구축된 Alibaba의 프로덕션 준비 완료된 - Insights | Molayo

서론

"보고, 이해하고, 신뢰할 수 있는 에이전트를 구축하고 실행하세요."

이 글은 Open Source Project of the Day 시리즈의 #104번째 기사입니다. 오늘의 프로젝트는 Alibaba DAMO Academy의 오픈 소스 프로덕션 준비 완료된 에이전트 프레임워크인 AgentScope 2.0입니다.

에이전트 프레임워크 분야는 이미 포화 상태입니다. LangChain은 체인 기반 오케스트레이션 (chain-based orchestration)에 집중합니다. AutoGen은 멀티 에이전트 대화 (multi-agent conversation)에 집중합니다. CrewAI는 역할 기반 협업 (role-based collaboration)에 집중합니다. AgentScope의 차별점은 설계 철학에 있습니다. LLM 추론 (LLM reasoning) 능력이 충분히 강력해질 때, 프레임워크는 경직된 파이프라인 (pipelines)으로 모델의 결정 공간을 제한하기보다 한 걸음 물러나야 한다는 것입니다.

AgentScope 2.0은 그 철학이 요구하는 프로덕션 인프라를 추가했습니다: 이벤트 시스템 (event system), 권한 제어 (permission controls), 멀티 테넌트 격리 (multi-tenant isolation), 샌드박스 실행 (sandbox execution), 미들웨어 훅 (middleware hooks). 목표는 단순히 실행되는 데모가 아니라, 실제로 배포 가능한 (ships) 시스템을 만드는 것입니다.

학습 내용

AgentScope 2.0의 설계 철학: 왜 "고정된 파이프라인"보다 "모델 주도" 방식인가
5가지 핵심 시스템: 이벤트 (Event) / 권한 (Permission) / 멀티 테넌시 (Multi-tenancy) / 워크스페이스 (Workspace) / 미들웨어 (Middleware)
에이전트 팀 패턴: Leader-Worker 아키텍처가 복잡한 작업을 처리하는 방식
권한 시스템의 세밀한 제어: 도구 호출 승인 및 경계 구성
LangChain 및 AutoGen과의 포지셔닝 차이점
전체 생태계: AgentScope Runtime, ReMe, OpenJudge, Trinity-RFT

사전 요구 사항

LLM 에이전트 개념 (도구 사용, 추론 루프)에 대한 익숙함
기본적인 Python 비동기 프로그래밍 (async programming)
LangChain 또는 AutoGen 경험은 포지셔닝 비교에 도움이 됩니다.

프로젝트 배경

AgentScope란 무엇인가?

AgentScope 2.0은 프로덕션 준비 완료된 에이전트 프레임워크입니다 — "상승하는 모델 역량에 맞춰 작동하도록 설계되었으며, 필수적인 추상화와 내장된 프로덕션 지원을 갖춘 에이전트 개발 플랫폼"입니다.

이 프레임워크가 해결하고자 하는 핵심 문제: 기존의 에이전트 프레임워크는 경직된 파이프라인(pipelines)과 정해진 프롬프트 템플릿(prompt templates)으로 인해 LLM(대규모 언어 모델)을 제약합니다. LLM의 추론(reasoning) 능력이 급격히 향상됨에 따라, 이러한 제약은 병목 현상이 되었습니다. AgentScope는 "모델의 고유한 추론 및 도구 사용(tool-use) 능력이 에이전트의 행동을 주도하도록 하는 것"으로 패러다임을 전환합니다. 즉, 이 프레임워크는 실행 경로를 제약하는 것이 아니라 프로덕션 인프라(production infrastructure)를 제공합니다.

저자 / 팀

팀: Alibaba DAMO Academy
주요 연구원: Dawei Gao, Zitao Li, Yaliang Li, Bolin Ding, Jingren Zhou 외 다수
라이선스: Apache-2.0
버전: v2.0.2 (2026년 6월)
논문: arXiv:2402.14034 (2024) 및 arXiv:2508.16279 (2025)

프로젝트 통계

⭐ GitHub Stars: 27,100+
🍴 Forks: 3,100+
📦 Releases: 40
📄 License: Apache-2.0

핵심 기능

기본 빌딩 블록 (Basic Building Block)

AgentScope 2.0의 최소 작동 단위는 Agent이며, 시스템 구성을 통해 확장됩니다:

import asyncio
from agentscope import Agent, Toolkit, DashScopeChatModel, DashScopeCredential
from agentscope.tools import Bash, Grep, Glob, Read, Write
...

