做钢结构网站有哪些网站制作感受

做钢结构网站有哪些,网站制作感受,网站可免费做,做类似知乎网站在 AI Agent 浪潮席卷行业的当下#xff0c;高效优雅开发具备复杂推理与协作能力的智能体成为业界焦点。本文将系统梳理 AI Agent 核心理念、主流协议与思考框架#xff0c;并结合 Golang 生态工程化框架#xff0c;深入剖析多 Agent 协作系统的设计与落地。QQ 官方 AI 伙伴…在 AI Agent 浪潮席卷行业的当下高效优雅开发具备复杂推理与协作能力的智能体成为业界焦点。本文将系统梳理 AI Agent 核心理念、主流协议与思考框架并结合 Golang 生态工程化框架深入剖析多 Agent 协作系统的设计与落地。QQ 官方 AI 伙伴小 Q 已基于 A2AMCP 升级 Agent 架构完成图片清晰化、扩图等能力接入有效提升开发效率与系统稳定性、可扩展性。背景最近大家都在讨论MCPModel Context Protocol它通过标准化协议实现了工具和AI应用的解耦推动了AI Agent应用研发范式的转变。尽管MCP非常有价值但它并非万能。一个聪明的AI Agent不仅仅依赖于MCP。MCP主要解决了工具调用、Prompt模板、资源访问等标准化问题但对于AI Agent的工具选择、任务规划、多Agent协同等核心挑战仍存在局限并在实际复杂应用场景中暴露出一些不足。本文将更全面地介绍AI Agent的生态结合实践和技术原理剖析尝试解答以下几个问题什么是AI Agent什么是真正复杂的AI AgentAgent如何标准化使用工具多Agent如何协同如何使用 Golang 优雅开发复杂AI Agent如何实现Agent的线上数据观测体验Demo本文将通过一个实际Demo展示复杂AI Agent的开发实践。该Demo实现了一个多Agent协同的智能助手系统具备以下核心能力行程助手文章解读深度搜索原理解读Agent开发范式AI Agent的开发范式演进可以分如下三个阶段从简单到更丰富的应用形态。Level 1: LLM Agent自2023年大模型爆火后Agent、智能体作为新鲜事物快速引起了大家强烈的好奇心。由于泛娱乐的场景最能吸引C端用户的眼球这个阶段的智能体很多以社交、娱乐作为切入点。通过提示词工程为智能体赋予灵魂人设结合LLM的多模态、ASR、TTS等能力让用户可以一键创建智能体。去年QQ也推出了智能体模块涌现了许多创意十足的智能体例如角色扮演陪伴、高情商回复生成、星座占卜等。这个阶段Agent主要以聊天机器人的形态存在但由于大模型存在幻觉返回的信息不总是真实的而且智能体的输出存在随机性、不可控的问题直接通过LLM提示词工程创建的Agent无法很好承载严肃场景的需求。Level 2: AI Agent从2024年中开始越来越多开发者希望用Agent真正解决一些实际工作和业务中的具体问题Agent从好玩向好用迈进。除了LLM的参数规模逻辑推理能力的不断提升外还通过引入规划、记忆、工具使用这三个核心功能实现了AI Agent对于更复杂任务的处理能力。也就是常说的Agent LLM记忆规划技能工具使用规划智能体能够根据给定目标自主拆解任务步骤执行执行计划例如OpenManusOWL等通用智能体通过规划能力能够有条不紊地处理复杂任务确保每一步都朝着目标迈进。针对特定领域的智能体还可以通过预定义Agent的工作流结合大模型的意图识别和流程控制提升Agent在处理复杂任务过程中的稳定性类似于Dify、Coze、元器等平台。记忆智能体具备长期记忆能力能够存储和调用历史信息从而在任务执行过程中保持上下文连贯性。记忆功能使 AI Agent 能够更好地理解用户需求并在多轮交互中提供更精准的反馈。与单纯的大模型不同AI Agent 的记忆能力使其能够在复杂任务中保持状态避免信息丢失从而更有效地处理多轮对话和长期任务。工具使用LLM虽然在信息处理方面表现出色但它们缺乏直接感知和影响现实世界的能力工具是LLM连接外部世界的关键智能体能够通过使用工具例如调用API、访问数据库等等与外部世界进行交互。近期爆火的MCP协议定义了工具的开发范式通过标准化的接口规范使得AI Agent能够更便捷地集成各种外部工具和服务从而大大扩展了智能体的能力边界。引用Google Agents白皮书的一个对比直观展示了LLM与Agent的能力对比虽然单个AI Agent已经具备了规划、记忆和工具使用的能力能够处理相当复杂的任务但在面对通用应用场景时仍然存在一些局限性。单个Agent很难在所有领域都达到专家级水平例如一个通用Agent可能无法同时精通AI画图、AI编程、拍照解题等技能各个技能的规划执行流程不同使用的工具也不尽相同这使得在同一个AI Agent通用的执行流程中很难让所有技能都达到精通水平。这种局限性导致单Agent在处理复杂任务时往往难以兼顾多个领域的专业需求从而影响整体执行效率和准确性。Level 3: Multi Agent为了解决单Agent的局限性多Agent生态系统应运而生。在这个阶段不再依赖单一的全能型Agent而是构建由多个专业化Agent组成的协作网络。每个Agent专注于特定领域或任务通过任务分发、Agent协同来处理复杂的综合性任务。例如典型的多Agent系统如MetaGPT开源项目它们通过定义Agent角色、通信协议和协作机制实现了复杂任务的自动化分解和执行。例如在软件开发场景中可以有产品经理Agent负责对接用户进行需求分析、架构师Agent负责系统设计、程序员Agent负责代码实现、测试工程师Agent负责质量保证它们协同工作完成整个软件开发生命周期。多Agent系统有以下几个核心优势任务聚焦单个智能体专注特定任务如搜索或图表生成比多工具选择更高效。独立优化可单独改进单个智能体不影响整体流程。问题拆解将复杂问题拆分为可处理的子任务由专业智能体处理。特别的人类也可以作为一个特殊类型的 Agent 加入到智能体的协作当中Human in the loop。在多Agent系统中人类的参与具有独特且不可替代的价值:专业判断: 在关键决策节点人类可以基于丰富的经验和领域知识提供更可靠的判断和指导。质量把控: 人类可以审核和验证AI Agent的输出结果确保其符合业务需求和质量标准。异常处理: 当AI Agent遇到无法处理的复杂情况时人类可以介入并提供解决方案。持续优化: 通过观察AI Agent的表现人类可以识别系统的不足并对Agent的能力边界和工作流程进行调整和优化。例如在Manus项目系统会暂停并进一步确认人类的需求等待人类确认或修正这种人机协同的方式既保证了自动化效率又确保了输出质量的可控性。这种Human in the loop的设计理念让多Agent系统能够在保持高效自动化的同时也能充分利用人类的智慧和经验实现更可靠和高质量的任务完成。Agent协议Agent爆火也催生了一大堆Agent协议在深入了解具体的Agent协议之前我们先再解释一下什么是协议。协议是一套标准化的规则和约定定义了不同系统或组件之间如何进行通信和交互例如数据格式、通信流程、错误处理机制等关键要素确保不同的系统能够准确、可靠地交换信息。标准化协议有以下几个关键优势互操作性标准协议使得不同技术栈、不同厂商开发的Agent能够无缝协作打破了技术壁垒促进了整个生态系统的繁荣发展。可扩展性通过标准化的接口规范新的Agent可以快速接入现有系统而无需重新设计整套通信机制大大降低了系统扩展的复杂度。降低开发成本开发者无需为每个Agent单独设计通信协议可以专注于Agent的核心业务逻辑提高开发效率。生态建设标准协议促进了工具和服务的标准化使得社区能够共享优秀的Agent实现加速整个行业的发展。维护便利性统一的协议标准使得系统维护、调试和监控变得更加简单降低了运维成本。例如OpenAI提供的Chat Completion API定义了标准大模型请求的请求参数和响应格式各大厂商提供的大模型可以通过适配协议参数的HTTP接口让开发者可以快速接入新的大模型而无需为每个模型重新编写调用逻辑。这种标准化大大降低了开发者的学习成本和集成难度促进了大模型生态的快速发展。在Agent领域按交互对象来区分可以分为 Context-Oriented (面向上下文) 和 Inter-Agent (面向 Agent 间) 两种。其中面向上下文的协议以 MCP 为代表面向 Agent 间的协议以 A2A 为代表他们分别解决了不同层面的标准化问题。面向上下文协议MCP面向上下文协议主要解决 Agent 如何从外部世界数据、工具、服务获取完成任务所需信息上下文的问题。以前主要靠针对特定模型微调函数调用能力但缺乏标准导致接口五花八门开发维护成本高。MCPModel Context Protocol协议作为AI届的USB-C他的目标是建立一个连接LLM与外部资源的通用、开放标准。他采用Client-Server架构将工具调用、资源访问与LLM解耦并对开发、调用的协议基于JSON-RPC进行标准化解决了不同模型和工具提供商带来的碎片化问题。MCP主要采用 Client - Server 架构其核心架构主要包括以下内容主机Host通常是发起连接的 LLM 应用程序如 Claude Desktop、IDE 插件等。