tRPC-Agent-Go: ein Go-Framework für den Aufbau von Agentensystemen

Die Aussage der README zum Framework

Die README bezeichnet tRPC-Agent-Go eingangs als ein Go-Framework für den Aufbau von Produktions-Agentensystemen. Sie listet auf, was das Framework bietet: LLM-Agents, Graph-Workflows, Tool-Aufrufe, Sitzungs- und Speicherzustand, Wissensabruf, Selbstevolution von Agents, Evaluierung und OpenTelemetry-Beobachtbarkeit in einem einzigen Go-nativen Stack. Die angegebene Passform sind Agentenanwendungen, die zu Go-Diensten passen: nebenläufig, beobachtbar, leicht bereitzustellen und bereit für die Integration mit A2A, AG-UI und MCP. Die README nennt auch vorgeschlagene Anwendungsfälle: Kundensupport-Bots, Datenanalyse-Assistenten, DevOps-Automatisierung, Geschäftsprozessautomatisierung mit Human-in-the-Loop sowie RAG-gestützte Forschung und Wissensverwaltung. Die README selbst enthält keine Benchmarks oder Produktionsbelege für diese Anwendungsfälle.

Paketaufbau und Ausführungsfluss

Der Architekturteil der README beschreibt einen Ausführungsfluss in sieben Schritten: Der Runner orchestriert die Pipeline mit Sitzungsverwaltung; der Agent verarbeitet Anfragen; der Planner wählt Strategie und Werkzeugauswahl; Tools führen konkrete Aufgaben aus; Memory erhält den Kontext; Knowledge bietet RAG-Fähigkeiten; Evolution überprüft abgeschlossene Sitzungen und wandelt wiederverwendbare Abläufe in verwaltete Skills um. Eine Pakettabelle weist Verantwortlichkeiten zu: agent, runner, model, tool, session, memory, knowledge, planner, artifact, skill, evolution, event, evaluation, server und telemetry. Die Tabelle ist die eigene Zusammenfassung der README; die tatsächliche Code-Aufteilung des Repositorys wird über das examples-Verzeichnis und diese Paketnamen hinaus nicht beschrieben.

Eingebaute Agents und ihre Kombination

Die README sagt, dass die meisten Anwendungen das agent.Agent-Interface nicht selbst implementieren müssen. Mitgeliefert werden LLMAgent, das ein Chat-Completion-Modell umhüllt; ChainAgent, das Unter-Agents sequenziell ausführt; ParallelAgent, das Unter-Agents nebenläufig ausführt und Ausgaben zusammenführt; und CycleAgent, das bis zu einem Stoppsignal zwischen Planner und Ausführer schleift. Die README zeigt, wie diese wie Bausteine kombiniert werden, einschließlich einer Kette aus einem LLMAgent und einem Übersetzer-LLMAgent. Für Graph-Workflows wird GraphAgent als typsichere Graph-Workflows mit mehrfach bedingtem Routing beschrieben, funktional äquivalent zu LangGraph für Go. Ein Codebeispiel demonstriert mehrfach bedingtes Fan-out-Routing, bei dem ein Router mehrere Verzweigungsschlüssel zurückgibt und der Graph Ziele parallel ausführt.

Der Runner, Streaming und Abbruch

Der Runner ist der Ausführer, der Sitzungen und Speicherdienste verwaltet. Der Schnellstart der README zeigt einen Streaming-Lauf mit einem OpenAI-kompatiblen Modell und einem Taschenrechner-Funktionswerkzeug. Sie dokumentiert auch, wie man einen Lauf stoppt: den an Runner.Run übergebenen Kontext abbrechen und dann den Ereigniskanal weiter leeren, bis er schließt. Die README warnt davor, einfach aus der Ereignisschleife auszubrechen, weil die Agent-Goroutine weiterlaufen und bei Kanal-Schreibvorgängen blockieren kann. Drei Abbruchoptionen werden gezeigt: Ctrl+C als Kontextabbruch, Abbruch aus Anwendungscode und Abbruch per requestID für Server und Hintergrundläufe. Eine separate Fabrik, NewRunnerWithAgentFactory, baut bei jeder Anfrage einen frischen Agent, wenn sich Prompt, Modell, Tools oder Sandbox unterscheiden.