5가지 핵심 시스템

1. 이벤트 시스템 (Event System)

에이전트 추론 과정의 모든 단계를 연결하는 통합 이벤트 버스(event bus)입니다:

EventType.REPLY_START          # 에이전트 응답 시작
EventType.MODEL_CALL_START     # 모델 호출 시작
EventType.TEXT_BLOCK_START     # 텍스트 블록 시작
...

Human-in-the-loop(인간 참여형) 워크플로우는 이벤트 시스템을 통해 연결됩니다. 특정 이벤트에서 에이전트를 일시 중지하고, 인간의 확인을 기다린 후, 실행을 재개할 수 있습니다.

2. 권한 시스템 (Permission System)

어떤 도구 호출(tool calls)에 승인이 필요한지, 혹은 자동 실행할지에 대한 세밀한 제어를 제공합니다:

from agentscope.permission import PermissionConfig, ApprovalMode

config = PermissionConfig(
...

권한 우회 모드 (Permission Bypass Mode): 테스트 또는 신뢰할 수 있는 시나리오를 위해 모든 승인을 비활성화하고 에이전트가 완전히 자율적으로 실행되도록 할 수 있습니다.

3. 멀티 테넌시 / 세션 격리 (Multi-Tenancy / Session Isolation)

FastAPI 서비스 레이어는 프로덕션 수준의 테넌트 및 세션 격리 (Tenant and Session Isolation)를 제공합니다:

테넌트 간의 에이전트 인스턴스는 서로에게 보이지 않음
세션 수준의 컨텍스트 관리 (Context Management)
여러 사용자에 걸친 동시 요청 처리
내장된 인증 (Authentication)

4. 워크스페이스 / 샌드박스 실행 (Workspace / Sandbox Execution)

격리된 도구 실행을 위한 세 가지 백엔드 옵션:

백엔드	최적의 용도
Local	개발 및 테스트, 가장 빠름
...

5. 미들웨어 시스템 (Middleware System)

핵심 에이전트 코드를 수정하지 않고도 에이전트의 추론-행동 루프 (Reasoning-Acting Loop)에 조합 가능한 훅 (Hooks)을 삽입할 수 있습니다:

from agentscope.middleware import LoggingMiddleware, GuardrailMiddleware

agent = Agent(
...

에이전트 팀 (Agent Team, 멀티 에이전트 협업)

리더-워커 패턴 (Leader-Worker pattern): 리더 에이전트 (Leader Agent)가 작업을 분해하고 내장된 팀 도구 (Team Tools)를 통해 워커 에이전트 (Worker Agents)를 생성한 다음, 결과를 집계합니다.

from agentscope.tools import TeamTools

# 리더는 team_tools를 가짐 — 워커를 생성하고 조정할 수 있음
...

워커 에이전트의 역량은 실행 시점에 리더에 의해 동적으로 결정됩니다. 따라서 가능한 모든 워커 유형을 미리 정의할 필요가 없습니다.

작업 계획 (Task Planning)

에이전트는 복잡한 작업을 추적 가능한 계획 단계로 분해하며, 실행이 진행됨에 따라 실시간으로 상태를 업데이트합니다:

작업: "이 Python 프로젝트를 위한 완전한 테스트 스위트를 작성하세요"
에이전트가 계획 생성:
  단계 1: [진행 중] 프로젝트 구조 스캔, 모든 모듈 식별
...

백그라운드 작업 오프로딩 (Background Task Offloading)

오래 걸리는 도구 호출 (파일 처리, 네트워크 요청, 코드 컴파일)은 에이전트 대화 스트림을 차단하지 않고 백그라운드로 전환됩니다:

사용자: "이 대규모 C++ 프로젝트를 컴파일하고 테스트를 실행하세요"
에이전트: [백그라운드 작업을 시작하고 즉시 대화를 계속함]
에이전트: "백그라운드에서 컴파일이 시작되었습니다. 예상 소요 시간은 5분입니다.
...

딥 다이브 (Deep Dive)

설계 철학: 모델이 주도하게 하라 (Let the Model Lead)

이것은 AgentScope 2.0과 다른 유사한 프레임워크들 사이의 가장 근본적인 차이점입니다:

전통적인 접근 방식 (LangChain 스타일):

개발자가 고정된 체인(chain)을 정의합니다:
Step 1 → Step 2 → Step 3 (개발자가 각 단계에서 일어날 일을 결정)
모델은 각 단계 내의 빈칸을 채웁니다

AgentScope 방식:

개발자가 제공하는 것: 툴킷 (toolkit) + 권한 (permissions) + 제약 사항 (constraints)
모델이 결정하는 것: 무엇을 할지, 어떤 순서로 할지, 어떤 도구를 사용할지
프레임워크가 처리하는 것: 프로덕션 안정성 (production safety), 관찰 가능성 (observability), 인간 참여형 (human-in-the-loop)

모델의 추론 (reasoning) 능력이 약했을 때는 고정된 파이프라인 (fixed pipelines)이 옳았습니다. 모델에게 가이드가 필요했기 때문입니다. 하지만 모델의 추론 능력이 충분히 강력해지면, 고정된 파이프라인은 오히려 제약 사항이 됩니다. 모델이 실행할 수 없는 더 나은 계획을 세울 수 있기 때문입니다. AgentScope 2.0의 시기적 판단은 다음과 같습니다: 2025년 이후의 주류 모델들은 더 많은 자율성 (autonomy)을 누릴 만큼 충분히 유능합니다.