它负责管理客户端实例和安全策略是用户与 AI 模型进行交互的平台同时也承担着集成外部工具、访问多样化数据资源的任务。客户端Client是主机内的连接器与服务器建立 1:1 会话。它负责处理协议协商和消息路由充当主机与外部资源之间的桥梁通过标准化的协议接口协调数据传输和指令交互确保信息的实时性与一致性。服务器Server是独立运行的轻量级服务通过标准化接口提供特定功能如文件系统访问、数据库查询等。服务器连接外部资源与 AI 模型向 LLMs 暴露来自不同数据源的内容和信息还支持创建可复用的提示模板和工作流帮助开发者设计标准化的交互模式。基于MCP协议Agent可以不局限于语言、框架的限制集成社区里优秀的MCP Server让Agent能方便调用外部API、访问和修改各类资源实现如自动化办公、数据抓取、信息检索、流程编排、跨系统集成等多种能力。MCP协议的标准化设计使得工具的开发与接入变得高度便捷极大提升了Agent的可扩展性和生态兼容性。开发者可以快速复用社区已有的工具组件降低开发和维护成本同时也让Agent具备了灵活适配不同业务场景的能力推动了AI Agent在实际生产环境中的落地和普及。面向Agent间协议A2A随着任务越来越复杂单个 Agent 能力有限多 Agent 协作成为趋势。面向Agent间的协议主要是为了规范 Agent 之间的沟通、发现和协作。早在2024年10月由国人发起的ANPAgent Network Protocol社区已经在开始孵化旨在打造智能体互联网时代的HTTP协议使用 W3C DID 进行身份认证并有元协议层让 Agent 能自主协商沟通方式使智能体能够在互联网上相互发现、连接和交互建立一个开放、安全的智能体协作网络不过目前Github仓库779个Star社区关注度和热度都不太高。2025年4月Google联合50多家技术和服务合作伙伴共同发布了全新的开放协议——A2AAgent2Agent。A2A协议旨在为AI智能体之间的互操作性和协作提供标准化的通信方式无论底层框架或供应商如何智能体都能安全、灵活地发现彼此、交换信息、协同完成复杂任务。协议发布后得到了社区的大量关注至今获得了16.1k Star。A2A协议的核心功能包括能力发现智能体通过JSON格式的Agent Card宣传自身能力便于其他Agent发现和调用最合适的智能体。任务和状态管理以任务为导向协议定义了任务对象及其生命周期支持任务的分发、进度同步和结果工件输出适配长短任务场景。协作与消息交换智能体之间可发送消息交流上下文、回复、工件或用户指令实现多智能体间的高效协作。用户体验协商每条消息可包含不同类型的内容片段如图片、表单、视频等支持客户端和远程Agent协商所需的内容格式和UI能力。基于A2A协议开发者可以构建能够与其他A2A智能体互联互通的系统实现跨平台、跨厂商的多Agent协作。例如在企业招聘场景中一个Agent可以负责筛选候选人另一个Agent负责安排面试第三个Agent负责背景调查所有流程通过A2A协议无缝衔接大幅提升自动化和协作效率。A2A协议的开放性和标准化为未来智能体生态的互操作性和创新能力奠定了坚实基础。Function Call vs MCP vs A2A趁此机会聊聊我对这三个概念的一些理解和看法Function Call和MCP的核心区别是什么一句话总结Function Call不是协议是大模型提供的一种能力MCP里的工具调用是基于Function Call能力实现的对于工具来说MCP和Function Call是依赖关系。但MCP除了工具外还有Prompts、Resources等其他上下文的定义。Function Call 是大模型提供的基础能力允许模型根据自然语言指令自动调用预定义函数实现与外部工具的连接但它并非统一标准 —— 不同厂商如 OpenAI、百度文心对其接口格式、参数定义等有独立实现导致工具需针对不同模型重复适配类似各品牌手机自有充电接口的碎片化问题。而 MCP模型上下文协议则是跨模型、跨工具的统一交互标准不仅规范了工具调用如函数描述、参数格式还整合了 Prompts、资源管理等上下文体系目标是成为 AI 生态的 “USB-C”让工具只需按统一协议封装一次即可在多模型中通用大幅降低跨平台适配成本。尽管 MCP 试图通过标准化解决碎片化问题但其落地面临多重障碍生态成熟度不足MCP 应用市场虽有超 1.3 万个工具MCP Server但多数存在配置复杂、实现不规范、同质化严重等问题真正能直接用于生产环境的少之又少开发者常因适配成本高而选择直接调用 API企业基建冲突若团队已有统一的工具调用体系如自研 Agent 框架、API 网关MCP 的协议层可能被视为冗余现有基建已实现工具管理、监控等功能引入 MCP 反而增加运维负担类似服务网格在成熟基建中难以落地的困境通用协议的场景局限MCP 的标准化设计难以满足金融、工业等垂直领域的定制需求如安全审计、数据隔离此时直接开发专用工具链反而更高效。总的来说Function Call 是大模型连接外部世界的 “能力基石”而 MCP 是推动跨生态协同的 “协议桥梁”。MCP 的价值在于跨模型通用工具的快速构建如无代码配置场景但其局限性也表明它并非万能 —— 企业需根据自身基建成熟度和场景需求选择方案已有完善工具链的团队可优先复用现有体系而致力于构建开放 AI 生态的开发者则可借助 MCP 实现 “一次开发、多端运行” 的规模化效应。未来 MCP 需通过分层设计基础规范 行业扩展、质量认证体系等提升实用性才能在碎片化与标准化的平衡中找到更广阔的应用空间。MCP 和 A2A 是什么关系从协议分层来说MCP、A2A并非互斥而是分层协同。MCP主要解决Agent如何用好工具通过标准化工具接口极大提升了工具复用和生态兼容性。而A2A则解决多个Agent如何协作通过标准化Agent间通信推动了多Agent系统的互操作和协作创新。在实际系统中常见的模式是单个Agent通过MCP协议调用各类工具获得外部能力。多个Agent通过A2A协议互相发现、分工协作协同完成复杂任务。但其实换个思路我们可以将工具视为一种低自主性 Agent。这类工具型Agent专注于执行高度特化的任务其行为模式更接近于传统的API调用输入输出明确决策空间有限。反过来一个复杂的Agent也可以被看作是一种**高自主性工具**。特别是当这个Agent能够理解和生成自然语言处理复杂上下文并自主规划和执行多步骤任务时它就成了一个可以被其他系统或Agent调用的强大能力单元。这么看来MCP 和 A2A 也可能是竞争的关系。从这个角度看MCP协议面向上下文强调Agent如何使用工具和A2A协议面向Agent间协作的界限正在变得模糊。如果工具的输入输出本身就是自然语言或者工具本身具备了一定的智能和状态那么调用一个工具和与一个Agent协作在交互模式上可能非常相似。这意味着未来这两类协议可能会进一步融合形成一个更统一的框架既能规范Agent如何利用外部能力无论是简单的API还是复杂的工具型Agent也能协调多个高自主性Agent之间的协作最终实现一个更加无缝和高效的智能体生态系统。举个实际的例子假如 AI Agent 需要完成一个规划 5 天深圳到厦门旅行使用 MCP 和使用 A2A 的都可以实现MCP像个大总管。一个中央 Agent (MCP Travel Client) 负责调用所有外部服务机票、酒店、天气然后汇总信息生成计划。优点是简单可控缺点是中心化依赖高不易扩展。A2A像个部门协作。任务被分配给专门的 Agent交通、住宿、活动这些 Agent 可以直接相互沟通比如机票 Agent 直接问天气 Agent 获取信息也可以和用户进行沟通比如机票Agent完成初筛之后询问用户是否满足需求对用户给出的建议进行迭代修改这种方式更灵活适合企业内复杂协作。那么在实际项目中我们应该如何在这两者之间做出选择呢MCP会更适合那些交互模式类似于传统API调用的场景。当你需要Agent作为工具执行者关注明确的输入和输出且交互流程相对固定时MCP的结构化和工具导向特性会更具优势。它强调的是Agent如何高效、规范地使用外部工具补充模型上下文。而A2A更适用于需要多个Agent进行复杂协作、对话式交互和任务共同完成的场景。A2A关注的是Agent之间的消息传递Messages、状态同步以及最终的输出制品Artifacts。如果系统需要Agent之间进行动态协商、分工合作并且结果的达成比固定的交互流程更重要那么A2A会是更合适的选择。总而言之协议本身没有绝对的好坏之分选择MCP还是A2A亦或是未来可能出现的其他协议都需要根据项目的具体需求、团队的技术栈、以及期望实现的Agent交互模式进行综合考量。这与我们在微服务架构设计中面临的选择类似是选择基于TCP二进制流的tRPC还是基于HTTP/2的gRPC亦或是更为通用的HTTP RESTful API每种协议都有其特定的优势和适用场景关键在于找到最契合当前业务和技术目标的那个。Agent思考框架构建能够自主规划、执行和适应复杂任务的智能体其核心在于其思考能力。Agent思考框架正是为了赋予Agent这种结构化的推理和决策能力而设计的。这些框架提供了一套方法论指导Agent如何理解目标、分解任务、利用工具、处理信息、并根据环境反馈调整行为。一个好的思考框架能够显著提升Agent的鲁棒性、效率和解决问题的泛化能力。