🌍 Language: 中文 | English
🎯 生产就绪的 Go AI 开发框架
LangChain-Go 是 LangChain 和 LangGraph 的完整 Go 语言实现，针对 Go 生态优化，提供高性能、类型安全的 AI 应用开发体验。
- 🧠 三层认知记忆 - 语义/情节/程序三层记忆系统，自动提取与跨层 Recall 🔥 v0.7.0 NEW!
- 🔄 统一 Agent API -
CreateUnifiedAgent一键切换 5 种 Agent 策略 🔥 v0.7.0 NEW! - ⚡ 节点级缓存 - LangGraph 节点缓存，避免重复 LLM 调用 🔥 v0.7.0 NEW!
- 🛡️ 生产容错 - Circuit Breaker + Bulkhead，防止 Agent 级联失败 🔥 v0.7.0 NEW!
- 🤖 7种Agent类型 - ReAct、ToolCalling、Conversational、PlanExecute、OpenAI Functions、SelfAsk、StructuredChat
- 🔗 MCP协议 - 与 Claude Desktop 互操作，Go 生态首个实现 🔥 v0.6.1
- 🤝 A2A协议 - 跨语言、跨系统 Agent 标准化协作 🔥 v0.6.1
- 🌐 协议桥接 - MCP ↔ A2A 无缝互操作 🔥 v0.6.1
- 🤝 Multi-Agent协作 - 完整的多Agent协作系统，支持顺序、并行、层次化执行策略
- 🛠️ 38个内置工具 - 计算、搜索、文件、数据、HTTP、多模态（图像、音频、视频）
- 🚀 3行代码RAG - 简化的RAG Chain API，从150行代码降至3行
- 🧠 学习型检索 - 自动收集反馈、质量评估、参数优化、A/B测试
- 📊 GraphRAG - 知识图谱增强检索，支持 Neo4j, NebulaGraph
- 🗄️ 5个向量存储 - Milvus, Chroma, Qdrant, Weaviate, Redis，支持混合搜索
- 📚 8个文档加载器 - 支持 GitHub, Confluence, PostgreSQL 等多种数据源
- 🌐 6个LLM提供商 - OpenAI, Anthropic, Gemini, Bedrock, Azure, Ollama
- ⚡ 分布式部署 - 集群管理、负载均衡、分布式缓存、故障转移
- 🏢 企业级安全 - RBAC、多租户、审计日志、数据安全 v0.6.0
- 💾 生产级特性 - Redis缓存、自动重试、状态持久化、可观测性、Prometheus指标
- 📦 完整文档 - 70+文档页面，中英文双语，含27个示例程序
go get github.com/zhucl121/langchain-goLangChain-Go 支持主流 LLM 提供商，开箱即用：
- ✅ OpenAI - GPT-3.5, GPT-4, GPT-4 Turbo, GPT-4o
- ✅ Anthropic - Claude 3 (Opus, Sonnet, Haiku)
- ✅ Google Gemini - Gemini Pro, Gemini 1.5 Pro/Flash（100万+ tokens上下文）⭐ NEW!
- ✅ AWS Bedrock - Claude, Titan, Llama, Cohere（企业级托管）⭐ NEW!
- ✅ Azure OpenAI - 企业级 GPT 模型（私有部署）⭐ NEW!
