跳转至

tRPC-Agent-Go：让 Go 开发者轻松构建智能 AI 应用

1、项目简介

tRPC 团队之前开源了 A2A 开发框架 tRPC-A2A-Go 和 MCP 开发框架 tRPC-MCP-Go，尤其是 tRPC-A2A-Go，在国内外都有不少用户进行应用和贡献。 现在我们推出 tRPC-Agent-Go 开发框架，实现 Go 语言 AI 生态开发框架的闭环。

当前主流 Agent 框架（AutoGen、CrewAI 、Agno、ADK 等）大部分都是基于 Python，而 Go 在微服务、并发与部署方面有天然优势，Go 在腾讯内部也有大规模应用，业界基于 Go 语言的 Agent 框架较少，大部分都是编排式的 workflow 框架，缺少真正的“去中心化、可协作、能涌现”的自主多 Agent 能力。tRPC-Agent-Go 直接利用 Go 的高并发与 tRPC 生态，把 LLM 的推理、协商和自适应性带到 Go 场景，满足复杂业务对“智能+性能”的双重需求。

2、架构设计

tRPC-Agent-Go 采用模块化架构设计，由多个核心组件组成，组件都可插拔，通过事件驱动机制实现组件间的解耦通信，支持callback插入自定义逻辑：

  • Agent: 核心执行单元，负责处理用户输入并生成响应
  • Runner: Agent 的执行器，负责管理执行流程，串联 Session/Memory Service 等能力
  • Model: 支持多种 LLM 模型（OpenAI、DeepSeek 等）
  • Tool: 提供各种工具能力（Function、MCP、DuckDuckGo 等）
  • Session: 管理用户会话状态和事件
  • Memory: 记录用户的长期记忆和个性化信息
  • Knowledge: 实现 RAG 知识检索能力
  • Planner: 提供 Agent 的计划和推理能力

以下是各个组件的架构图

组件架构图

下面展示一个完整的用户和 Agent 对话的完整时序图

时序图

3、核心特点

多样化 Agent 系统

  • LLMAgent: 基于大语言模型，支持工具调用和推理
  • ChainAgent: 链式执行，支持多步骤任务分解
  • ParallelAgent: 并行处理，支持多专家协作
  • CycleAgent: 循环迭代，支持自我优化
  • GraphAgent: 图工作流，兼容现有编排习惯

丰富工具生态

  • 内置常用工具
  • 支持 Function、MCP 协议等多种扩展方式
  • 灵活的工具组合和调用策略

智能会话管理

  • 支持 Redis 和内存存储的会话持久化
  • 长期记忆和个性化信息保持
  • RAG 检索增强生成能力
  • 实时事件驱动架构

全链路可观测性

  • OpenTelemetry 全链路追踪和性能监控
  • 可视化调试界面和实时监控
  • 结构化日志和错误追踪

4、快速开始

基本用法

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
package main

import (
    "context"
    "fmt"
    "log"

    "trpc.group/trpc-go/trpc-agent-go/agent/llmagent"
    "trpc.group/trpc-go/trpc-agent-go/model"
    "trpc.group/trpc-go/trpc-agent-go/model/openai"
    "trpc.group/trpc-go/trpc-agent-go/runner"
    "trpc.group/trpc-go/trpc-agent-go/tool"
    "trpc.group/trpc-go/trpc-agent-go/tool/function"
)

func main() {
    // 创建模型
    modelInstance := openai.New("deepseek-chat")

    // 创建工具
    calculatorTool := function.NewFunctionTool(
        calculator,
        function.WithName("calculator"),
        function.WithDescription("执行加减乘除。参数：a、b 为数值，op 取值 add/sub/mul/div；返回 result 为计算结果。"),
    )

    // 启用流式输出
    genConfig := model.GenerationConfig{
        Stream: true,
    }

    // 创建 Agent
    agent := llmagent.New("assistant",
        llmagent.WithModel(modelInstance),
        llmagent.WithTools([]tool.Tool{calculatorTool}),
        llmagent.WithGenerationConfig(genConfig),
    )

    // 创建 Runner
    runner := runner.NewRunner("calculator-app", agent)

    // 执行对话
    ctx := context.Background()
    events, err := runner.Run(ctx,
        "user-001",
        "session-001",
        model.NewUserMessage("计算 2+3 等于多少"),
    )
    if err != nil {
        log.Fatal(err)
    }

    // 处理事件流
    for event := range events {
        if event.Object == "chat.completion.chunk" {
            fmt.Print(event.Choices[0].Delta.Content)
        }
    }
    fmt.Println()
}

func calculator(ctx context.Context, req calculatorReq) (calculatorRsp, error) {
    var result float64
    switch req.Op {
    case "add", "+":
        result = req.A + req.B
    case "sub", "-":
        result = req.A - req.B
    case "mul", "*":
        result = req.A * req.B
    case "div", "/":
        result = req.A / req.B
    }
    return calculatorRsp{Result: result}, nil
}

type calculatorReq struct {
    A  float64 `json:"a"`
    B  float64 `json:"b"`
    Op string  `json:"op"`
}

type calculatorRsp struct {
    Result float64 `json:"result"`
}

多 Agent 协助例子

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
// 创建链式 Agent
chainAgent := chainagent.New("problem-solver",
    chainagent.WithSubAgents([]agent.Agent{
        analysisAgent,   // 分析 Agent
        executionAgent,  // 执行 Agent
    }))

// 使用 Runner 执行
runner := runner.NewRunner("multi-agent-app", chainAgent)
events, _ := runner.Run(ctx, userID, sessionID, message)

5、致谢

感谢腾讯内部业务如腾讯元宝，腾讯视频，腾讯新闻，IMA、QQ 音乐等等业务的支持，业务的场景打磨是对框架最好的验证。

感谢 ADK，Agno，CrewAI，AutoGen 等优秀开源框架的启发，为 tRPC-Agent-Go 开发提供灵感。

6、项目地址

github：tRPC-Agent-Go