Go 開發者上車 AI Agent：騰訊 trpc-agent-go 開源實戰拆解

如果話 2025 年係 AI Agent 框架嘅 Python 狂歡——AutoGen、CrewAI、Google ADK 輪住登場——咁 2026 年嘅故事，好可能係 Go 開發者終於等到屬於自己嘅嗰套工具。騰訊喺六月開源嘅 trpc-agent-go，表面上係一個「LangGraph for Go」嘅框架，但當你𥄫真啲佢哋內部用緊呢壇嘢嚟做乜——騰訊元寶、騰訊視頻、騰訊新聞——你就會發現呢個唔係普通嘅開源項目，而係一套經過千萬級用戶場景蹂躪過嘅生產級方案。

作為香港嘅獨立開發者或者 startup 團隊，我哋成日面對一個尷尬：想做 AI Agent 產品，但主力語言係 Go，Python 嗰套生態（LangChain、LangGraph、CrewAI）每次接入都要開多條 pipeline，或者索性用 Python 寫 sidecar 嚟搭 bridge。呢種架構唔係唔 work，但運維成本同 latency 都疊加上去。trpc-agent-go 嘅出現，正正填緊呢個 gap。

Go 嘅 Agent 框架點解遲咗咁耐？

講到尾，Agent 框架嘅核心係「LLM 推理 + Tool Calling + 狀態管理 + 多步編排」。Python 有動態 typing、大量 ML 庫、同埋 Jupyter notebook 文化，好自然就成為 Agent 框架嘅首發平台。但 Go 嘅強項——靜態 typing、goroutine 並發、低 latency、單一二進制部署——其實同 Agent runtime 嘅需求異常吻合。

一個典型 Agent 要做呢幾樣嘢：同時 call 多個 tool（web search + code execution + database query），管理 session 狀態，streaming 輸出結果，仲要 handle context cancellation。呢啲全部係 Go 嘅主場。trpc-agent-go 嘅設計正好食正呢點：佢哋嘅 Runner 用 context cancel 嚟優雅中斷 agent 執行，ParallelAgent 底層即係 goroutine pool，而 Streaming 係 Go channel 嘅 native 操作。

唔好忘記 tRPC 本身就係騰訊內部用咗多年嘅微服務框架，trpc-agent-go 等於直接攞咗成個 tRPC 生態——服務發現、負載均衡、可觀測性——嚟做底層基建。呢點唔係 Python 框架輕易追得到。

GraphAgent vs LangGraph：同枱較技

trpc-agent-go 最引人注目嘅模塊係 GraphAgent，官方文件直接話佢「功能對標 LangGraph 嘅 Go 實現」。LangGraph 嘅核心概念係 StateGraph——你定義 state schema、節點、邊、條件路由——然後框架幫你管理 state 傳遞同執行次序。trpc-agent-go 嘅 graph package 做緊同一件事：

sg := graph.NewStateGraph(schema)
sg.AddNode("router", routerFunc)
sg.AddNode("A", funcA)
sg.SetEntryPoint("router")
sg.AddConditionalEdges("router", routerCond, map[string]string{
    "goA": "A",
    "goB": "B",
})

如果你用過 LangGraph，呢段 code 嘅結構會好熟悉。唔同嘅係 LangGraph 嘅 routing 函數回傳單一路徑，而 trpc-agent-go 支援 MultiConditionalEdges——即係一次路由可以 fan-out 去多個節點並行執行。呢個對於 Go 嘅並發模型嚟講係 natural fit，Python 版要做 parallel fan-out 反而要額外嘅 asyncio 管理。

不過要公道講句：LangGraph 嘅生態成熟度仍然遠超 trpc-agent-go。LangGraph 有 LangSmith 做 tracing debugging、有 LangHub 共享 agent 模板、有 extensive 嘅 community examples。trpc-agent-go 呢啲方面仲係好初期，要靠 tRPC 自身嘅 OpenTelemetry integration 同 Langfuse 嚟補返 observability 嘅位。

香港開發者實際可以點用？

如果你而家喺香港做緊 Go backend 又想加入 AI Agent，trpc-agent-go 有三個直接嘅切入點：

第一，Customer Support Bot。呢個係框架文檔自己列出嘅 use case，亦係最容易落地嘅場景。你只需要一個 LLMAgent + Memory Service + DuckDuckGo Search Tool，幾十行 code 就做到一個有上下文記憶嘅客服 agent。唔使另外起 Python service。

第二，Data Analysis Assistant。trpc-agent-go 嘅 codeexecutor 同 knowledge 模塊支援 RAG 同沙箱執行 code，可以俾 agent 直接 query database 然後生成報表。對於香港常見嘅 fintech 場景——交易分析、風險報告——呢個可以直接嵌入現有 Go microservice 架構。

第三，Multi-Agent Pipeline。ChainAgent + ParallelAgent 嘅組合可以做到「先分析後執行」或者「多專家平行投票」嘅 pattern。如果你做緊 content moderation、文檔審核、或者 automated QA，呢個 pattern 極其實用。

要注意嘅係，trpc-agent-go 嘅文件同 community 仍然以簡體中文為主，英文資源有限。香港團隊如果唔介意睇中文 doc onboarding，問題唔大；但如果團隊以英文為主，initial learning curve 會比 LangGraph 高。

結語：Go 生態嘅 Agent 時刻？

坦白講，trpc-agent-go 目前嘅 maturity 大約等於 LangGraph v0.1 階段——核心概念到位，production validation 有騰訊內部背書，但 developer experience、documentation、community plugins 仲有好大進步空間。佢哋 1.5k stars、1,700+ commits 嘅 activity 顯示團隊喺度 fast iteration，方向正確。

對於香港嘅 Go 開發者，我嘅建議係：唔好等 framework 成熟先開始玩。而家就開個 side project，用 trpc-agent-go 做一個簡單嘅 tool-calling agent，體驗下 Go-native Agent 嘅開發流程。當 framework 生態成熟嘅時候，你已經累積咗實戰經驗——而呢個經驗差，正正就係你嘅競爭優勢。

AI Agent 嘅戰場唔會永遠係 Python 獨大。Go 喺 infrastructure 同 production 層面嘅優勢太明顯，trpc-agent-go 呢類框架只會愈來愈多。早啲上車，就係最大嘅護城河。