9.8's notebook

服务端 AI Agent 框架深度调研（2025-2026）

10分钟阅读

服务端 AI Agent 框架深度调研（2025-2026）

TL;DR

AI Agent 框架已从 “LLM wrapper” 演进到协议驱动、生产级阶段。两大协议正在统一生态：MCP（Agent ↔ 工具）和 A2A（Agent ↔ Agent）。Go 和 TypeScript 都已形成成熟框架体系，不再是 Python 的”二等公民”。

一、全景概览

协议主导方解决的问题
MCP (Model Context Protocol)AnthropicAgent ↔ 工具 的标准化连接
A2A (Agent-to-Agent)Google / Linux FoundationAgent ↔ Agent 的跨框架协作

二、Go 生态

核心框架

框架Stars成熟度定位
Eino (CloudWeGo/字节)~9.9k高”Go 版 LangGraph”，图编排、类型安全、ReAct/Supervisor/Plan-Execute
LangChainGo~8.8k高社区标准，广泛 provider 支持，RAG 管道，链式调用
Google ADK~7.1k高代码优先，强调 eval + 部署流水线，企业级
tRPC-Agent-Go新兴—去中心化协作，高并发微服务，原生 A2A/MCP
Jetify AI SDK~220—轻量级，Go 原生风格，Devbox 团队出品

深入点评

Eino（首选推荐）

核心优势

编译时类型安全，杜绝 Python LangGraph 常见的运行时惊喜。

字节跳动内部大规模验证，用于 AI 助手和内容审核 agent。有向图模型——节点处理状态、边定义转换，支持循环（ReAct loop）。

// Eino 的图编排示例
graph := compose.NewGraph[string, string]()
graph.AddNode("agent", agentNode)
graph.AddNode("tools", toolNode)
graph.AddEdge(compose.StartLambda, "agent")
graph.AddBranch("agent", conditionBranch)

Google ADK

把 agent 当软件工程组件对待：有 eval、有测试、有部署管道。原生 MCP 支持，llmagent + workflowagents/loopagent 实现 ReAct。适合 GCP 生态和企业级场景。

社区评价

“无聊但可靠”

LangChainGo

集成最广泛（OpenAI, Anthropic, Ollama, 各种 Vector DB）。作为 Python 框架的 port，部分抽象不够 Go idiomatic，是其主要缺点。

核心优势 vs 短板

优势

  1. 单二进制部署 — 15MB Docker 镜像跑完整 multi-agent 系统
  2. 并发模型 — goroutine 天然适合并行 tool calling、多 agent 仿真、并发 RAG 检索
  3. 内存效率 — MCP server 空闲 10-15MB RAM（Node.js 50MB+）
  4. 生产稳定性 — 无 GIL，无 event loop 阻塞，数据库连接池表现优异

短板

  1. 生态广度不如 Python（缺少专用 PDF parser、冷门 vector DB driver 等）
  2. 缺少 CrewAI/AutoGen 那种高级 “agent 人格” 抽象
  3. 部分框架（如 Eino）的英文文档仍在补齐中
  4. 时间旅行调试、状态分叉等高级特性还在追赶 Python

生产案例

  • 字节跳动 — 使用 Eino 构建内部 AI 助手和内容审核 agent
  • Mendral — 自定义 Go agent 架构，自主调查和修复 CI/CD 故障
  • GoClaw — 单 Go 二进制部署的多 agent AI 网关，通过 WebSocket 编排 agent 团队

三、TypeScript 生态

核心框架

框架Stars成熟度定位
Vercel AI SDK22.3k最高行业标准，流式优先、极简抽象、UI 集成无缝
Mastra21.7k高现代 TS-native，Workflow + RAG + Memory + MCP + Voice 全家桶
ElizaOS17.7k中等自治社交 agent、Swarm、crypto 集成
LangChain.js / LangGraph.js17.1k高生态最全，图编排、LangSmith 可观测性

深入点评

Vercel AI SDK（最安全的选择）

generateText / streamText + Zod schema 做 tool calling，API 极简。ToolLoopAgent 支持自治循环。针对 Edge Runtime 优化，流式延迟极低。

适合场景

Next.js 全栈应用、需要极致流式体验的产品

const result = await generateText({
  model: openai('gpt-4o'),
  tools: {
    weather: tool({
      description: 'Get weather',
      inputSchema: z.object({ location: z.string() }),
      execute: async ({ location }) => ({ temp: 72 })
    }),
  },
  stopWhen: stepCountIs(5),
});

Mastra（最具潜力的新星）

Gatsby 团队创建，2026 年增长最快。内置 MCP、本地 playground、自动化 eval、“观察性记忆”。Workflow-as-a-Tool 模式：工作流可以直接作为 agent 的工具。Mastra Voice 提供统一 STT/TTS API。

适合场景

复杂后端 agent、需要可观测性和工作流编排的场景

export const researchAgent = new Agent({
  id: 'research-agent',
  model: 'openai/gpt-4o',
  memory: new Memory({ storage: new LibSQLStore({ url: 'file:mastra.db' }) }),
  tools: { searchTool },
  workflows: { dataPipeline }
});

