ai agent

下文代码示例使用langchaingo

简介

智能体 系统本质上是一种计算实体，能感知其环境（包括数字和物理环境），根据这些感知和预设或学习到的目标做出决策，并自主执行行动以实现目标。与传统软件严格按照固定步骤执行不同，智能体具备一定的灵活性和主动性。

发展阶段

提示链

与其让 LLM 一步到位解决复杂问题，提示链主张采用分而治之策略，将原本棘手的问题拆解为一系列更小、更易管理的子问题。每个子问题通过专门设计的提示单独处理，并将前一步的输出作为下一步的输入，形成链式依赖。

智能体可利用提示链自主规划、推理和行动，适应动态环境。通过合理设计提示序列，智能体可完成多步推理、规划和决策任务，模拟人类思维流程，实现更自然、高效的复杂领域交互。

结构化输出的重要性：提示链的可靠性高度依赖于各步骤间数据的完整性。若某步输出模糊或格式不规范，后续提示可能因输入错误而失败。为此，建议指定结构化输出格式，如 JSON 或 XML。

例子

数据提取与转换：将非结构化文本转为结构化格式，通常需多步迭代修正以提升准确性和完整性。

• 尝试从发票文档中提取指定字段（如姓名、地址、金额）。
• 检查字段是否齐全且格式正确。
• 若字段缺失或格式错误，重新提示模型查找缺失/错误信息，并提供失败上下文。
• 再次验证结果，必要时重复。
• 输出提取并验证的结构化数据。

例子：

我想写一篇文章

func main() {
    // 1. 初始化 LLM
    llm, err := initGemini()
    if err != nil {
       log.Fatalf("初始化 LLM 失败：%v", err)
    }
    // 2. 定义第一个提示模板（生成大纲）
    outlinePrompt := prompts.NewPromptTemplate(
       "请为主题「{{.topic}}」生成一份简洁的技术文章大纲，仅包含3个一级标题，无需二级标题",
       []string{"topic"},
    )
    // 第一个链：生成大纲
    outlineChain := chains.NewLLMChain(llm, outlinePrompt)
    outlineChain.OutputKey = "outline"

    // 3. 定义第二个提示模板（根据大纲生成正文）
    contentPrompt := prompts.NewPromptTemplate(
       "请根据以下文章大纲，为每个标题撰写一段200字左右的正文内容，语言通俗易懂：{{.outline}}",
       []string{"outline"},
    )
    // 第二个链：生成正文
    contentChain := chains.NewLLMChain(llm, contentPrompt)

    // 4. 创建顺序链（串联两个提示链）
    sequentialChain, err := chains.NewSequentialChain(
       []chains.Chain{outlineChain, contentChain},
       []string{"topic"}, // 初始输入变量
       []string{"text"},  //
    )

    if err != nil {
       log.Fatalf("创建顺序链失败：%v", err)
    }

    // 5. 运行多提示链
    ctx := context.Background()
    input := map[string]interface{}{
       "topic": "Go 语言并发编程",
    }
    result, err := chains.Call(ctx, sequentialChain, input)
    if err != nil {
       log.Fatalf("运行顺序链失败：%v", err)
    }

    // 6. 解析并输出结果
    fmt.Println("多提示链运行结果：")
    fmt.Println(result)
}

上下文工程与提示工程

模型输出质量更多取决于所提供的丰富上下文，而非模型架构本身。因此，任务不再是简单答疑，而是为智能体构建完整操作视图

提示词优化器工具

prompt.always200.com/

promptpilot.volcengine.com/home

规划

大模型将复杂任务拆解为可管理的小步骤，基于任务目标、当前环境状态、历史执行结果，自主推理、拆解出动态可调的执行步骤序列，能根据执行反馈修正步骤、处理异常，核心是“自主决策与动态适配”。灵活性与可预测性之间的权衡。

ReAct 模式的核心定义

ReAct（Reasoning + Acting，即 “推理 + 行动”）是一种让大语言模型（LLM）通过 “交替进行推理思考与外部行动” 来解决复杂任务的范式。它模拟人类解决问题的思维过程：先通过推理明确 “下一步该做什么”，再执行具体行动获取外部信息，最后根据行动结果反馈调整后续推理，形成闭环流程，从而实现动态规划与不确定性问题求解。

在下面的 langchaingo Agent 中，ReAct 模式的落地清晰可见：

自然语言处理文件夹相关的操作

// FolderAgent 自然语言处理文件夹相关的操作
func FolderAgent(ctx context.Context, userId int, req *kivi.FolderAgentReq) (any, error) {

    // 1. 创建工具集
    toolList := []tools.Tool{
       &tool.CreateFolderTool{UserId: userId},
   