接下来我们将探讨几种主流的Agent思考框架如ReAct和Plan-and-Execute分析它们的设计理念和适用场景。思维链CoT思维链Chain of Thought, CoT是一种增强大型语言模型LLM处理复杂推理任务能力的关键技术。其核心在于引导模型在给出最终答案前先生成一系列结构化的中间推理步骤——这如同模拟人类解决问题时的逐步思考过程。通过这种方式LLM能够更深刻地理解问题结构有效分解复杂任务并逐步推导出解决方案。这些显式的思考步骤不仅为模型的决策过程带来了透明度和可解释性方便用户理解和调试。然而这种方法的代价是生成冗长的思考链条会增加计算成本和处理延迟。随着DeepSeek R1的深度思考模式验证了思维链对于推理能力的显著提升效果各大模型厂商纷纷推出了支持慢思考的模型。例如腾讯推出的Hunyuan T1模型、阿里千问推出的QwQ模型。Anthropic官方还开源了Sequential Thinking MCP它通过精心设计的提示词工程使得原本不支持慢思考的模型也能实现类似的推理过程。该工具凭借其通用性和易用性目前已成为使用频率最高的MCP Server数据来源https://mcp.so/ranking。ReActCoT虽然增强了模型的推理能力但其推理过程主要局限于模型内部知识缺乏与外部世界的实时交互这可能导致知识陈旧、产生幻觉或错误传播。ReActReasoning and Action框架通过将推理Reasoning与行动Action相结合有效地解决了这一问题。它允许模型在推理过程中与外部工具或环境进行互动从而获取最新信息、执行具体操作并根据反馈调整后续步骤。这种动态的交互赋予了模型一种边思考边行动、边观察边调整的能力其核心运作机制可以概括为思考Thought→ 行动Action→ 观察Observation的迭代循环**思考 (Thought)**模型基于当前任务目标和已有的观察信息进行逻辑推理和规划。它会分析问题制定策略并决定下一步需要执行什么动作例如调用哪个工具、查询什么信息来达成目标或获取关键信息。**行动 (Action)**根据思考阶段制定的计划模型生成并执行一个具体的行动指令。这可能包括调用外部API、执行代码片段、查询数据库或者与用户进行交互等。**观察 (Observation)**模型接收并处理行动执行后从外部环境如工具的返回结果、API的响应、用户的回复中获得的反馈信息。这些观察结果将作为下一轮思考的输入帮助模型评估当前进展、修正错误、并迭代优化后续的行动计划直至任务完成。Plan-and-ExecutePlan-and-Execute 是一种对标准 ReAct 框架的扩展和优化旨在处理更复杂、多步骤的任务。它将 Agent 的工作流程明确划分为两个主要阶段规划阶段Agent 首先对接收到的复杂任务或目标进行整体分析和理解。然后它会生成一个高层次的计划将原始任务分解为一系列更小、更易于管理的子任务或步骤。这种分解有助于在执行阶段减少处理每个子任务所需的上下文长度这个计划通常是一个有序的行动序列指明了要达成最终目标需要完成哪些关键环节。这个蓝图可以先呈现给用户允许用户在执行开始前对计划步骤给出修改意见。执行阶段计划制定完成后可能已采纳用户意见Agent 进入执行阶段。它会按照规划好的步骤逐一执行每个子任务。在执行每个子任务时Agent 可以采用标准的 ReAct 循环来处理该子任务的具体细节例如调用特定工具、与外部环境交互、或进行更细致的推理。执行过程中Agent 会监控每个子任务的完成情况。如果某个子任务成功则继续下一个如果遇到失败或预期之外的情况Agent 可能需要重新评估当前计划可以动态调整计划或返回到规划阶段进行修正。此阶段同样可以引入用户参与允许用户对子任务的执行过程或结果进行反馈甚至提出调整建议。与标准的 ReAct 相比Plan-and-Execute 模式的主要优势在于结构化与上下文优化通过预先规划将复杂任务分解为小步骤不仅使 Agent 行为更有条理还有效减少了执行各子任务时的上下文长度提升了处理长链条任务的效率和稳定性。提升鲁棒性将大问题分解为小问题降低了单步决策的复杂性。如果某个子任务失败影响范围相对可控也更容易进行针对性的调整。增强可解释性与人机协同清晰的计划和分步执行过程使得 Agent 的行为更容易被理解和调试。更重要的是任务的分解为用户在规划审批和执行监控等环节的参与提供了便利用户可以对任务的执行步骤给出修改意见从而实现更高效的人机协作确保任务结果更符合预期。这种规划-执行的思考框架因其在复杂任务处理上的卓越表现已成为AI Agent领域广泛采用的核心策略之一。例如在3月份涌现并广受关注的通用AI Agent项目如Manus、OWL、OpenManus等均采用了这种方式对用户任务进行拆分和执行充分展现了其普适性和高效性。开发框架在掌握了Agent的基本原理后我们需要将这些理论转化为实际可用的代码实现。虽然开发框架并非技术瓶颈但一个优秀的开发框架能够为我们提供流程编排、状态管理、工具调用等核心能力大大加速生产级Agent应用的开发进程。目前AI Agent领域的主流框架生态主要集中在Python和Javascript技术栈例如OpenAI的Agents SDK、谷歌的Agent Development Kit 、微软的AutoGen、LangChain的升级版LangGraph等。相比之下基于Golang技术栈的成熟开源框架相对较少。接下来我们将重点介绍两个优秀的Golang框架Eino和tRPC-A2A-Go这两个框架都为开发者提供了丰富的功能和特性帮助我们快速构建生产级的AI Agent应用。EinoEino提供了一个强调简洁性、可扩展性、可靠性与有效性且更符合 Go 语言编程惯例的 LLM 应用开发框架。Eino框架有以下几个核心特点高可维护性和高可扩展性并存Eino框架基于Go 1.18版本引入的泛型通过强类型定义各个节点的输入输出类型并在编译时进行类型校验。这种设计既避免了传统框架使用interface{}带来的维护困难又保持了良好的扩展性。强类型系统可以在编译期发现类型不匹配问题有效避免运行时错误显著提升代码的稳定性和可维护性。丰富的开箱即用组件框架提供了从基础到高级的完整组件生态。在基础层面包含了ChatModel、Tool、ChatTemplate等原子级执行节点在高级层面封装了ReAct Agent、MultiQueryRetriever等复杂业务逻辑组件。这些预置组件可以满足大多数AI应用场景的需求极大降低了开发成本。简单易用的开发体验框架配备了可视化开发工具EinoDev支持通过图形界面快速搭建和调试Agent应用。同时在eino-examples仓库中提供了丰富的示例代码覆盖了常见的使用场景和最佳实践。这些工具和资源大大降低了框架的学习门槛帮助开发者快速上手。Eino 框架由以下几个部分组成其中Eino为核心框架逻辑包含类型定义、流处理机制、组件抽象、编排功能、切面机制等Eino-Ext为一些具体组件的实现例如DeepSeek ChatModel、Langfuse Callbacks等。组件Component组件是大模型应用能力的提供者提供原子能力的最小单元是构建AI Agent的砖和瓦组件抽象的优劣决定了大模型应用开发的复杂度Eino 的组件抽象秉持着以下设计原则模块化和标准化将一系列功能相同的能力抽象成统一的模块组件间职能明确、边界清晰支持灵活地组合。可扩展性接口的设计保持尽可能小的模块能力约束让组件的开发者能方便地实现自定义组件的开发。可复用性把最常用的能力和实现进行封装提供给开发者开箱即用的工具使用。常用的组件类型可以大致分成一下对话处理类组件、文本语义处理类组件、决策执行类组件和自定义组件这几类对话处理类组件ChatTemplate: 模板化处理和大模型交互参数的组件抽象它的主要作用是将用户提供的变量值填充到预定义的消息模板中生成用于与语言模型交互的标准消息格式例如结构化的System Prompt、多轮对话模板等场景。type ChatTemplate interface { Format(ctx context.Context, vs map[string]any, opts ...Option) ([]*schema.Message, error)}ChatModel: 直接和大模型交互的组件抽象它的主要作用是将用户的输入消息发送给语言模型并获取模型的响应。提供了非流式的Generate和流式的Stream方法获取大模型输出内容。type BaseChatModel interface { Generate(ctx context.Context, input []*schema.Message, opts ...Option) (*schema.Message, error) Stream(ctx context.Context, input []*schema.Message, opts ...Option) ( *schema.StreamReader[*schema.Message], error)}type ToolCallingChatModel interface { BaseChatModel // WithTools returns a new ToolCallingChatModel instance with the specified tools bound. // This method does not modify the current instance, making it safer for concurrent use. WithTools(tools []*schema.ToolInfo) (ToolCallingChatModel, error)}文本语义处理类组件Document.Loader、Document.Transformer主要用于获取和处理文本文档从不同来源如网络 URL、本地文件等加载文档内容并将其转换为标准的文档格式。