- ✅ Ollama - 本地运行开源模型（Llama 2, Mistral, CodeLlama 等）
// OpenAI
import "github.com/zhucl121/langchain-go/core/chat/providers/openai"
model := openai.New(openai.Config{APIKey: "...", Model: "gpt-4"})
// Google Gemini
import "github.com/zhucl121/langchain-go/core/chat/providers/gemini"
model, _ := gemini.New(gemini.Config{APIKey: "...", Model: "gemini-pro"})
// AWS Bedrock
import "github.com/zhucl121/langchain-go/core/chat/providers/bedrock"
model, _ := bedrock.New(bedrock.Config{
Region: "us-east-1", AccessKey: "...", SecretKey: "...",
Model: "anthropic.claude-v2",
})
// Azure OpenAI
import "github.com/zhucl121/langchain-go/core/chat/providers/azure"
model, _ := azure.New(azure.Config{
Endpoint: "https://your-resource.openai.azure.com",
APIKey: "...", Deployment: "gpt-35-turbo",
})
// Ollama (本地模型)
import "github.com/zhucl121/langchain-go/core/chat/providers/ollama"
model := ollama.New(ollama.Config{Model: "llama2", BaseURL: "http://localhost:11434"})package main
import (
"context"
"github.com/zhucl121/langchain-go/retrieval/chains"
"github.com/zhucl121/langchain-go/retrieval/retrievers"
)
func main() {
retriever := retrievers.NewVectorStoreRetriever(vectorStore)
ragChain := chains.NewRAGChain(retriever, llm)
result, _ := ragChain.Run(context.Background(), "What is LangChain?")
println(result)
}package main
import (
"context"
"github.com/zhucl121/langchain-go/core/agents"
"github.com/zhucl121/langchain-go/core/tools"
)
func main() {
// 创建工具
calculator := tools.NewCalculatorTool()
search := tools.NewDuckDuckGoSearchTool(nil)
// 创建Agent（1行）
agent := agents.CreateReActAgent(llm, []tools.Tool{calculator, search})
// 执行任务
result, _ := agent.Run(context.Background(),
"搜索今天的天气，然后计算25的平方根")
println(result)
}package main
import (
"context"
"github.com/zhucl121/langchain-go/core/agents"
)
func main() {
// 创建协调策略
strategy := agents.NewSequentialStrategy(llm)
coordinator := agents.NewCoordinatorAgent("coordinator", llm, strategy)
system := agents.NewMultiAgentSystem(coordinator, nil)
// 添加专用Agent
researcher := agents.NewResearcherAgent("researcher", llm, searchTool)
writer := agents.NewWriterAgent("writer", llm, nil)
system.AddAgent("researcher", researcher)
system.AddAgent("writer", writer)
// 执行复杂任务
result, _ := system.Run(context.Background(),
"研究Go语言的最新特性，然后写一篇技术文章")
println(result)
}package main
import (
"context"
"github.com/zhucl121/langchain-go/retrieval/vectorstores"
"github.com/zhucl121/langchain-go/retrieval/loaders"
)
func main() {
// Chroma 向量存储
chromaConfig := vectorstores.ChromaConfig{
URL: "http://localhost:8000",
CollectionName: "docs",
}
chromaStore := vectorstores.NewChromaVectorStore(chromaConfig, embedder)
// Qdrant 向量存储（高性能）
qdrantConfig := vectorstores.QdrantConfig{
URL: "http://localhost:6333",
CollectionName: "docs",
VectorSize: 384,
}
qdrantStore := vectorstores.NewQdrantVectorStore(qdrantConfig, embedder)
// GitHub 文档加载器
githubConfig := loaders.GitHubLoaderConfig{
Owner: "langchain-ai",
Repo: "langchain",
Branch: "main",
FileExtensions: []string{".md"},
}
githubLoader, _ := loaders.NewGitHubLoader(githubConfig)
