AI 智能体开发框架概述

RuleGo AI (opens new window) 智能体开发框架是一套基于 RuleGo (opens new window) 构建的声明式智能体开发框架。它将 AI 智能体定义为可编排的规则链，融合了 LLM 推理能力与规则引擎的确定性编排能力，提供了工具系统、AOP 切面、会话管理和 MCP 集成等企业级特性。

# 为什么选择 RuleGo

大多数 AI 智能体框架需要编写代码来定义智能体。RuleGo 的核心差异：只需编写 JSON，修改后实时生效，无需编译部署。

以创建一个带工具的智能体为例：

Eino（Go 代码）——需要编写代码，编译后才能运行：

chatModel, _ := openai.NewChatModel(ctx, &openai.ChatModelConfig{
    Model: "gpt-4o", APIKey: os.Getenv("OPENAI_API_KEY"),
})
agent, _ := adk.NewChatModelAgent(ctx, &adk.ChatModelAgentConfig{
    Model: chatModel,
    ToolsConfig: adk.ToolsConfig{ToolsNodeConfig: compose.ToolsNodeConfig{
        Tools: []tool.BaseTool{weatherTool, bashTool},
    }},
})
runner := adk.NewRunner(ctx, adk.RunnerConfig{Agent: agent})
iter := runner.Query(ctx, "北京天气怎么样？")

1
2
3
4
5
6
7
8
9
10
11

每次修改配置（换模型、加工具、改提示词）→ 改代码 → 编译 → 重新部署。

RuleGo（JSON 配置）——无需写代码，修改即生效：

{
  "ruleChain": {"id": "weather-agent", "name": "天气助手"},
  "metadata": {"nodes": [{
    "id": "node_agent", "type": "ai/agent",
    "configuration": {
      "url": "https://ai.gitee.com/v1",
      "key": "${global.api_key}",
      "model": "GLM-5",
      "systemPrompt": "你是一个天气助手。",
      "tools": [
        {"type": "builtin", "name": "bash", "config": {"workDir": "/data/workspace"}}
      ]
    }
  }]}
}

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

通过 API 或可视化编辑器更新 JSON，智能体立即使用新配置，无需重启。

# 核心理念

# 规则链即智能体

框架的核心设计思想是 "规则链即智能体"。每个 AI 智能体本质上是一个 RuleGo 规则链，其中的 ai/agent 节点负责 LLM 推理和工具调用循环。这意味着：

智能体可以用 JSON 声明式定义，无需编写 Go 代码
智能体可以与其他 RuleGo 节点（JS 过滤器、REST API 调用、转换器等）自由组合
支持通过规则链实现多智能体编排、管道处理和条件路由
智能体配置支持热更新和版本管理

# ReAct 推理循环

框架采用 ReAct（Reasoning + Acting） 模式作为智能体的核心执行范式：

推理（Reasoning）：LLM 分析当前上下文，决定下一步行动
行动（Acting）：调用工具执行具体操作（读文件、执行命令、调用 API 等）
观察（Observation）：获取工具返回结果，作为新的上下文
循环：重复以上步骤，直到任务完成或达到最大步数

这种模式让智能体能够自主规划任务、选择工具、处理异常，实现复杂的多步推理。

# 能力层级

框架支持从简单到复杂的多种智能体形态。通过组合不同的工具集、切面和编排模式，可以构建不同能力层级的智能体系统：

# L1 — 单轮问答

使用 ai/llm 组件，无工具调用，适合意图分类、内容生成等场景。

# L2 — 工具增强对话

使用 ai/agent + 内置工具（bash/read/write/edit），智能体可以读写文件、执行命令、自主完成任务。这是最常见的智能体形态。

# L3 — 多智能体协作

通过 agent 类型工具将多个智能体组合，主智能体可以委派任务给专业子智能体（代码审查、测试生成、文档编写等），实现分工协作。

# L4 — 自主编排智能体

类似 Claude Code、OpenClaw、Hermes 等高级智能体的形态。框架提供的完整基础设施支撑这类智能体的开发：

能力	框架支撑	说明
自主规划与执行	ReAct 循环 + maxStep 控制	智能体自主决定调用哪些工具、以什么顺序执行
文件读写与编辑	read/write/edit 内置工具	支持代码生成、文件修改、项目管理
Shell 命令执行	bash 工具 + 安全策略	执行构建、测试、部署等命令，支持白/黑名单
技能扩展	skill 技能系统	通过 SKILL.md 文件定义可复用的专业能力
工作区隔离	workDir 配置	每个智能体独立的工作目录，文件系统级隔离
会话记忆	Session 模块 + SessionAspect	多轮对话历史管理、自动压缩、长期记忆
自我进化	工作区文件 + write/edit 工具	智能体可以修改自身的行为规则、记忆和技能
命令拦截	Around 切面	支持 `/help`、`/model` 等管理命令，无需消耗 Token
多模型切换	DynamicModelWrapper	会话级别动态切换 LLM 模型
MCP 工具集成	MCP 适配器	自动发现和加载 MCP Server 提供的工具
实时可视化	VizAspect + AG-UI 协议	前端实时展示推理过程、工具调用和流式输出
心跳调度	外部 HeartbeatService	定时触发智能体主动执行任务（如检查待办、发送通知）