    }
    // 2. 创建LLM实例
    llm, err := initGemini()
    if err != nil {
       log.ErrorContext(ctx, "Failed to create LLM: %v", err)
       return nil, err
    }

    // 3. 创建Conversational Agent
    agent := agents.NewConversationalAgent(
       llm,
       toolList,
       agents.WithCallbacksHandler(callbacks.LogHandler{}),
    )

    // 4. 创建执行器并设置详细日志和最大迭代次数
    // 使用WithVerbose(true)确保打印思考过程
    executor := agents.NewExecutor(
       agent,
       agents.WithMaxIterations(50),
       //agents.WithVerbose(true), // 启用详细日志，记录思考过程
    )

    // 5. 执行agent并记录完整过程
    startTime := time.Now()
    log.InfoContext(ctx, "开始执行Agent，用户查询: %s", req.Query)

    result, err := executor.Call(ctx, map[string]any{
       "input": req.Query,
    })

    return result, nil
}

1. 核心载体：agents.NewConversationalAgent(llm, toolList)创建的 ReAct Agent，是实现该模式的核心组件，内置了 “思考 - 行动 - 观察” 的循环逻辑；
2. 思考环节：LLM根据任务描述和工具描述，自主判断调用工具的顺序和参数；
3. 行动环节：Agent 通过工具接口调用GetAssetByUserIdTool和AddAssetToFolderTool，执行具体查询操作；
4. 观察环节：工具返回的用户ID获取用户的资产反馈给 Agent，融入上下文；
5. 迭代闭环：Agent 根据观察结果继续推理，直到完成所有任务步骤，最终生成总结结果；
6. 可追溯性：callbacks.LogHandler{} 开启后，打印的日志完整呈现了 ReAct 的每一步流程，便于观察规划过程。

提示链与规划的核心区别

对比维度	提示链（Prompt Chaining）	规划（Planning）
核心目标	标准化流转，通过预设步骤确保每一步输出合规	目标导向，通过灵活适配确保最终任务达成
灵活性与适应性	高度静态，步骤固定，无法应对意外变化	高度动态，可增删/修改步骤，适配环境变化
步骤来源与性质	人工预设的固定序列，无需Agent自主推理	Agent自主推理的动态序列，按需拆解子任务
智能水平与决策能力	无自主决策，仅作为“提示执行者”	具备强推理决策，作为“任务决策者”
应对不确定性的能力	无法处理意外，上一步偏差会导致后续持续出错	可通过反馈闭环修正偏差，处理复杂不确定性
典型适用场景	流程固定、需求明确的标准化任务（如固定格式报告、数据整理）	流程复杂、需求灵活的不确定性任务（如行程预订、机器人导航、复杂问题求解）

两者的本质差异在于是否具备“自主决策与动态适配能力”

工具

与现实世界或外部系统交互。

典型流程：

1. 工具定义：向 LLM 描述外部函数或能力，包括函数用途、名称、参数类型及说明。如

   1.   获取用户文件夹列表。参数为JSON格式，包含：
        - parentID: 字符串，父文件夹ID（可选，空为根目录）
        示例：{"parentID":0}
      

2. LLM 决策：LLM 接收用户请求和可用工具定义，根据理解判断是否需要调用一个或多个工具来完成请求。

3. 函数调用生成：如果 LLM 决定使用工具，会生成结构化输出（通常为 JSON），指定要调用的工具名称及参数（从用户请求中提取）。

4. 工具执行：智能体框架或编排层拦截结构化输出，识别请求的工具并用提供的参数实际执行外部函数。

5. 观察/结果：工具执行的输出或结果返回给智能体。

6. LLM 处理（可选但常见） ：LLM 将工具输出作为上下文，用于生成最终回复或决定下一步（可能再次调用工具、反思或直接答复）。

RAG

检索增强生成（RAG, Retrieval-Augmented Generation）让大语言模型（LLM, Large Language Model）从“内置知识”升级为“可挂载外部知识”。逻辑上，它就像给 LLM 挂上一个“外接硬盘”。

传统 LLM 的局限性：

• 知识截止点：模型训练数据有时间限制，无法获取最新信息
• 领域专业性不足：对特定领域的深度知识掌握有限
• 可追溯性差 尤其在医疗，法律等场景生成内容需要指明出处。
• 个性化缺失：无法基于用户的个人知识库进行回答