docs, _ := githubLoader.LoadDirectory(context.Background(), "docs")
// Confluence 文档加载器
confluenceConfig := loaders.ConfluenceLoaderConfig{
URL: "https://your-domain.atlassian.net/wiki",
Username: "user@example.com",
APIToken: "your-api-token",
}
confluenceLoader, _ := loaders.NewConfluenceLoader(confluenceConfig)
docs, _ = confluenceLoader.LoadSpace(context.Background(), "SPACE_KEY")
// PostgreSQL 数据库加载器
pgConfig := loaders.PostgreSQLLoaderConfig{
Host: "localhost",
Port: 5432,
Database: "mydb",
User: "postgres",
Password: "password",
}
pgLoader, _ := loaders.NewPostgreSQLLoader(pgConfig)
defer pgLoader.Close()
docs, _ = pgLoader.LoadTable(context.Background(), "documents", "content", "title")
}package main
import (
"context"
"github.com/zhucl121/langchain-go/retrieval/learning/feedback"
"github.com/zhucl121/langchain-go/retrieval/learning/evaluation"
"github.com/zhucl121/langchain-go/retrieval/learning/optimization"
)
func main() {
// 1. 收集用户反馈
storage := feedback.NewMemoryStorage()
collector := feedback.NewCollector(storage)
collector.RecordQuery(ctx, query)
collector.CollectExplicitFeedback(ctx, &feedback.ExplicitFeedback{
Type: feedback.FeedbackTypeRating,
Rating: 5,
})
// 2. 评估检索质量
evaluator := evaluation.NewEvaluator(collector)
metrics, _ := evaluator.EvaluateQuery(ctx, queryFeedback)
fmt.Printf("NDCG: %.3f, MRR: %.3f\n", metrics.NDCG, metrics.MRR)
// 3. 自动优化参数
optimizer := optimization.NewOptimizer(evaluator, collector, config)
result, _ := optimizer.Optimize(ctx, strategyID, paramSpace, opts)
fmt.Printf("性能提升: %.2f%%\n", result.Improvement)
// 4. A/B 测试验证
abtestManager := abtest.NewManager(storage)
analysis, _ := abtestManager.AnalyzeExperiment(ctx, experimentID)
fmt.Printf("获胜者: %s, p-value: %.3f\n",
analysis.Winner, analysis.PValue)
}package main
import (
"context"
cogmem "github.com/zhucl121/langchain-go/core/memory/cognitive"
)
func main() {
ctx := context.Background()
// 创建三层认知记忆管理器
manager := cogmem.NewMemoryManager(cogmem.ManagerConfig{
UserID: "user-alice",
SemanticStorage: cogmem.NewInMemorySemanticStorage(),
EpisodicStorage: cogmem.NewInMemoryEpisodicStorage(),
ProceduralStorage: cogmem.NewInMemoryProceduralStorage(),
})
// 存储语义记忆（事实知识）
manager.StoreSemanticMemory(ctx, &cogmem.SemanticMemory{
Content: "用户 Alice 是 Go 开发者，有 5 年经验",
Category: "user-profile",
Confidence: 1.0,
})
// 自动从对话中提取记忆
manager.AutoConsolidate(ctx, messages)
// 跨三层并行检索，生成 RAG 增强上下文
recalled, _ := manager.Recall(ctx, "Alice 的编程偏好", cogmem.DefaultRecallOptions())
fmt.Println(recalled.AugmentedContext) // 直接注入 System Prompt
}package main
import (
"context"
"github.com/zhucl121/langchain-go/core/agents"
)
func main() {
ctx := context.Background()
// 统一 API 入口，修改 Preset 即可切换策略
ca, _ := agents.CreateUnifiedAgent(agents.UnifiedAgentConfig{
Preset: agents.PresetToolCalling, // 改为 PresetReAct / PresetPlanExecute 即可切换
Model: llm,
Tools: myTools,
SystemPrompt: "你是一个专业助手",
MaxSteps: 15,
// 带记忆的多轮对话
Memory: agents.NewInMemoryConversationMemory(),
// 生产容错（Circuit Breaker + Bulkhead）
Resilience: &agents.ResilienceConfig{