Agent-Skills und Selbstevolution

Skills sind Ordner mit einer SKILL.md-Spezifikation, optional mit Dokumenten und Skripten. Die README dokumentiert NewFSRepository, das Skills aus einem lokalen Ordner, aus mehreren Wurzeln oder aus einer HTTP(S)-URL laden kann, die auf ein .zip- oder .tar.gz-Archiv verweist; das Archiv wird heruntergeladen und lokal zwischengespeichert, wobei SKILLS_CACHE_DIR den Cache-Ort überschreibt. Langlaufende Prozesse sollten nach Installation, Löschung oder Umbenennung eines Skills repo.Refresh() aufrufen. Eingebaute Werkzeuge umfassen skill_load, skill_list_docs, skill_select_docs und skill_run sowie Sitzungswerkzeuge (skill_exec, skill_write_stdin, skill_poll_session, skill_kill_session), wenn der Ausführer interaktive Sitzungen unterstützt. Die README rät, skill_run nur für Befehle zu verwenden, die die ausgewählten Skill-Dokumente verlangen, und schlägt vor, den Antwort-Codeausführungsprozessor mit llmagent.WithEnableCodeExecutionResponseProcessor(false) zu deaktivieren, wenn ein LLMAgent WithCodeExecutor nur zur Unterstützung von skill_run nutzt. Der Evolutionsdienst überprüft abgeschlossene Sitzungen im Hintergrund, extrahiert wiederverwendbare SKILL.md-Workflows und unterstützt Revisionsspeicherung, Qualitätsgates, menschliche Genehmigung und Warmstart-Verhalten. Die Runner-Integration ist eine einzige Option: runner.WithEvolutionService.

Tools, Speicher und Protokollintegration

Die Werkzeugbeispiele in der README decken Funktionswerkzeuge, MCP-Werkzeuge über einen Wrapper um trpc-mcp-go, Websuche mit DuckDuckGo, Dateioperationswerkzeuge und Dateieingaben ab. Speicherdienste umfassen In-Memory- und Redis-Implementierungen mit CRUD, Suche und Werkzeugintegration, die auf Runner-Ebene verwaltet werden. Wissensbeispiele zeigen einen grundlegenden RAG-Fluss: Quellen laden, in einen Vektorstore einbetten und suchen. Artifacts speichern versionierte Dateien, die von Tools erzeugt wurden, mit In-Memory-, S3- und COS-Backends. Auf Protokollebene dokumentiert die README eine AG-UI-Demo, die einen Runner über das Agent-User-Interaction-Protokoll verfügbar macht, mit eingebautem SSE-Server und Client-Beispielen für CopilotKit und TDesign Chat, sowie ein A2A-Interop-Beispiel, das mit einem ADK-Python-A2A-Server spricht und Streaming, Tool-Aufrufe und Codeausführung über Laufzeiten hinweg demonstriert. Ein Gateway-Server-Beispiel namens openclaw wird als minimale OpenClaw-artige Implementierung beschrieben, mit stabilen Sitzungs-IDs, Serialisierung pro Sitzung und grundlegenden Sicherheitskontrollen: Allowlist plus Erwähnungs-Gating.

Evaluierung, Beobachtbarkeit und Lizenz

Das evaluation-Paket führt Agents gegen wiederholbare Evaluierungssets mit steckbaren Metriken aus und speichert Ergebnisse; die README zeigt einen New-Evaluator mit WithNumRuns und ein OverallStatus-Ergebnis. Telemetrie wird durch OpenTelemetry-Hooks über Modell-, Tool- und Runner-Ebenen bereitgestellt, mit einem Beispiel, das Traces an einen OTLP-Endpunkt exportiert, und einem Langfuse-Integrationsbeispiel. Die README behauptet außerdem automatisches Prompt-Caching mit 90% Ersparnis bei gecachten Inhalten; sie definiert nicht, wie dieser Prozentsatz gemessen wird. Das Repository steht unter Apache-2.0-Lizenz. Der Lizenzauszug gewährt eine unbefristete, weltweite, nicht exklusive, kostenlose, lizenzgebührenfreie, unwiderrufliche Urheberrechtslizenz sowie eine Patentlizenz, die endet, wenn der Lizenznehmer Patentklage einreicht, die behauptet, dass das Werk oder ein Beitrag verletzt wird. Der Auszug enthält auch den Anfang der Weiterverbreitungsbedingungen. Der bereitgestellte Auszug sagt nichts über Garantie, Support oder Sicherheitslage aus.

Redaktionelles Fazit

tRPC-Agent-Go ist ein Go-Framework unter Apache-2.0-Lizenz, dessen README einen Runner-basierten Ausführungsfluss, eingebaute Agents, Graph-Workflows, Speicher- und Wissensdienste, Skills und Selbstevolution, Protokollintegrationen und Evaluierungswerkzeuge dokumentiert. Die Repository-Metadaten zeigen zum Zeitpunkt des Schreibens 1.637 Sterne und 287 Forks bei 179 offenen Issues.

Offizielle Quellen

1. Official documentation
2. Official README
3. Project repository
4. Release notes