type Loader interface { Load(ctx context.Context, src Source, opts ...LoaderOption) ([]*schema.Document, error)}type Transformer interface { Transform(ctx context.Context, src []*schema.Document, opts ...TransformerOption) ([]*schema.Document, error)}Embedding: 将文本转换为向量表示,它的主要作用是将文本内容映射到向量空间使得语义相似的文本在向量空间中的距离较近。一般用于语义检索场景。type Embedder interface { EmbedStrings(ctx context.Context, texts []string, opts ...Option) ([][]float64, error)}Indexer: 存储和索引文档的组件。它的主要作用是将文档及其向量表示存储到后端存储系统中并提供高效的检索能力。主要用于构建向量数据库。type Indexer interface { Store(ctx context.Context, docs []*schema.Document, opts ...Option) (ids []string, err error)}Retriever: 从各种数据源检索文档的组件。它的主要作用是根据用户的查询query从文档库中检索出最相关的文档主要用于RAG场景。type Retriever interface { Retrieve(ctx context.Context, query string, opts ...Option) ([]*schema.Document, error)}决策执行类组件ToolsNode是一个用于扩展模型能力的组件它允许模型调用外部工具来完成特定的任务。// 基础工具接口提供工具信息type BaseTool interface { Info(ctx context.Context) (*schema.ToolInfo, error)}// 可调用的工具接口支持同步调用type InvokableTool interface { BaseTool InvokableRun(ctx context.Context, argumentsInJSON string, opts ...Option) (string, error)}// 支持流式输出的工具接口type StreamableTool interface { BaseTool StreamableRun(ctx context.Context, argumentsInJSON string, opts ...Option) (*schema.StreamReader[string], error)}自定义组件Lambda: 它允许用户在工作流中嵌入自定义的函数逻辑。Lambda 组件底层是由输入输出是否流所形成的 4 种运行函数组成对应 4 种交互模式也是流式编程范式:Invoke、Stream、Collect、Transform。一般用于在运行图中进行输入输出格式化转化以及插入一下业务的自定义逻辑例如参数响应的格式化等等。plaintexttype Invoke[I, O, TOption any] func(ctx context.Context, input I, opts …TOption) (output O, err error)type Stream[I, O, TOption any] func(ctx context.Context, input I, opts …TOption) (output *schema.StreamReader[O], err error)type Collect[I, O, TOption any] func(ctx context.Context, input *schema.StreamReader[I], opts …TOption) (output O, err error)type Transform[I, O, TOption any] func(ctx context.Context, input *schema.StreamReader[I], opts …TOption) (output *schema.StreamReader[O], err error)##### 编排Compose 在大模型应用快速发展的今天开发者面临着一个看似矛盾的问题大模型应用的业务逻辑本身并不复杂主要工作是对各类原子能力如ChatModel、Embedding、Retriever等进行组合串联但传统的代码开发方式却让这个过程变得异常繁琐。当开发者沿用传统的自行调用组件自行处理输入输出的方式时很快就会发现代码变得杂乱无章、复用困难缺乏统一的治理能力。这种开发方式与大模型应用以组件组合为核心的特征存在根本性的不匹配导致了巨大的开发鸿沟。 而Eino的编排能力也是使用大模型开发框架相比与传统开发模式的一个核心优势。Eino通过深入洞察大模型应用的本质特征提出了基于有向图Graph模型的编排解决方案。在这个模型中各类原子能力组件Components作为节点Node通过边Edge串联形成数据流动网络。每个节点承担特定职责节点间以**上下游数据类型对齐为基本准则**实现类型安全的数据传递。 这种设计的核心理念是将编排作为业务逻辑之上的独立层次一切以 组件 为核心让组件成为编排的第一公民规范了业务功能的封装方式让职责划分变得清晰让复用变成自然而然。从抽象角度看编排就是构建一个数据流动网络关键在于确保上下游节点间的数据格式对齐。同时通过横向治理能力应对业务场景的复杂度通过强扩展能力适应大模型技术的快速发展。 从以下几个维度对比了使用Eino编排框架与传统开发的优势  ###### 编排能力PKDify/Coze VS Eino 在大模型应用开发生态中Dify、Coze等可视化编排平台凭借其低代码特性获得了广泛关注但这并不意味着所有场景都适合使用这类工具。对于专业开发团队而言Eino框架提供了一个更加灵活和强大的替代方案。两者的本质区别在于服务对象和技术深度的不同Dify、Coze主要面向业务人员和快速原型开发而Eino则专为需要深度定制和工程化开发的技术团队设计。 从技术架构角度看Dify、Coze采用可视化拖拽的工作流模式虽然降低了使用门槛但同时也限制了开发的灵活性当需要扩展新功能时往往需要编写复杂的插件调试和维护这些插件代码也比较困难。相比之下Eino基于代码化的有向图模型开发者可以利用Go语言的全部特性来构建复杂的业务逻辑。这种差异在处理复杂场景时尤为明显当需要实现自定义的分支判断、并发处理或者复杂的数据转换时可视化平台往往力不从心而Eino可以通过代码轻松实现。以下从几个维度对比了Dify/Coze等平台与Eino的主要区别  ###### Graph运行图 以一个简单的查询天气的例子介绍如何使用图编排  plaintext func main() { ctx : context.Background()// 创建运行图 g : compose.NewGraph[map[string]any, *schema.Message]( compose.WithGenLocalState(func(ctx context.Context) *state { return state{} }))// Prompt模板 promptTemplate : prompt.FromMessages( schema.FString, schema.SystemMessage(你是一个智能助手请帮我解决以下问题。), schema.UserMessage({location}今天天气怎么样), ) _ g.AddChatTemplateNode(ChatTemplate, promptTemplate)// 连接MCP获取工具 tools, toolsInfo, err : ConnectMCP(ctx, amapURL)if err ! nil { panic(err) }// 创建大模型组件节点 chatModel, err : openai.NewChatModel(ctx, openai.ChatModelConfig{ APIKey: apiKey, BaseURL: baseURL, Model: model, })if err ! nil { panic(err) }// 大模型绑定工具获取Function Call能力if err chatModel.BindTools(toolsInfo); err ! nil { panic(err) } _ g.AddChatModelNode(ChatModel, chatModel, compose.WithStatePreHandler( func(ctx context.Context, in []*schema.Message, state *state) ([]*schema.Message, error) { state.Messages append(state.Messages, in...) return state.Messages, nil }, ), compose.WithStatePostHandler( func(ctx context.Context, out *schema.Message, state *state) (*schema.Message, error) { state.Messages append(state.Messages, out) return out, nil }, ), )// 创建工具组件节点 toolsNode, err : compose.NewToolNode(ctx, compose.ToolsNodeConfig{ Tools: tools, }) _ g.AddToolsNode(ToolNode, toolsNode)// 创建图的边 _ g.AddEdge(compose.START, ChatTemplate) // edge:1 _ g.AddEdge(ChatTemplate, ChatModel) // edge:2 _ g.AddBranch(ChatModel, compose.NewGraphBranch( func(ctx context.Context, in *schema.Message) (endNode string, err error) { // 是否使用工具 iflen(in.ToolCalls) 0 { return compose.END, nil } returnToolNode, nil }, map[string]bool{ compose.END: true, // edge:3 ToolNode: true, // edge:4 })) _ g.AddEdge(ToolNode, ChatModel) // edge:5// 编译运行图 r, err : g.Compile(ctx, compose.WithMaxRunSteps(10))if err ! nil { panic(err) }// 执行 in : map[string]any{location: 广州} ret, err : r.Invoke(ctx, in)if err ! nil { panic(err) }// 输出天气信息 log.Println(invoke result: , ret)}Eino框架通过State提供了并发安全的状态管理确保共享的State可以被安全地读写。在上述例子中通过WithStatePreHandler以及WithStatePostHandler回调将模型输入、输出的上下文记录到全局状态中完成ReAct的迭代。Callbacks切面在大模型应用的开发过程中Component组件和Graph编排虽然解决了定义业务逻辑的核心问题但仅有业务逻辑远远不够。一个完整的AI应用还需要具备logging、tracing、metrics等可观测能力以及中间执行过程的流式展示功能。这些非核心业务逻辑的功能同样关键因为AI推理过程往往是黑盒的开发者和用户都需要了解中间执行状态。例如在AI搜索场景中用户不仅关心最终答案更希望看到搜索使用的关键词、检索到的文档片段、推理依据等中间信息。在RAG检索增强生成应用中展示引用的文档名称、相关性评分、向量检索过程等中间状态能够显著提升用户对AI系统的信任度和满意度。这些能力决定了应用的可维护性、可调试性和用户体验质量。Eino框架通过Callback机制优雅地解决了这一挑战。Callback实现了横切面功能注入和中间状态透出两大核心功能。其工作原理是用户提供并注册自定义的Callback Handler函数Component和Graph在执行过程中的固定时机如组件开始执行、执行完成、发生错误等关键切面主动回调这些函数并传递对应的执行信息。这种设计实现了核心业务逻辑控制面与可观测组件的完全解耦。这种解耦带来的价值是显著的。首先业务逻辑代码保持纯粹不被监控、日志等横切关注点污染其次可观测能力可以灵活配置和扩展不同环境可以注册不同的Callback Handler最后中间状态的透出变得标准化和可控开发者可以精确控制哪些信息需要暴露给用户或监控系统。Callback有以下几个触发时机分别对应了Handler里边的回调方法const ( TimingOnStart CallbackTiming iota// 进入并开始执行 TimingOnEnd // 成功完成即将 return TimingOnError // 失败并即将 return err TimingOnStartWithStreamInput // OnStart但是输入是 StreamReader TimingOnEndWithStreamOutput // OnEnd但是输出是 StreamReader)type Handler interface { OnStart(ctx context.Context, info *RunInfo, input CallbackInput) context.Context OnEnd(ctx context.Context, info *RunInfo, output CallbackOutput) context.Context OnError(ctx context.Context, info *RunInfo, err error) context.Context OnStartWithStreamInput(ctx context.Context, info *RunInfo, input *schema.StreamReader[CallbackInput]) context.Context OnEndWithStreamOutput(ctx context.Context, info *RunInfo, output *schema.StreamReader[CallbackOutput]) context.Context}Eino通过数据复制的方式保证了在Callbacks的处理过程中数据流的并发安全性每个Handler都能消费到一份独立的数据流。Checkpoint检查点Human In The LoopHITL是一种让人类用户能够实时参与和干预AI Agent执行过程的机制。在复杂或高风险的AI应用场景中完全依赖自动化决策往往难以满足安全性、准确性或合规性等要求。通过引入Human In The Loop系统可以在关键节点暂停执行等待用户输入、确认或修正从而大幅提升AI系统的可控性、透明度和最终结果的可靠性。HITL可以实现以下重要功能质量审核在人机协同工作中用户可以在重要决策节点实时干预例如审核AI生成的内容、修改推荐结果等确保关键任务如数据库敏感数据、运维操作等的准确性和安全性。实时干预通过人类在关键节点的参与系统可以及时调整避免偏差从而提高整体决策的准确性。模型优化收集人类反馈数据用于后续模型训练和优化逐步提升AI系统的表现和适应能力。用户互动在复杂任务中询问用户的意见以提高用户体验增强互动性。HITL的典型应用包括在AI生成内容前让用户确认、在多轮推理中让用户补充信息、在任务分解或执行过程中让用户选择分支或修正Agent的行为等。这不仅提升了用户体验也为AI系统的安全和合规提供了保障。Eino框架通过Checkpoint检查点机制优雅地实现了Human In The Loop的能力。Checkpoint允许开发者在Agent执行流的任意位置设置暂停点当执行到该点时系统会将当前上下文和中间结果保存并将控制权交还给外部如前端或人工审核系统。用户可以在此时查看、编辑或补充信息确认后再恢复Agent的后续执行。通过这种机制开发者可以在Agent执行流的检查点询问用户的意见进一步提高用户体验。这一机制极大地增强了AI Agent的交互性和灵活性。