CircuitBreaker: agents.DefaultCircuitBreakerConfig("llm-api"),
},
})
// 多轮对话（自动管理上下文历史）
result, _ := ca.RunWithMemory(ctx, "帮我分析这段代码")
fmt.Println(result.Output)
}package main
import (
"context"
"github.com/zhucl121/langchain-go/pkg/protocols/mcp"
"github.com/zhucl121/langchain-go/pkg/protocols/mcp/providers"
"github.com/zhucl121/langchain-go/pkg/protocols/mcp/transport"
)
func main() {
// 创建 MCP Server
server := mcp.NewServer(mcp.ServerConfig{
Name: "my-server",
Version: "1.0.0",
})
// 注册资源
fsProvider := providers.NewFileSystemProvider("/data/documents")
server.RegisterResource(&mcp.Resource{
URI: "file:///documents",
Name: "Company Documents",
}, fsProvider)
// 注册工具
server.RegisterTool(calculatorTool, calculatorHandler)
// 启动（Claude Desktop 可连接）
server.Serve(context.Background(), transport.NewStdioTransport())
}package main
import (
"context"
"github.com/zhucl121/langchain-go/pkg/protocols/a2a"
)
func main() {
// 桥接现有 Agent
a2aAgent := a2a.NewA2AAgentBridge(myAgent, &a2a.BridgeConfig{
Info: &a2a.AgentInfo{
ID: "agent-1",
Name: "Research Agent",
},
Capabilities: &a2a.AgentCapabilities{
Capabilities: []string{"research", "search"},
},
})
// 注册到注册中心
registry := a2a.NewLocalRegistry()
registry.Register(context.Background(), a2aAgent)
// 智能路由和协作
router := a2a.NewSmartTaskRouter(registry, a2a.RouterConfig{
Strategy: a2a.StrategyHybrid,
})
agent, _ := router.Route(context.Background(), task)
response, _ := agent.SendTask(context.Background(), task)
}| 特性 | 传统实现 | LangChain-Go |
|---|---|---|
| RAG应用代码量 | 150+ 行 | 3 行 ⚡ |
| Agent创建 | 50+ 行 | 1 行 ⚡ |
| 缓存命中响应 | 3-5秒 | 30-50ns ⚡ |
| 工具并行执行 | 不支持 | 3x提速 ⚡ |
| 成本节省 | - | 50-90% 💰 |
- 7种Agent类型，覆盖各种使用场景
- 高层工厂函数，一行代码创建Agent
- 流式输出，实时展示Agent思考过程
- 状态持久化，支持长时间运行任务
- 自动重试，生产级错误处理
- 消息总线，Agent间高效通信
- 3种协调策略：顺序、并行、层次化
- 6个专用Agent：协调器、研究员、作者、审核、分析师、规划师
- 共享状态，协作信息透明
- 执行追踪，完整的历史记录
- 38个内置工具，开箱即用
- 工具注册中心，动态管理工具
- 并行执行，提升性能3倍
- 自定义工具，简单扩展
- 多模态支持，处理图像、音频、视频
- 3行代码实现完整RAG
- 学习型检索，自动优化检索质量 🔥 v0.4.2 NEW!
- GraphRAG，知识图谱增强检索
- 多种Retriever，灵活选择
- 5个主流向量存储：Milvus, Chroma, Qdrant, Weaviate, Redis
- 8个文档加载器：PDF, Word, Excel, HTML, Text, GitHub, Confluence, PostgreSQL
- 文本分割器，智能分块
- 混合搜索，向量 + BM25
- Redis缓存，节省50-90%成本
- 自动重试，指数退避策略
- 可观测性，OpenTelemetry集成
- Prometheus指标，完整监控
- 结构化日志，便于调试
- 📘 快速开始 | Quick Start (EN) - 5分钟快速上手
- 📗 完整文档 - 详细使用指南
- 🧠 认知记忆 & 统一Agent 指南 - 认知增强功能 🔥 v0.7.0
- 🔗 MCP & A2A 指南 - 标准化协议 v0.6.1
- 📕 Agent 指南 - Agent 系统文档
- 📙 Multi-Agent 系统 - 多Agent协作
- 📚 RAG 指南 - RAG 系统文档
- 🧠 Learning Retrieval 指南 - 学习型检索
- 🏢 企业安全指南 - RBAC 和多租户 v0.6.0
- 💡 示例代码 - 27个完整示例
查看 examples/ 目录：
v0.7.0 新增示例 🔥:
cognitive_memory_demo/- 三层认知记忆完整演示（语义/情节/程序）create_agent_v2_demo/- 统一 Agent 创建接口演示（5种预设对比）
Agent & Multi-Agent:
agent_simple_demo.go- 简单Agent示例multi_agent_demo.go- Multi-Agent协作plan_execute_agent_demo.go- 计划执行Agent
Learning Retrieval (v0.4.2) 🔥:
learning_complete_demo/- 完整学习型检索工作流learning_feedback_demo/- 用户反馈收集learning_evaluation_demo/- 检索质量评估learning_optimization_demo/- 参数自动优化learning_abtest_demo/- A/B 测试框架learning_postgres_demo/- PostgreSQL 存储
多模态 & 工具:
multimodal_demo.go- 多模态处理redis_cache_demo.go- Redis缓存使用- 更多...