流程

召回

召回大致分为三类：文本召回，向量召回，规则召回。

文本召回

返回与query分词后结果相匹配的内容。

例子

doc id
1	设置文件夹置顶或取消置顶的方式xxxx

Query ： 如何设置文件夹置顶

【设置】和【设置】 【置顶】与【置顶】相匹配，最终召回docid为1的结果。

向量召回

将query和候选数据转化为统一维度的向量，再通过相似度计算找到与查询向量最相似的 Top-N 个候选向量，最终返回对应的原始数据。

例子

doc id
1	设置文件夹置顶或取消置顶的方式xxxx

Query ： 如何配置文件夹到头部

【设置】和【配置】 【到头部】和【置顶】的向量相似度极高可以召回doc id 为1的结果。

规则召回

基于某些规则，配置对应的query满足相应规则的时候所召回的内容。

LLM 输出配置

记忆

短期记忆（上下文记忆）

保存当前正在处理或最近访问的信息

func main() {
    // 1. 初始化 LLM
    llm, err := initGemini()
    if err != nil {
       log.Fatalf("初始化 LLM 失败：%v", err)
    }
    ctx := context.Background()
    c := chains.NewConversation(llm, memory.NewConversationBuffer())
    _, err = chains.Run(ctx, c, "Hi! I'm canshu")

    fmt.Println(err)
    if err != nil {
       log.Fatal(err)
    }
    res, err := chains.Run(ctx, c, "What is my name?")

    fmt.Println(res, err)
}

Your name is canshu! You just introduced yourself to me at the very beginning of our conversation. 

长期记忆（持久记忆）

作为智能体需要在多次交互、任务或较长周期内保留信息的仓库，类似于长期知识库

学习与进化

Agent、分为“先天知识”（LLM训练数据+初始Prompt注入）和“后天知识”（新经验提炼的增量知识），知识层面的学习核心是增量更新与高效复用。

增量知识提炼与向量知识库更新

这是最常用的落地方式，无需微调LLM，通过“经验结构化→向量入库→检索复用”实现知识积累。

• 步骤1：从执行日志/反馈中提炼结构化知识（如“上海冬季雨天建议携带防水鞋”“航班查询MCP需传入身份证号后6位”）；
• 步骤2：将结构化知识转化为向量嵌入（通过LLM Embedding模型，如text-embedding-ada-002）；
• 步骤3：将向量数据写入向量数据库，更新知识库；
• 步骤4：后续任务执行时，通过语义检索从知识库中调取相关知识，补充到LLM上下文，辅助决策。

示例：天气查询Agent从历史反馈中学习并更新知识：

• 原始经验：用户反馈“上次建议携带雨伞，但上海冬季雨天还需要保暖”；
• 提炼知识：“上海冬季雨天出行建议：携带折叠伞+防水鞋+薄羽绒服（气温通常10℃以下）”；
• 向量入库：将该知识嵌入后存入Chroma；
• 后续复用：当用户查询“上海12月雨天出行建议”时，Agent检索到该知识，直接整合到回答中。

实时上下文

针对临时经验（如一次性任务的特殊规则），无需入库，直接将历史经验作为上下文注入后续任务的Prompt中，实现快速适配。

• 工具调用异常反馈：当MCP调用失败（如参数错误、接口超时），Agent自动记录错误信息，并在本轮任务中调整参数或更换工具（如“重新格式化参数后再次调用”“切换备用天气MCP”）；
• 用户实时反馈：当用户指出错误（如“日期查询错误”），Agent立即修正，并将该错误案例记录为经验，避免后续重复犯错。

强化学习（RL）驱动策略优化

将Agent的行为转化为“决策序列”，通过奖励函数评估行为优劣，迭代优化策略网络：

• 状态空间：当前任务目标、上下文信息、已执行步骤；
• 动作空间：工具调用、步骤调整、参数选择；
• 奖励函数：任务成功率、执行步数（效率）、结果质量（用户满意度）、资源消耗（如工具调用次数）；
• 优化过程：Agent执行行为后，根据奖励值更新策略网络，后续更倾向于选择高奖励行为（如“少步骤完成天气查询”“避免无效工具调用”）。

示例：Agent初期可能先查天气再查日期（冗余步骤），通过奖励函数（“执行步数越少奖励越高”），逐步优化为“先查日期（推导明天日期）再查天气”，提升效率。

行为日志挖掘与规则提炼

通过批量分析历史执行日志，提炼可复用的行为规则，更新Agent的决策模板或Prompt约束：

• 成功案例挖掘：总结“高成功率任务”的共同执行流程，形成标准化策略（如“行程规划任务必选：先确认用户时间→查询交通→预订酒店→反馈备选方案”）；
• 失败案例纠错：定位高频错误（如“天气MCP调用参数格式错误”），提炼规避规则（如“调用weather_tool必须严格按照‘城市 YYYY-MM-DD’格式输入”），写入Prompt或工具调用校验逻辑；
• 规则更新：将提炼的规则同步到Agent的决策体系（如通过框架的Prompt模板更新、工具校验函数升级）。