LangChain.js / LangGraph.js

最成熟的图编排（cyclic graph + 状态转换）。LangSmith 提供 prompt/trace 可视化。抽象层较重，DX 被 Mastra 压制。

适合场景

需要最大集成广度、或从 Python LangChain 迁移的团队

新兴值得关注

值得跟踪的框架

  • OpenAI Agents SDK — 原生 Handoff 模式，GPT-4o 最快上手路径
  • KaibanJS — 看板式 multi-agent 管理，可视化 UI 管理 agent 任务
  • AgentKit (Coinbase) — 链上 agent，给 agent 赋予钱包能力
  • VoltAgent — n8n 风格可视化 tracing 和实时可观测性

核心优势 vs 短板

优势

  1. Zod 类型安全 — tool schema 编译时+运行时双重校验，大幅减少 hallucination
  2. Edge/Serverless 原生 — Vercel/Cloudflare 部署，低延迟流式响应
  3. 全栈统一 — 前后端共享类型，agent→UI 开发速度快 30-40%
  4. MCP 生态最成熟 — TS 是 MCP 客户端实现的主力语言
  5. 迭代速度快 — 热重载、REPL、丰富的调试工具

短板

  1. Node.js 内存开销较大（50MB+ 起步 vs Go 的 10-15MB）
  2. 长时间运行的 agent 进程稳定性不如 Go
  3. async/await 在极高并发场景下不如 goroutine 高效
  4. Serverless 冷启动可能成为瓶颈

生产案例

  • v0.dev — Vercel 的 UI 生成 agent（基于 Vercel AI SDK）
  • Glif.app — AI Glifs 平台（自治创意 agent）
  • Gumloop — AI 自动化框架，使用 TS 编排层

四、Go vs TypeScript 关键对比

维度GoTypeScript
并发模型goroutine（百万级轻量协程）async/await（Event Loop 单线程）
内存占用10-15MB 起步50MB+ 起步
部署形态单二进制极简容器Node.js Runtime 较大镜像
Edge/Serverless支持但生态较弱原生优势（Vercel/CF）
类型安全编译时（struct + JSON tags）编译时 + 运行时（Zod）
流式响应SSE/WebSocket 原生高效streamText/streamObject 行业标准
MCP 支持官方 SDK，适合写 MCP Server官方 SDK，适合写 MCP Client
框架成熟度高更高
迭代速度中等快
生产稳定性强中等
社区活跃度快速增长最活跃

五、行业新趋势（2026）

协议标准化

  • MCP 已成为 agent 连接工具的事实标准，Go 和 TS 均有官方 SDK
  • A2A 由 Linux Foundation 托管，LangGraph / CrewAI / OpenAgents 已支持原生 A2A

大厂入场

公司动态
GoogleADK 同时支持 Go 和 TS，代码优先，强调 eval 和部署
OpenAIAgents SDK（TS/Python），简化 multi-agent handoff
MicrosoftAgent Framework，2026-02 达到 RC 状态
Anthropic推动 MCP 标准化，推荐 Planning vs Execution 分离模式

架构趋势

2026 关键方向

  • Voice Agent — Mastra Voice 等框架将 STT/TTS 作为一等公民
  • Agentic Coding — Claude Code 等工具实现从 spec 到 PR 的全流程 agent 化
  • Polyglot Shift — TS 在新 AI agent 仓库创建量上已超越 Python（GitHub 2025 报告）

六、选型建议

选 Go 如果你…

Go 适用场景

  • 构建高吞吐 agent 基础设施（网关、MCP Server、agent 运行时）
  • 需要极致资源效率（VPS/K8s 成本敏感）
  • 构建 CLI 工具型 agent（单二进制分发）
  • 团队 Go 技术栈为主，追求长期维护稳定性

推荐框架：Eino（复杂编排）或 Google ADK（企业级）

选 TypeScript 如果你…

TypeScript 适用场景

  • 构建全栈 AI 应用（agent + Web UI 一体）
  • 需要极致流式体验和 Edge 部署
  • 需要最快的迭代速度和最丰富的框架选择
  • 构建复杂多 agent 工作流（需要成熟的图编排）

推荐框架：Vercel AI SDK（极简）或 Mastra（全功能）

混合架构（2026 年最流行的模式）

核心原则

“Go for Infrastructure, TypeScript for Orchestration”

graph LR
    A["Go: MCP Server<br/>(工具层)"] --> C["MCP/A2A 协议"]
    B["Go: AI Gateway<br/>(auth/rate-limit/路由)"] --> C
    C --> D["TypeScript: Agent 编排层<br/>(Mastra/Vercel AI SDK)"]
    D --> E["TypeScript: 前端"]

这是 2026 年实际生产中越来越常见的架构模式——用每个语言做它最擅长的事。

总结

TS 生态更成熟、框架选择更多、迭代更快，适合大多数 AI agent 应用。Go 在性能、资源效率、部署简洁性上有不可替代的优势，特别适合基础设施层。如果只选一个，TS 生态当前更全面；但最优解往往是混合架构。

关系图谱