以 Claude Code 类智能体为例，基于本框架的实现方式：

workspace/
  IDENTITY.md      → 智能体身份定义（"你是一个编程助手"）
  AGENTS.md        → 行为规则（代码风格、提交规范）
  SOUL.md          → 核心原则（简洁、安全、可测试）
  TOOLS.md         → 工具使用指南
  MEMORY.md        → 长期记忆
  HEARTBEAT.md     → 待办任务队列
  skills/          → 专业技能（代码审查、测试生成）

1
2
3
4
5
6
7
8

系统提示词通过 ${include()} 动态加载这些文件，智能体通过 write/edit 工具可以修改它们，实现自我进化。

# 架构总览

# 四大核心模块

模块	职责	关键组件
Agent	智能体执行引擎，管理 ReAct 循环和生命周期	ReactAgentNode、AgentAspectExecutor、ToolAgent
Tool	工具注册、创建和执行，为智能体提供能力	ToolRegistry、VisualToolWrapper、RuleGoTool、MCP 适配器
Aspect	AOP 横切关注点，可插拔的中间件机制	AspectManager、SessionAspect、VizAspect、LoggingAspect
Session	对话状态管理，历史消息存储和压缩	SessionManager、SessionStorage、CompactionConfig

# 与其他框架对比

# vs Eino（CloudWeGo）

Eino 是本框架的底层依赖，提供 LLM 调用、消息 Schema 和基础 ReAct 实现。RuleGo 智能体框架在 Eino 之上增加了：

能力	Eino	RuleGo 智能体框架
智能体定义	Go 代码构建	JSON 声明式配置，支持热更新
编排方式	Graph/Chain/Workflow（代码）	规则链可视化编排 + 代码编排
横切关注点	固定 Callback（OnStart/OnEnd/OnError）	AOP 切面体系，10 种可扩展接口
会话管理	基础 Session Values	完整的会话生命周期：存储、压缩、裁剪
工具扩展	Go 接口实现	内置 8 种工具 + MCP 协议 + 规则链工具
模型管理	构建时绑定，不可变	运行时动态切换，会话级模型选择
前端可视化	原始 AgentEvent 流	AG-UI 标准协议，内置可视化切面
企业集成	需自行实现	MCP 工具协议、IM 渠道集成、文件存储

简单来说：Eino 是 LLM 交互库，RuleGo 智能体框架是企业级智能体运行时。

# vs LangChain / LangGraph（Python）

维度	LangChain/LangGraph	RuleGo 智能体框架
语言	Python	Go
性能	适合原型和数据处理	高并发、低延迟，适合生产服务
定义方式	Python 代码 / LangGraph Studio	JSON 规则链，可视化编辑器
与业务系统集成	需额外开发	原生支持规则引擎编排，与业务逻辑无缝集成
部署	Python 运行时	单二进制部署，资源占用小

# vs AutoGen / CrewAI（Python）

维度	AutoGen / CrewAI	RuleGo 智能体框架
多智能体	代码编排对话流程	规则链声明式编排，子智能体即工具
状态管理	依赖外部存储	内置会话管理，支持多种作用域
可观测性	需集成第三方	内置日志、可视化、AG-UI 事件

# 适用场景

编程助手：类似 Claude Code、OpenClaw、Hermes，具备文件读写、命令执行、自主规划能力的编程智能体
企业级 AI 助手：多渠道接入（飞书/钉钉/企微/API），会话隔离，权限控制
智能客服系统：知识库检索 + 工具调用 + 多轮对话
IoT 智能控制：自然语言意图分类 → 结构化指令 → 设备控制 API
自动化工作流：文件处理、代码生成、数据分析等自主任务
多智能体协作：主智能体 + 专业子智能体，分工协作完成复杂任务

# 相关文档

架构设计 — 分层架构、核心模块、数据流详解
智能体节点 — ReAct 节点的概念与高级特性
智能体组件 — ai/agent 组件的完整配置参考
工具系统 — 工具类型、内置工具、MCP 集成
切面框架 — AOP 切面体系与自定义扩展
会话管理 — 对话状态、消息压缩、存储扩展
开发指南 — 基于框架开发智能体应用的完整流程

如需开箱即用的智能体平台，参见 RuleGo-Server AI 功能。

在 GitHub 上编辑此页

上次更新: 2026/05/28, 10:36:46

← 邮件接收架构设计→