tako 文档 GitHub

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:

  1. Octop 的记忆能力,要不要连同腾讯的 T-Mem 算法一起整合?
  2. 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

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:

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:

  1. 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。
  2. 目标是本地数字员工形态,Go 单二进制部署是硬优势。
  3. 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:

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/