swarmgo

SwarmGo：Go 语言的多智能体协作框架

当你的 AI 助手开始「交接工作」

想象一下：你在一家餐厅点餐，对面站着一位服务员，但她并不亲自做菜。她只负责记录你的需求，然后把订单递给后厨的厨师，厨师做完后再把盘子递回给她，由她端到你面前。这条链条上的每一个人——服务员、厨师——就像一个独立的「智能体」，各自只专注于自己的任务，通过「交接」（handoff）把工作顺滑地传递给下一个环节。

SwarmGo 做的事情，就是把这套现实世界的协作逻辑，搬进了 AI 编程的世界。它是一个 Go 语言的多智能体（Multi-Agent）框架，核心只有两个抽象：**Agent（智能体）**和 Handoff（交接）。开发者可以定义一群各有专长的 AI 智能体，给它们分配不同的工具和指令，让它们在面对复杂任务时自动协作、交接。

这个项目的灵感来源于 OpenAI 的 Swarm 框架，但 SwarmGo 将其用 Go 语言重新实现，并加入了自己的创新——比如动态工作流编排（DynamicWorkflowCreator）和 LangGraph 风格的有向无环图（DAG）工作流系统。

背景：从「一个全能助手」到「一群专家」

传统的 AI 应用通常依赖一个"全能型"大模型来处理所有任务。但当任务变得复杂、专业化程度要求高时，这种方式会遇到瓶颈：单模型的知识深度和任务覆盖难以兼顾。

多智能体框架的思路是：不要试图让一个模型什么都懂，而是让一群各有专长的模型协同工作。 这就像软件工程中的微服务架构——每个服务只做一件事，但组合起来能完成复杂系统。

SwarmGo 的作者 prathyushnallamothu 发现了这个趋势，并将 OpenAI 的 Python 版 Swarm 移植到 Go。Go 语言在并发和网络服务方面的天然优势，让 SwarmGo 在处理并行 Agent 场景时比 Python 版本更有竞争力。

核心机制：Agent 与 Handoff

在 SwarmGo 中，一个 Agent 由以下要素组成：

• Instructions：给智能体的「角色设定」——它是谁，擅长什么，该怎么做
• Model：底层使用的语言模型（GPT-4、Claude、Gemini 等）
• Functions：智能体可以调用的工具（类似 Function Calling）
• Memory：记忆存储，分为短期记忆（FIFO 缓冲）和长期记忆（按类型分类）

Handoff（交接） 是 SwarmGo 的灵魂。当一个 Agent 觉得自己无法继续处理当前请求时，它可以主动把对话「交棒」给另一个 Agent。比如一个「分类 Agent」判断出用户要订外卖，它就把任务交接给「外卖 Agent」，外卖 Agent 继续处理后续流程。

这种机制避免了 if-else 式的硬编码路由逻辑，让多智能体的协作变得声明式、可组合。

多模型支持：不再绑定一家供应商

SwarmGo 提供了统一的 LLM 抽象接口，支持六家主流模型供应商：

供应商	驱动	特点
OpenAI	go-openai	GPT-4、GPT-3.5-turbo 等
Anthropic Claude	anthropic-sdk-go	Claude 3 Sonnet/Haiku 等
Google Gemini	google-generative-ai-go	Gemini Pro/Flash
Ollama	ollama	本地部署 Llama/Mistral 等
DeepSeek	—	深度求索系列
Azure OpenAI	Azure SDK	企业级部署

llm/ 目录下每个文件对应一个提供商，实现了统一的 LLM 接口。这种设计让开发者可以在不修改业务逻辑的前提下，随时切换底层模型——这对需要 A/B 测试不同模型效果、或受限于特定地区 API 可用性的团队非常实用。