以下使用一个简单的例子展示使用CheckPoint的能力实现Human In The Loop的效果func main() { _ compose.RegisterSerializableType[myState](state) ctx : context.Background() g : compose.NewGraph[map[string]any, *schema.Message]( compose.WithGenLocalState( func(ctx context.Context) *myState { return myState{} }, ), ) _ g.AddChatTemplateNode(ChatTemplate, newChatTemplate(ctx)) _ g.AddChatModelNode(ChatModel, newChatModel(ctx), compose.WithStatePreHandler( func(ctx context.Context, in []*schema.Message, state *myState) ([]*schema.Message, error) { state.History append(state.History, in...) return state.History, nil }), compose.WithStatePostHandler( func(ctx context.Context, out *schema.Message, state *myState) (*schema.Message, error) { state.History append(state.History, out) return out, nil }), ) _ g.AddLambdaNode(HumanInTheLoop, compose.InvokableLambda( func(ctx context.Context, input *schema.Message) (output *schema.Message, err error) { var userInput string _ compose.ProcessState(ctx, func(ctx context.Context, s *myState) error { userInput s.Input returnnil }) if userInput { returnnil, compose.InterruptAndRerun } if strings.ToLower(userInput) n { returnnil, fmt.Errorf(user cancel) } return input, nil })) _ g.AddToolsNode(ToolsNode, newToolsNode(ctx), compose.WithStatePreHandler( func(ctx context.Context, in *schema.Message, state *myState) (*schema.Message, error) { return state.History[len(state.History)-1], nil })) _ g.AddEdge(compose.START, ChatTemplate) _ g.AddEdge(ChatTemplate, ChatModel) _ g.AddEdge(ToolsNode, ChatModel) _ g.AddBranch(ChatModel, compose.NewGraphBranch(func(ctx context.Context, in *schema.Message) (endNode string, err error) { iflen(in.ToolCalls) 0 { returnHumanInTheLoop, nil } return compose.END, nil }, map[string]bool{HumanInTheLoop: true, compose.END: true})) _ g.AddEdge(HumanInTheLoop, ToolsNode) runner, err : g.Compile(ctx, compose.WithCheckPointStore(newCheckPointStore(ctx)))if err ! nil { panic(err) } taskID : uuid.New().String()var history []*schema.Messagevar userInput stringfor { result, err : runner.Invoke(ctx, map[string]any{name: Alice, location: 广州}, compose.WithCheckPointID(taskID), compose.WithStateModifier(func(ctx context.Context, path compose.NodePath, state any) error { state.(*myState).Input userInput state.(*myState).History history returnnil })) if err nil { fmt.Printf(执行成功: %s, result.Content) break } info, ok : compose.ExtractInterruptInfo(err) if !ok { log.Fatal(err) } history info.State.(*myState).History for _, tc : range history[len(history)-1].ToolCalls { fmt.Printf(使用工具: %s, 参数: %s\n请确认参数是否正确? (y/n): , tc.Function.Name, tc.Function.Arguments) fmt.Scanln(userInput) } }}当Agent需要使用工具的时候可以通过在HumanInTheLoop节点里返回compose.InterruptAndRerun错误让框架自动保存当前的运行状态到CheckPointStore里完成流程中断。当用户完成输入后通过WithCheckPointID指定当前的CheckPointID重新恢复运行状态继续往下执行之前的流程。Eino 框架为开发者提供了灵活的 Agent 能力封装能够优雅地实现单个智能体的推理、工具调用、上下文管理等功能。而 A2A 则进一步扩展了这一能力使得多个智能体可以通过网络协作分工合作共同完成复杂的任务。两者结合使用时可以构建出既具备强大个体智能、又能高效协作的智能体生态系统极大提升了系统的可扩展性和复杂任务的处理能力。tRPC-A2A-Go在实际的多智能体系统开发中将 Agent 封装为支持 A2A 协议的服务具有诸多优势。首先A2A 协议为智能体之间的通信和协作提供了统一的标准使得不同开发者实现的 Agent 可以无缝集成、互操作极大提升了系统的可扩展性和灵活性。其次基于 A2A 协议封装后Agent 可以像微服务一样独立部署、升级和维护便于团队协作和后期扩展。再次A2A 协议天然支持分布式和异构环境下的智能体协作能够满足复杂业务场景下多智能体协同工作的需求。tRPC-A2A-Go 框架为开发者提供了完整的 A2A 协议客户端和服务端实现帮助开发者快速将 Agent 封装为标准的 A2A 服务兼容主流的智能体生态显著降低了多Agent协同系统集成和运维的难度。A2A Server将Eino框架的Agent使用A2A协议对外提供服务有以下几个步骤实现任务状态同步能力通过Callbacks切面将任务开始、任务结束以及中间执行状态流式消息进行输出。实现TaskProcessor接口处理新任务内部通过调用graph.Stream执行运行图。// TaskProcessor defines the interface for the core agent logic that processes a task.// Implementations of this interface are injected into a TaskManager.type TaskProcessor interface { // Process executes the specific logic for a task. // It receives the task ID, the initial message, and a TaskHandle for callbacks. // It should use handle.Context() to check for cancellation. // It should report progress and results via handle.UpdateStatus and handle.AddArtifact. // Returning an error indicates the processing failed fundamentally. Process(ctx context.Context, taskID string, initialMsg protocol.Message, handle TaskHandle) error}完成AgentCard描述Agent的能力创建A2A Serverfunc NewA2AServer(agent *Agent) (*server.A2AServer, error) {var err error