스트리밍 이벤트 아키텍처 (Streaming Event Architecture)

표준 async for evt in agent.reply_stream() 패턴은 다음을 가능하게 합니다:

프론트엔드에서 에이전트의 추론 과정을 실시간으로 표시할 수 있음
도구 호출 (tool calls)이 완료된 후가 아니라 시작되는 즉시 나타남
도구 호출이 이루어지기 전에 인간의 승인 (human approvals)을 삽입할 수 있음
전체 추론 과정이 완전히 관찰 가능하며 로그 기록이 가능함

프로덕션 배포: AgentScope 런타임 (AgentScope Runtime)

별도의 AgentScope 런타임 (runtime.agentscope.io)은 완전한 프로덕션 서비스 레이어를 제공합니다:

보안 샌드박스 실행 (Secure sandbox execution): 코드 실행 및 도구 호출을 위함
서비스 배포 (Service deployment): 에이전트를 호출 가능한 API 서비스로 전환
다국어 런타임 (Multi-language runtimes): Python, Java (JVM), TypeScript 백엔드

전체 생태계 (Full Ecosystem)

AgentScope는 단순한 프레임워크가 아닙니다. 그 뒤에는 완전한 툴체인 (toolchain)이 존재합니다:

구성 요소	기능
AgentScope Studio	에이전트 실행을 위한 시각적 디버깅 도구
...

프레임워크 비교 (Framework Comparison)

차원 (Dimension)	LangChain	AutoGen	AgentScope 2.0
핵심 패턴 (Core pattern)	체인 기반 (Chain-based)	멀티 에이전트 대화 (Multi-agent conversation)	모델 추론 주도 (Model-reasoning-led)
...

가장 큰 차이점: AgentScope는 에이전트의 전체 라이프사이클(lifecycle) — 프레임워크(framework) → 메모리(memory) → 평가(evaluation) → 미세 조정(fine-tuning) → 애플리케이션(apps)을 모두 아우릅니다. LangChain과 AutoGen은 프레임워크와 메모리 계층에서 멈춥니다.

빠른 시작 (Quick Start)

설치 (Install):

pip install agentscope

또는 소스에서 설치:

git clone https://github.com/agentscope-ai/agentscope.git
pip install -e .

웹 UI 실행:

cd agentscope
pnpm install && pnpm run dev   # 프론트엔드 (frontend)
python -m agentscope.service   # 백엔드 (backend)

링크 및 리소스 (Links and Resources)

공식 리소스 (Official Resources)

🌟 GitHub: agentscope-ai/agentscope
🌐 웹사이트 (Website): agentscope.io
📖 문서 (Docs): docs.agentscope.io
⚡ 런타임 (Runtime): runtime.agentscope.io
📄 논문 1 (Paper 1): arXiv:2402.14034 (2024)
📄 논문 2 (Paper 2): arXiv:2508.16279 (2025)

결론 (Conclusion)

AgentScope 2.0의 출시 시점은 의도적입니다. LLM의 추론(reasoning) 능력이 빠르게 발전하고 있는 이 시점에,

27.1k개의 Stars, 40번의 릴리스(releases), 두 편의 arXiv 논문, 그리고 그 뒤를 받치는 Alibaba 엔지니어링 팀이 있습니다. 프로덕션급(production-grade) 에이전트 프레임워크 중에서 AgentScope 2.0은 현재 이용 가능한 가장 철저한 옵션 중 하나입니다.

엄선된 AI 에이전트와 기술을 위한 마켓플레이스인 PrimeSkills를 살펴보세요. 각 에이전트는 실제 기업 워크플로우(enterprise workflows)에서 검증되었으며, 과장된 홍보를 걷어내고 실제로 작동하는 것만을 유지합니다.

더 유용한 통찰력과 흥미로운 제품들을 확인하시려면 저의 홈페이지를 방문해 주세요.

오늘의 오픈 소스 프로젝트 (#104): AgentScope 2.0 — 모델 추론을 중심으로 구축된 Alibaba의 프로덕션 준비 완료된

요약

핵심 포인트

서론