04 · 技术路线
性质:路线记录。新系列第四篇,改写自旧《02-技术路线讨论》:保留「要不要整合 T-Mem」「LangGraph.js 还是 Eino」这两个真问题的取舍,以及那张 LangGraph→Eino 映射表(至今仍是移植手册),把来回反转压成一篇决策记, 结论按 2026-09-26 定案落定。 关联:立项与命名见《03》,Eino 依据的完整调研见《08》,Octop 剖析与复刻方针见《05》。
1. 当时摆在桌上的两个问题
项目从"照着 Octop 复刻一个 AI 工作伙伴"起步时,有两个必须先答的问题:
- Octop 的记忆能力,要不要连同腾讯的 T-Mem 算法一起整合?
- 复刻的技术栈选 LangGraph.js(贴近 Octop 的 Python LangGraph 血统)还是 Eino(Go)?
两个问题的答案都不是"第一直觉",两个都反转过。
2. 问题一:是否整合 T-Mem?
结论:值得,但不要第一天就整合——把它藏在 Memory 接口后面,分两期走。
2.1 T-Mem 是什么
- 定位:对话式 Agent 的长时记忆架构(arXiv:2606.15405,腾讯 + 港科广),LoCoMo / LoCoMo-Plus 双基准 SOTA
- 核心思想:"记忆应当预判,而非归档"——写入时由 LLM 为每条记忆预演两类触发器:
- 描述性触发器(措辞/实体相似就能召回)
- 联想性触发器(与记忆无表面特征重叠、靠潜在语义弧关联的查询也能召回)
- 结构:Scene → Topic → Item 三层图 + 级联检索(RRF 融合 BM25 + 稠密向量 + 硬余弦门控)
- 参考实现:Python(
github.com/Sherlockwz/T-Mem),构建期 LLM 调用密集
2.2 两期方案
| 阶段 | 方案 | 理由 |
|---|---|---|
| 一期 | pgvector + 简单情景记忆表(session 摘要 + 事实抽取) | 先跑通 Agent 主循环,记忆接口先行;接口不钉死,二期才换得动 |
| 二期 | 实现 T-Mem 算法 | 触发器预演 + 三层级联检索是算法层面的东西,不绑定 Python,可以用 Go 重写;也可先跑 Python 参考实现做 sidecar 验证效果 |
注意点:
- T-Mem 写入成本高(每段对话多次 LLM 调用:边界判定、主题分配、触发器实例化),需要异步写入管线
- WeKnora 已有"跨会话长时记忆"实现,可对照参考。
- Octop 自带的记忆系统较简单,T-Mem 是差异化竞争力的候选。
现状(2026-09-26):记忆还没开工(排在能力路线靠后位置),上表仍是待执行的计划,不是实现记录。
3. 问题二:LangGraph.js 还是 Eino?
3.1 对比
| 维度 | LangGraph.js (Node/TS) | Eino (Go) |
|---|---|---|
| 移植工作量 | ⭐ API 与 Python LangGraph 几乎一一对应,接近"逐行翻译" | 概念一一对应(Graph/Node/Edge/State/Checkpoint),但 API 需重写 |
| 与 Octop 现有后端 | 引入第三种运行时(Go + Python + Node),或被迫砍掉 Go 部分 | ⭐ 收敛为纯 Go 单语言,gRPC 边界最终可整个删掉 |
| DeepAgents 对应物 | deepagents 有 JS 版,生态跟随紧密 | Eino ADK(多智能体/supervisor),较新但在快速迭代 |
| 桌面 Agent 形态 | Node 守护进程部署重 | ⭐ Go 单二进制,天然适合本地数字员工 |
| MCP / 流式 | LangChain 生态成熟 | Eino 官方支持 MCP,流式基于 callback 机制完善 |
| 技术资产一致性 | 新增 TS 栈 | ⭐ 与 WeKnora(Go)一脉相承,架构经验直接复用 |
3.2 结论:选 Eino
决定性理由不是"Eino 比 LangGraph.js 强",而是系统拓扑:
- Octop 自己是"Python 应用 + Python Agent 芯";用 LangGraph.js 复刻只是换一种双语双进程, 复杂度没降下来;用 Eino 则收敛为纯 Go 单语言,少一种运行时。
- 目标是本地数字员工形态,Go 单二进制部署是硬优势。
- 参考系(WeKnora)全是 Go,遇到问题有两个大型 Go 项目(WeKnora + Eino 自身)可抄。
代价:复刻不是"翻译"而是"重写",需要先建立 LangGraph → Eino 的概念映射表。
3.3 LangGraph → Eino 概念映射(移植手册)