agentCard : getAgentCard() // 按照A2A协议标准生成AgentCard描述Agent能力 redisCli, err : tgoredis.New(trpc.redis.deepresearch)if err ! nil { returnnil, fmt.Errorf(failed to create redis client: %w, err) }// 创建基于Redis的任务管理器 taskManager, err : redistaskmanager.NewRedisTaskManager(redisCli, agent)if err ! nil { returnnil, fmt.Errorf(failed to create task manager: %w, err) } srv, err : server.NewA2AServer(agentCard, taskManager)if err ! nil { returnnil, fmt.Errorf(failed to create A2A server: %w, err) }return srv, nil}将A2A Server注册到tRPC服务上并启动服务func main() { s : trpc.NewServer() agt, err : deepresearch.NewAgent()if err ! nil { log.Fatal(err) } a2aServer, err : deepresearch.NewA2AServer(agt)if err ! nil { log.Fatal(err) } thttp.RegisterNoProtocolServiceMux( s.Service(trpc.a2a_samples.deepresearch.A2AServerHandler), a2aServer.Handler(), )if err : s.Serve(); err ! nil { log.Fatal(err) }}A2A Client创建一个A2A客户端使用A2A协议向一个Agent发起任务主要分为以下几个步骤创建A2A客户端// 客户端a2aClient, err : a2aclient.NewA2AClient(agentConfig.ServerURL, a2aclient.WithTimeout(time.Minute*10))调用StreamTask发起流式任务taskChan, err : a2aClient.StreamTask(c, protocol.SendTaskParams{ ID: taskID, Message: initMessage,})流式处理任务执行结果for v : range taskChan { switch event : v.(type) { case protocol.TaskStatusUpdateEvent: handleTaskStatusUpdateEvent(c, req, ch, event) }}从原理到实践Demo解读在上文中我们详细介绍了A2A协议的基本原理和客户端的使用方法帮助大家理解了如何通过A2A协议实现智能体之间的高效协作。接下来我们将结合实际Demo从整体架构到核心模块的实现深入剖析一个多Agent协同系统的开发过程帮助大家将理论知识转化为可落地的工程实践。整体架构如图所示Demo整体采用了多Agent架构中常见的Supervisor模式。意图识别Agent作为客户经理负责对用户的提问进行智能分类并将任务分发给对应的领域专家Agent处理。每个Agent均通过A2A协议进行标准化封装并集成了生态连接层Connector使得任何实现A2A协议的Agent都能无需修改内部逻辑便捷地接入Cherry Studio等AI应用客户端、QQ机器人等多种平台实现生态的无缝对接和扩展。另外Demo接入了Langfuse的可观测组件不仅实现了Agent内部运行流程的全链路可观测还提供了对数据进行标注、持续优化回复效果的能力。通过可观测和数据标注开发者可以实时查看每个Agent的任务处理状态、性能指标、异常日志等信息并基于标注数据不断优化系统表现提升了系统的可维护性、问题定位效率和回复质量。Agent设计使用Eino框架开发Agent会变得非常高效和简单。开发者只需专注于核心业务流程的编排与实现无需关心底层通信、协议适配、任务调度等繁琐细节。EinotRPC-A2A-Go框架通过标准化的A2A协议和模块化的能力封装极大降低了多Agent系统的开发门槛让每个Agent都能专注于自身的智能决策与能力扩展。下面我们以Demo中的几个典型Agent为例详细介绍它们的设计思路与实现方式帮助大家更好地理解如何基于Eino框架快速落地多智能体协作系统。旅行规划旅行规划 Agent 使用经典的 ReAct 框架实现。主要集成了高德地图 MCP 能力实现了路线规划、交通方式推荐、实时路况查询等功能以及 Tavily 进行 AI 搜索能够检索目的地的景点介绍、游玩攻略、美食推荐等内容。在此之上通过增加了Lambda:user_input节点等待用户下一轮对于行程规划的建议和追问。深度搜索深度搜索 Agent 利用大模型对复杂问题进行多角度分析边推理边搜索。在执行流程内部通过ChatModel:think进行问题分析并判断上下文的资料是否足够回答用户问题如果不够那么输出关键词借助搜索工具获取资料补充上下文如果足够通过ChatModel:summary模型输出对于问题的分析总结报告。意图识别意图识别Agent作为客户经理的角色理解用户的需求对用户上下文进行分析判断其属于哪一类任务如旅行规划、深度搜索等随后将任务分发给最合适的领域专家Agent进行处理。这个能力通过Function Call让大模型实现发送任务的参数填充来实现。在工具调用节点中通过标准化的A2A协议将任务交给专家Agent来处理流式获取任务执行结果返回给用户。这种设计让意图识别Agent具备了高度的灵活性和可扩展性。一方面它能够根据用户需求动态选择并对接不同类型的下游专家Agent实现多智能体间的高效协作与任务流转另一方面专家Agent采用标准化A2A协议进行封装具备天然的可插拔能力通过AgentCard描述能力让意图识别Agent进行判断当前的任务类型支持在系统运行时无缝添加、替换或扩展新的专家Agent极大提升了多Agent系统的能力边界和生态丰富度。连接生态Connector是A2A多Agent系统实现能力复用和生态扩展的关键。它的核心目标是将标准化的Agent能力通过协议适配、接口封装等方式快速对接到不同的外部平台和应用场景实现写一次处处可用。解耦Agent本身只关注业务逻辑和A2A协议实现不直接依赖于任何具体平台。Connector负责协议转换、消息编解码、上下游适配最大程度降低Agent与外部生态的耦合度。标准所有对接均基于A2A协议的标准输入输出格式保证能力的可组合性和可迁移性。无论是对接IM、Web、App还是第三方API均通过统一的协议层进行交互。可扩展Connector采用插件化、模块化设计支持按需扩展新的平台适配器。只需实现对应的适配接口即可将Agent能力无缝接入新的生态系统。通过标准化的Connector层设计A2A多Agent系统能够轻松对接各类生态平台实现能力的快速复用和生态的持续扩展为智能体系统的落地和演进提供坚实的基础。接入Cherry StudioCherry Studio是一款功能强大的开源跨平台的AI桌面应用可以与各种大型语言模型LLMs进行交互旨在通过统一界面和强大的功能集成提高用户与AI技术的交互效率和便捷性。通过实现 OpenAI 兼容的 Connector将 Agent 能力以标准 chat/completion 协议对外暴露我们可以直接在 Cherry Studio 客户端中便捷地接入和调试 Agent实时体验其交互效果与能力表现极大提升了开发和测试的效率与直观性。