Go Agent

第九篇:Eino: Go 原生的大模型应用框架

承接前八篇Agent开发专栏的内容,我们从理论和基础实践层面掌握了智能Agent的核心逻辑,而落地到Go语言生态时,如何高效、标准化地构建可维护的大模型应用?Eino框架给出了答案…

第八篇:ToolUse模型实战——调用外部工具扩展Agent能力

在前文ReAct、Planning、Memory Agent中,我们仅用了「计算器」这一个内置工具,而真实场景下的Agent需要调用外部工具(天气API、课程查询、支付接口等)突破…

第七篇:Memory Agent 实战——短期上下文+长期画像+摘要记忆

在前文基础上,本篇聚焦Memory Agent(记忆型 Agent) 的核心设计逻辑——解决“把全量聊天历史一股脑塞给 LLM”的致命问题,落地「短期上下文、长期画像、摘要记忆」三…

第六篇:Planning Agent实战——让大模型「先规划、再执行」

在前文ReAct架构基础上,本篇聚焦Planning Agent(规划型Agent) ——核心是让大模型先对复杂任务做「全局结构化拆解」,生成清晰的执行步骤(规划),再按步骤逐一执…

第五篇:ReAct架构实战——让大模型「边思考边行动」

在前四篇中,我们实现了Agent的工具调用、输出和耗时统计,但核心逻辑仍偏「指令→执行」的单向流程。本篇基于ReAct(Reasoning + Acting)架构,让Agent具备…

第四篇:大模型流式输出实战-让Agent 实时响应

在前三篇内容中,我们完成了工业级Agent的Prompt设计、工具调用能力落地,但所有交互都是「一次性等待结果」——用户发送指令后,需要等LLM完整计算完才返回结果。 实际场景中,…

第三篇:Prompt 优化实战——让Agent稳定运行的核心

在前两篇中,我们完成了Go Agent基础架构搭建、DeepSeek云端模型接入,以及工具调用能力的实现。但在实际工程化落地中,仅靠简单的System指令(你是一个专业的四则运算计…