腾讯 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，现在进一步推出 tRPC-Agent-Go 开发框架，实现 Go 语言 AI 生态开发框架的闭环。
公告称，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。
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
- CodeExecutor：提供Agent代码执行能力，支持Local，Container等模式
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