实现chat/completion接口获取model作为Agent名字调用A2AServer将任务执行结果使用SSE协议流式输出到chat/completion响应里func (s *Server) chatHandler(c *gin.Context) {var req api.ChatRequestif err : c.ShouldBindJSON(req); errors.Is(err, io.EOF) { c.AbortWithStatusJSON(http.StatusBadRequest, gin.H{error: missing request body})return } elseif err ! nil { c.AbortWithStatusJSON(http.StatusBadRequest, gin.H{error: err.Error()})return }var foundAgent boolvar agentConfig config.AgentConfigfor _, agent : range config.GetMainConfig().OpenAIConnector.Agents {if agent.Name req.Model { foundAgent true agentConfig agent break } }if !foundAgent { c.AbortWithStatusJSON(http.StatusBadRequest, gin.H{error: fmt.Sprintf(agent %s not found, req.Model)})return } ch : make(chan any)gofunc() {deferclose(ch) initMessage : protocol.Message{ Role: user, Parts: []protocol.Part{protocol.NewTextPart(req.Messages[len(req.Messages)-1].Content)}, }// 客户端 a2aClient, err : a2aclient.NewA2AClient(agentConfig.ServerURL, a2aclient.WithTimeout(time.Minute*10))if err ! nil { ch - gin.H{error: err.Error()} return } taskChan, err : a2aClient.StreamTask(c, protocol.SendTaskParams{ ID: taskID, Message: initMessage, })if err ! nil { ch - gin.H{error: err.Error()} return }for v : range taskChan { switch event : v.(type) { case protocol.TaskStatusUpdateEvent: handleTaskStatusUpdateEvent(c, req, ch, event) } } res : api.ChatResponse{ Model: req.Model, CreatedAt: time.Now().UTC(), Message: api.Message{Role: assistant, Content: }, Done: true, DoneReason: stop, } ch - res }()// 流式返回数据 streamResponse(c, ch)}配置Agent名和对应的A2A服务地址openai_connector: agents: - name: deepresearch server_url: http://127.0.0.1:10000 - name: urlreader server_url: http://127.0.0.1:10001 - name: lbshelper server_url: http://127.0.0.1:10002 - name: host server_url: http://127.0.0.1:8080配置Cherry Studio模型连接 connector 服务回到聊天界面即可与Agent进行对话接入QQ生态通过QQBot Connector可以轻松将Agent接入到QQ机器人开放平台中让更多用户在QQ中零门槛与AI应用进行互动聊天。注册QQ机器人接入BotGoSDK接收用户给机器人发送的消息事件。接收到消息后使用A2A协议往Agent发送任务流式接受任务执行结果状态更新。调用发消息OpenAI可以实现QQ机器人以流式的方式回复用户消息。Agent可观测Agent的可观测性对于保障系统的稳定性和持续优化至关重要。通过建立完善的可观测和评估体系我们能够实时监控现网服务的运行质量及时发现和定位故障追踪全链路各个环境下的请求trace和耗时为问题排查和性能瓶颈分析提供有力支撑。此外基于对现网对话数据的质量标注可以持续发现和归纳badcase指导模型和业务逻辑的优化迭代从而不断提升Agent的对话质量和用户体验。完善的可观测体系不仅有助于保障服务的可用性和可靠性更是推动Agent越用越聪明、实现持续进化的基础能力。Langfuse 是一款开源的 LLM 应用可观测与分析平台专为大模型驱动的应用如 Agent、RAG、工具链等设计。它帮助开发者和团队实现对 LLM 应用的全链路追踪、调试、质量评估和持续优化是构建生产级智能体系统的可观测性基石。数据看板通过Dashboard可以实时查看LLM应用的质量、成本、延迟等多维度指标全面监控和分析智能体系统的运行状态。全流程追踪自动捕获 LLM 应用的每一次调用、嵌套的工具调用、上下文、API 请求、嵌入检索等所有关键步骤形成完整的执行链路Trace用于分析每个环节的输入输出定位问题。多维度质量评估支持将对话数据抽样生成数据集便于人工标注和多维度输出质量评测。同时内置 LLM-as-a-judge能力可自动对对话质量进行多角度打分与分析帮助业务高效发现并持续优化 badcase。Eino 框架极大简化了 Langfuse 的接入流程。开发者只需十行代码初始化并注册 Langfuse CallbackHandler 到 Agent无需改动任何业务逻辑即可实现对 Agent 的全链路可观测。这充分体现了标准化框架的工程优势。此外Agent 也能通过类似方式无缝切换接入公司内部的伽利略、智研等监控与研发效能平台灵活满足不同场景的观测需求。cbh, flusher : langfuse.NewLangfuseHandler(langfuse.Config{ Host: cfg.Langfuse.Host, PublicKey: cfg.Langfuse.PublicKey, SecretKey: cfg.Langfuse.SecretKey, Name: cfg.Langfuse.Name, SessionID: taskID,})defer flusher()callbackHandlers append(callbackHandlers, cbh)总结AI Agent 的发展正处于爆发前夜从最初的 LLM 聊天机器人到具备规划、记忆、工具调用能力的智能体再到多 Agent 协作的复杂生态整个行业正在经历一场范式转变。本文系统梳理了 AI Agent 的核心理念、主流协议MCP、A2A、思考框架CoT、ReAct、Plan-and-Execute并结合 Golang 生态下的 Eino、tRPC-A2A-Go 等工程化框架结合实际例子详细讲解了如何优雅地开发、编排和观测复杂的智能体系统。协议标准化是 Agent 生态繁荣的基石MCP、A2A 等协议的出现极大降低了工具和 Agent 的集成门槛让能力复用成为可能。未来协议的进一步融合和演进将推动智能体生态走向真正的互联互通。思考框架决定 Agent 的智能上限从 CoT 到 ReAct再到 Plan-and-Execute结构化的推理与行动流程是 Agent 能否胜任复杂任务的关键。合理选择和实现思考框架是打造高鲁棒性、高可解释性 Agent 的核心。工程化框架让复杂 Agent 开发变得优雅高效Eino、tRPC-A2A-Go 等框架通过组件化、强类型、编排与切面机制极大提升了开发效率和系统可维护性。无论是单体智能体还是多 Agent 协作都能快速落地生产级应用。可观测与人机协同是生产级 Agent 的必备能力只有让 Agent 的推理过程、工具调用、任务状态对用户和开发者透明才能实现高质量的交付和持续优化。Human In The Loop 机制则为关键场景下的安全性和可控性提供了保障。选择适合自身场景的协议与框架才是最优解没有万能的协议和框架只有最适合当前业务和团队的技术选型。理解协议的边界、框架的能力结合实际需求做出权衡才能真正发挥 AI Agent 的价值。AI Agent 的世界远比想象中更广阔。无论你是初入门的开发者还是追求极致工程化的团队只要掌握了底层原理和方法论结合合适的工具和框架都能在这场智能体革命中占据一席之地。希望本文能为你搭建起从原理到实践的桥梁助你在 AI Agent 领域走得更远、更稳、更优雅。写在最后目前QQ AI能力也在内测中QQ官方AI伙伴小Q现已全新升级接入混元及Deepseek模型轻松实现秒级回复、即问即答同时支持深度思考及联网搜索为你提供更全面的信息还具备AI识图、AI画图、AI写作等多元能力。同时QQ搜索也已接入AI可自由切换多种模型让你轻松实现全网冲浪如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线互联网企业工作十余年里指导过不少同行后辈。帮助很多人得到了学习和成长。我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限很多互联网行业朋友无法获得正确的资料得到学习提升故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…学习是一个过程只要学习就会有挑战。天道酬勤你越努力就会成为越优秀的自己。如果你能在15天内完成所有的任务那你堪称天才。然而如果你能完成 60-70% 的内容你就已经开始具备成为一名大模型 AI 的正确特征了。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】