工具/MCP适配的自适应调整

当外部工具或MCP接口更新时，Agent无需人工修改代码，通过反馈实现自动适配：

• 接口变更感知：通过工具调用异常日志（如“返回字段缺失”“接口地址变更”）感知MCP更新；
• 适配规则学习：从开发者提供的少量更新文档或试错反馈中，提炼新的调用规则（如“新天气MCP需添加token请求头，参数city改为city_code”）；
• 动态更新调用逻辑：Agent自动调整工具的参数封装、请求格式，无需重启服务。

推理

智能体系统工程化

mp.weixin.qq.com/s/vHVR1ldib…

golang sdk对比

Go 语言的 AI Agent 开发框架虽不如 Python 生态丰富，以下是当前 Go 生态中主流 AI Agent 框架的详细对比，涵盖核心定位、功能、性能、生态等关键维度。

核心框架概述

LangChain Go（langchaingo）

• 核心定位：LangChain 官方 Go 语言实现，一站式 AI Agent 开发框架，对标 Python 版 LangChain，覆盖 Agent 全生命周期能力。

• 核心功能：

  • 支持主流 LLM（OpenAI、Anthropic、Ollama、本地大模型等）；
  • 完整的 Agent 能力：ReAct/Structured 推理模式、工具调用（HTTP、数据库、自定义工具）、记忆（临时/持久化，如 Redis 存储）；
  • 完善的 RAG 链路：文档加载（PDF/Markdown/CSV）、文本分割、嵌入模型、向量检索（对接 Pinecone/Chroma/Milvus）；
  • 链（Chain）编排、Prompt 模板、多 Agent 协作（基础版）。

Google ADK adk.wiki/

• 核心定位：Agent Development Kit (ADK) 是一个灵活且模块化的框架，用于开发和部署 AI 智能体。虽然针对 Gemini 和 Google 生态系统进行了优化，但 ADK 是模型无关的、部署无关的，并且构建为与其他框架兼容。ADK 旨在使智能体开发感觉更像软件开发，让开发人员更容易创建、部署和编排从简单任务到复杂工作流的智能体架构。

• 核心功能：

LlamaIndex Go（llamaindex-go）

• 核心定位：LlamaIndex 官方 Go 实现，主打「数据增强 LLM（RAG）」，Agent 能力为 RAG 场景配套。

• 核心功能：

  • 强数据索引能力：向量索引、关键词索引、树形索引等；
  • 文档处理：多格式加载、清洗、分割，支持自定义数据连接器；
  • 轻量 Agent：基础工具调用、多步推理，聚焦「数据+LLM」的闭环；
  • 对接主流向量数据库和嵌入模型。

AgentGo

• 核心定位：Go 原生轻量级 AI Agent 框架，专为 Go 工程化场景设计，强调极简、高性能、易扩展。

• 核心功能：

  • 基础 LLM 集成（OpenAI/Ollama 为主）；
  • 插件化工具调用（支持自定义工具注册）；
  • 轻量记忆（本地内存/Redis）；
  • 基于 Go 协程的 Agent 流程编排；
  • 本地化部署友好（无冗余依赖）。

GoAI

• 核心定位：Go 轻量 AI 交互库，可扩展为简单 Agent，主打「快速落地」。

• 核心功能：

  • LLM API 封装（OpenAI/Gemini/Ollama）；
  • 基础 Prompt 模板；
  • 极简工具调用（无复杂流程）；
  • 无内置记忆/高级 Agent 逻辑。

Chainforge Go

• 核心定位：侧重 AI 工作流/链编排的 Agent 框架，强调可观测性和可扩展性。

• 核心功能：

  • 可视化/代码化链编排；
  • 基础工具调用、轻量记忆；
  • 可观测性（日志、链路追踪、性能监控）；
  • 多 LLM 适配和故障重试。

框架对比总表

维度	LangChain Go	LlamaIndex Go	AgentGo	GoAI	Chainforge Go
核心定位	一站式 Agent 框架	RAG 核心 Agent 框架	Go 原生轻量 Agent	极简 AI 交互库	工作流编排 Agent
核心功能	全功能（Agent/RAG/工具/记忆）	RAG 强，Agent 基础	轻量 Agent+工具调用	仅基础 LLM 交互	工作流+可观测性
生态活跃度	最高	高（RAG 领域）	中	低	低
性能（高并发/轻量）	优秀	优秀（检索优化）	极致	极致	中等
易用性	中等	高	高	极高	中等
第三方依赖	中等	轻量	极简	无	少量
多 Agent 协作	基础支持	无	无	无	基础支持
本地化部署友好度	中	高	极高	极高	中