langchain-go/
├── core/ # 核心功能
│ ├── agents/ # Agent实现
│ ├── tools/ # 内置工具
│ ├── prompts/ # Prompt模板
│ ├── memory/ # 记忆系统
│ ├── cache/ # 缓存层
│ └── ...
├── graph/ # LangGraph实现
│ ├── node/ # 图节点
│ ├── edge/ # 图边
│ ├── checkpoint/ # 检查点
│ └── ...
├── retrieval/ # RAG相关
│ ├── chains/ # RAG Chain
│ ├── retrievers/ # Retriever
│ ├── loaders/ # 文档加载
│ └── ...
├── pkg/ # 公共包
│ ├── types/ # 类型定义
│ └── observability/# 可观测性
└── examples/ # 示例代码
| 特性 | Python LangChain | LangChain-Go |
|---|---|---|
| 性能 | 慢 | 快 (编译型) ⚡ |
| 类型安全 | 运行时 | 编译时 ✅ |
| 并发 | GIL限制 | 原生支持 🚀 |
| 部署 | 依赖复杂 | 单二进制 📦 |
| 内存占用 | 高 | 低 💾 |
| 生态系统 | 丰富 | 精选 |
- ✅ 高性能：编译型语言，无GIL限制
- ✅ 类型安全：编译时错误检查
- ✅ 并发友好：原生goroutine支持
- ✅ 部署简单：单一二进制文件
- ✅ 内存高效：更低的资源占用
- ✅ 生产就绪：内置可观测性和监控
- 代码量：52,000+ 行（v0.7.0 新增 10,000+ 行）🔥
- 测试覆盖：85%+
- 测试用例：830+（v0.7.0 新增 200+）🔥
- 协议支持：2个（MCP, A2A）v0.6.1
- LLM 提供商：6个（OpenAI, Anthropic, Gemini, Bedrock, Azure, Ollama）
- 向量存储：5个（Milvus, Chroma, Qdrant, Weaviate, Redis）
- 文档加载器：8个（PDF, Word, Excel, HTML, Text, GitHub, Confluence, PostgreSQL）
- 内置工具：38个
- Agent类型：7种 + 6个专用Agent + 统一创建 API 🔥 v0.7.0
- 记忆系统：3层认知记忆（语义/情节/程序）🔥 v0.7.0 NEW!
- 图能力：节点缓存、延迟节点、可恢复流、跨会话存储 🔥 v0.7.0 NEW!
- Learning 模块：4个（反馈、评估、优化、A/B测试）
- 企业特性：5个（RBAC、多租户、审计、安全、鉴权）v0.6.0
- 文档页面：70+
- 示例程序：27个（v0.7.0 新增 2 个）🔥
# 启动测试环境 (Redis + Milvus)
make -f Makefile.test test-env-up
# 运行所有测试
make -f Makefile.test test
# 停止测试环境
make -f Makefile.test test-env-down详见 测试指南 | Testing Guide (EN)
欢迎贡献！请查看 贡献指南 (中文) | Contributing Guide (EN) 了解详情。
MIT License - 详见 LICENSE
- GitHub: https://github.com/zhucl121/langchain-go
- Issues: Report bugs
- Discussions: Ask questions
如果这个项目对你有帮助，请给个 Star ⭐
Made with ❤️ in Go