图灵汇官网

导语tRPC是腾讯内部使用最广泛的RPC开发框架，广泛应用于多个核心业务系统，包括QQ、腾讯视频、腾讯音乐、QQ浏览器、腾讯新闻、元宝、电脑和手机管家、腾讯云等。其中，tRPC-Go是应用最广的版本，覆盖了近200万个节点，支持超过5万个服务。

从2023年开始，大模型技术快速发展，Agent开发框架成为连接AI能力与实际业务的重要工具。为了帮助开发者更高效地构建Agent应用，并更好地与tRPC微服务结合，提升性能和稳定性，tRPC-Go在2025年进一步加强了对Agent功能的支持。本文将介绍trpc-agent-go（https://github.com/trpc-group/trpc-agent-go）如何打造智能AI应用。

一、技术选型与定位1.当前主流框架分析目前AI Agent应用开发主要分为两种方向：自主多Agent框架和编排式框架。

1.1 自主多Agent框架这种模式强调每个Agent具备独立感知环境、自主决策和执行任务的能力。多个Agent之间通过消息传递和协商实现协作，能够根据环境变化灵活调整策略，表现出一定的智能特性。

例如，AutoGen支持角色专业化和动态协商；ADK提供完整的生命周期管理；CrewAI专注于任务分配和责任链；Agno则注重多模态能力和团队协作。

1.2 编排式框架这类框架采用工作流方式，通过预设流程或状态机组织LLM调用和组件交互。虽然整体表现有“智能”特征，但执行路径是固定的，更像是“智能化的工作流”，而非真正的自主Agent。

比如，LangChain通过定义好的链路构建应用；LangGraph使用DAG结构进行状态转换。

2.两种框架对比行业现状显示，目前主流的自主多Agent框架多基于Python生态，为开发者提供了丰富选择。而Go语言因其并发能力强、部署方便，在微服务领域广泛应用。不过，现有的Go语言AI框架大多偏向于编排式架构，适用于结构化流程。

随着LLM在复杂推理和动态决策方面的能力提升，自主多Agent框架展现出更强的适应性，例如：

• 能够根据上下文调整策略
• 多个Agent通过通信实现任务分解
• 整合LLM的推理、规划和反思能力

在腾讯内部，这些特性被广泛应用。因此，tRPC-Agent-Go选择了自主多Agent的架构，同时兼顾工作流的兼容性。

二、tRPC-Agent-Go框架概述tRPC-Agent-Go（https://github.com/trpc-group/trpc-agent-go）集成了LLM、智能规划器、会话管理、可观测性和多种工具。支持创建自主Agent和半自主Agent，具备推理、工具调用、子Agent协作和长期状态保持等功能，为开发者提供完整的智能应用开发工具链。

1.整体架构模块图

• Agent：核心执行单元，处理用户输入并生成响应，支持单Agent和多Agent协作
• Runner：负责Agent运行，维护会话状态，处理事件流
• Model：统一LLM接口，支持OpenAI兼容API，便于切换不同模型供应商
• Tool：提供标准化工具调用机制，支持同步和流式调用
• Session：管理对话历史和上下文信息，支持内存和Redis存储
• Memory：记录用户的长期记忆和个性化数据
• Knowledge：支持RAG能力，包括知识源管理、向量存储、Embedding和智能检索
• Planner：提供智能规划功能，支持多种推理模式
• CodeExecutor：支持在本地或容器中执行代码，增强实际操作能力
• Observability：集成OpenTelemetry，用于监控和追踪执行过程

1.2 交互流程设计整个框架采用分层结构，Runner作为执行器管理Agent生命周期，Event模块负责状态传递和通信，tRPC Agent采用插件化设计，支持各种组件扩展，Callbacks模块提供关键节点的拦截和处理功能。

1.3 时序图展示了一个完整的用户与Agent交互过程，涉及Runner、Service、Agent、LLMFlow、Model、Tool等多个组件之间的关系。

三、核心模块详解1.Model模块 - LLM抽象层该模块提供统一的LLM接口，支持OpenAI兼容API，开发者可以轻松切换不同的模型来源。已验证多数公司内外的接口兼容性。