| LangGraph (Python) | Eino (Go) |
|---|---|
StateGraph |
compose.Graph / compose.NewChain |
add_node / add_edge |
AddNode / AddEdge |
条件边 add_conditional_edges |
AddBranch(GraphBranch) |
| State(TypedDict + reducer) | 泛型 State + WithStatePostHandler / GenLocalState |
Checkpointer(PostgresSaver) |
Checkpoint 接口(compose.CheckPointStore),需自实现存储 |
interrupt / 人机协同 |
Eino Interrupt & Resume(compose.StatefulInterrupt + Runner.ResumeWithParams) |
| ReAct Agent(prebuilt) | react.Agent / ADK ChatModelAgent |
| 多智能体 supervisor | Eino ADK 的多 Agent 组合(flowAgent 等) |
| 工具节点 ToolNode | compose.ToolsNode + MCP 工具适配 |
流式 astream_events |
Callbacks + StreamReader |
这张表在后续每层都用得上:读 Octop/harness 的 Python 实现时,先用它把"这个概念在 Eino 里叫什么"定位出来, 再决定是"照抄语义"还是"用 Eino 的正式做法重做"(后者更多,见《05》§翻译原则)。
4. 反转记(2026-09-23 → 2026-09-24)
路线来回走了两圈,两次反转都有具体原因,记下来避免重复踩:
4.1 第一圈:定全栈 TypeScript(2026-09-23)
理由不是技术对比,而是人的连续性:owner 之前用 TS 和 Go 各复刻过一遍 pi agent(双语言对照实验), 实测体感 TS 更适合;生长式路线下"学习连续性"权重最高;且 harness-agent 的中间件矩阵在 JS 版 deepagents 上有官方对应物,翻译最直接。最终技术栈定为 LangGraph.js + deepagents(JS) + Node 后端。
4.2 实地验证推翻前提(同日晚)
clone 了 ref-agent/Octop 实际代码(v0.9.33)后发现:不存在"可保留的 Go 后端"—— Octop 主进程是 Python 3.12+ 单进程(FastAPI + uvicorn,src 约 13.1 万行),Go 只存在于 desktop/ 桌面外壳(约 2.6k 行); Agent 核心在外部 pip 包 orcakit-harness-agent 里。两条路线都意味着全量重写,谁也没有存量优势。
4.3 第二圈:回到 Eino(2026-09-24)——终版
爬完 L2(任务规划)后做了一轮 Eino 专题调研,暴露的核心问题是规划与执行的时序保证: 在 LangGraph 系里,这类约束只有 middleware 一层可做文章(afterModel 之类),用软钩子模拟硬约束; Eino 却把分界写死——Graph 管确定性、Agent 管自主性,不要用静态编排去假装动态决策, 要硬保证时直接编图(Workflow Agents / Plan-Execute 节点图)。
换句话说,"对确定性有正式的一等公民答案"这件事,Eino 有,LangGraph 系没有。这正是后续层级 (子代理、断点恢复、多入口)会反复碰到的问题。调研全文见《08》。
决策:
- 只保留
yk-tako-eino/作为唯一主线,后续能力全部在 Go/Eino 里生长; - 复刻方针:功能翻译,按 Eino 的思想写(细则见《05》§翻译原则);
- TypeScript 实现全部删除;
maf/(.NET 对照)冻结为存档,不再推进。
5. 落点与现状(2026-09-26)
| 事项 | 现状 |
|---|---|
| 技术栈 | Go 1.25 + Eino v0.9.21(yk-tako-eino/go.mod) |
| 唯一入口 | cmd/yktako(已收敛,见《02》Task 6/7);旧 L0–L2 五个入口与 internal/planexec 已删除 |
| 记忆两期方案 | 未开工,先留着接口位置(能力路线见《05》§4) |
| 参考资产 | Octop ref-agent/Octop、WeKnora ref-agent/WeKnora、harness-* harness-pkg/ |