工作流编排：从手工作坊到自动化流水线

SwarmGo 不只是简单的 Agent+Handoff，它还提供了三种预定义工作流模式：

1. Supervisor Workflow（主管模式）
一个主管 Agent 负责任务分配和协调，其他 Agent 执行具体子任务。主管始终保有全局视角，类似项目经理角色。

2. Hierarchical Workflow（层级模式）
多层级的 Agent 树状结构，顶层 Agent 分解任务后向下传递，层层执行，最后汇总结果。

3. Collaborative Workflow（协作模式）
多个 Agent 并行工作，各自处理任务的不同方面，最后汇总输出，类似「头脑风暴」。

此外，swarmgraph.go 模块引入了 LangGraph 风格的有向无环图（DAG）工作流，支持节点（Agent）、边（数据流向/条件判断）和状态机语义。这比简单的顺序 Handoff 更强大，能表达复杂的条件分支和并行依赖关系。

dynamicwf.go 则更进一步：给定一个用户任务描述，框架能自动生成工作流。内置的 TaskAnalyzer Agent 会分析任务类型、推荐 Agent 组合和连接关系，输出完整的 JSON 工作流定义。开发者不再需要手动设计工作流，AI 可以帮你「规划 AI 的工作」。

并发执行：Goroutine 天生的并发优势

concurrent.go 实现了 ConcurrentSwarm，利用 Go 的 goroutine + channel 实现多 Agent 并行执行。在处理多个独立子任务（如同时查询天气、搜索新闻、读取邮件）时，这种并发模型比 Python 的 asyncio 更加简洁高效。

流式响应：实时看到 AI 的思考过程

streaming.go 实现了 StreamHandler 接口，支持 LLM 的 token 级流式输出。OnToken() 回调让应用可以在每个 token 生成时就渲染到界面，比等待完整响应再一次性显示的体验流畅得多。

记忆系统：不只是对话历史

memory.go 的 MemoryStore 分为两层：

• 短期记忆：FIFO 环形缓冲区，存储最近 N 条对话记忆
• 长期记忆：按类型（conversation/fact/task）组织的持久化存储

智能体可以在当前会话中「记住」之前的信息，也可以在后续会话中「回忆」之前积累的知识。配合 go-sqlite3，记忆可以持久化到本地数据库。

上手难度评估

SwarmGo 是一个面向有 Go 基础的开发者的 SDK，安装只需一行：

go get github.com/prathyushnallamothu/swarmgo

相比 Python 版的 OpenAI Swarm，SwarmGo 的 API 设计略有不同（比如 client.Run() 的参数列表较长），但核心概念一致。有 Go 经验的开发者可以在几小时内掌握基本用法。

需要注意的是：没有 Web UI，所有交互都通过 Go 代码调用。如果需要图形界面，需要自行用 net/http 或 Gin 等框架包装 Agent 服务。

局限与争议

1. 没有内置持久化状态：SwarmGo 运行在客户端，Swarm 结构本身是无状态的，每次 Run() 调用之间不保留上下文。这既是轻量化的优势，也是复杂 Stateful 应用的障碍。

2. Goroutine 并发的调试复杂性：虽然 Go 并发很强大，但多 Agent 并发执行时的竞态条件、死锁问题会比单线程 Python 更难排查。

3. 工作流图的状态管理：swarmgraph.go 的 DAG 实现较为简单，缺少 LangGraph 原生的 checkpoint/save-state 机制，在需要中断-恢复的长任务中能力有限。

4. 生态尚在早期：相比 Python 生态中 LangChain、AutoGen 等成熟框架，SwarmGo 的社区规模和周边工具（监控、可视化、测试框架）还很薄弱。

行业意义

SwarmGo 代表了一个趋势：从"一个模型做所有事"到"多模型协作"。随着 Claude、Gemini、DeepSeek 等模型能力的提升，不同模型在不同任务上的性价比差异越来越大，多智能体框架让开发者可以根据任务特征动态选择最优模型组合，而不必被单一供应商绑定。

Go 语言的引入也是一个值得关注的方向——在需要高并发、高性能的生产环境中（如实时客服系统、数据处理管道），Go 版 SwarmGo 可能比 Python 版本更具部署优势。