腾讯 trpc 团队此前已开源 a2a 开发框架 trpc-a2a-go 与 mcp 开发框架 trpc-mcp-go，如今再度推出全新 trpc-agent-go 开发框架，标志着 go 语言在 ai 生态开发体系中的能力全面闭环。
官方表示，当前主流的 Agent 框架（如 AutoGen、CrewAI、Agno、ADK 等）多以 Python 为基础构建，而 Go 语言在微服务架构、高并发处理及部署效率方面具备天然优势，且在腾讯内部拥有广泛落地实践。然而，业界基于 Go 的 Agent 框架仍属稀缺，现有方案大多局限于流程编排类的 workflow 框架，缺乏真正意义上的“去中心化、可协作、能涌现”的多 Agent 自主协同能力。tRPC-Agent-Go 充分结合 Go 的高并发特性与 tRPC 生态优势，将大模型的推理、协商与自适应能力深度融入 Go 应用场景，满足复杂业务对“智能化+高性能”的双重诉求。
tRPC-Agent-Go 采用模块化设计理念，由多个核心组件构成，各组件均支持插拔式扩展，并通过事件驱动机制实现松耦合通信，同时允许通过 callback 注入自定义逻辑：
- Agent：核心执行单元，负责接收用户输入并生成响应
- Runner：驱动 Agent 执行流程，协调 Session、Memory Service 等能力模块
- Model：兼容多种主流 LLM 模型（如 OpenAI、DeepSeek 等）
- Tool：集成多样化工具能力（Function、MCP、DuckDuckGo 等）
- Session：管理会话状态与事件流转
- Memory：持久化存储用户长期记忆与个性化数据
- Knowledge：支持 RAG 知识检索增强生成
- Planner：提供任务规划与逻辑推理能力
- CodeExecutor：实现代码执行功能，支持 Local、Container 等多种运行模式
核心特性
多元化的 Agent 架构体系
- LLMAgent：基于大语言模型，支持工具调用与智能推理
- ChainAgent：链式任务执行，适用于多步骤分解场景
- ParallelAgent：并行处理机制，实现多专家协同决策
- CycleAgent：循环迭代结构，支持持续优化与反馈调整
- GraphAgent：图状工作流设计，兼容现有编排使用习惯
强大的工具生态支持
- 内置高频使用工具集
- 支持 Function 调用、MCP 协议等多种扩展方式
- 提供灵活的工具组合策略与调用调度机制
智能会话与状态管理
- 支持 Redis 与内存双模式会话持久化
- 实现长期记忆存储与用户画像维护
- 集成 RAG 技术提升生成质量
- 基于事件驱动的实时交互架构
全链路可观测能力
- 深度集成 OpenTelemetry，实现端到端追踪与性能监控
- 提供可视化调试界面与实时运行监控
- 输出结构化日志，支持精准错误定位与排查
