Blades
面向 Go 的可扩展多模态智能体框架，用于组合模型、工具、记忆与工作流。
- Star 数
- ★ 815
- 最近更新
- 4 个月前
- License
- MIT
- 主语言
- Go
- FA 评分
- 23/100 · 缺口较多
30 秒速览
- 可在哪里用
- 通用 · 跨平台OpenAI API
- 开始前需要
- 典型场景
- Go 后端团队要在现有服务中调用 OpenAI 模型，实现多轮问答并读取 Agent 返回的文本。
- 主要局限
- README 未给出安装命令、Go 版本、模块版本或独立部署方案，首次接入需要自行补齐工程配置。
这个 Agent 能做什么，适合哪些场景？
Blades 是一个 Go 语言多模态 AI Agent 框架，而非独立托管的聊天产品。其统一的 Agent 执行接口以 Run(context.Context, *Invocation) 返回 Generator[*Message, error]，Agent、Chain 和 ModelProvider 可据此组合。框架提供可插拔的 ModelProvider、Tool、Memory 与 Middleware，并以 flow 编排多步骤推理和多个 Agent 的数据、控制流。输出既可通过 Generate 一次性获得，也可通过 NewStreaming 逐步消费；示例展示了在应用代码中接入 OpenAI 模型并由 Runner 执行。它适合希望在 Go 服务或应用内自行实现智能体逻辑的团队，README 未说明独立部署服务、CLI 或安装命令。
应用先创建如 openai.NewModel("gpt-5", openai.Config{APIKey: os.Getenv("OPENAI_API_KEY")}) 的 ModelProvider，再用 blades.NewAgent 配置 WithModel 与 WithInstruction。调用方构造 blades.UserMessage，使用 blades.NewRunner(agent).Run(context.Background(), input) 执行，并从返回的消息读取 Text()。在需要扩展时，Agent 可通过 Tool 的 InputSchema 和 Handle 调用封装后的外部能力；Memory 可按会话保存和检索消息，Middleware 可在 Runner 执行链中加入横切逻辑。技能可由 skills.NewFromDir("./skills") 或 skills.NewFromEmbed(embed.FS) 加载后传给 WithSkills(...)。
- Go 后端团队要在现有服务中调用 OpenAI 模型，实现多轮问答并读取 Agent 返回的文本。
- 需要把多个 Agent 或 Chain 串联为多步骤推理流程的 Go 应用开发者。
- 要为模型接入数据库查询、API 调用等外部能力，并希望用 InputSchema 约束调用参数的团队。
- 需要按会话保存与搜索对话消息、让后续轮次保留上下文的应用。
- 希望在不改 Runner 核心逻辑的前提下加入日志、监控、认证或限流等中间件的工程团队。
如何安装或部署这个 Agent？
README 未提供可复制的安装命令、Go 版本要求或模块初始化步骤，因此无法据此确认依赖安装流程。已明确的运行前提是 Go 环境，以及使用 OpenAI 示例时设置 OPENAI_API_KEY；还需要让项目能够导入 github.com/go-kratos/blades 和 github.com/go-kratos/blades/contrib/openai。
如何使用这个 Agent？
在 Go 程序中读取 OPENAI_API_KEY，创建 openai.NewModel("gpt-5", openai.Config{APIKey: os.Getenv("OPENAI_API_KEY")})，然后以 blades.NewAgent("Blades Agent", blades.WithModel(model), blades.WithInstruction("You are a helpful assistant that provides detailed and accurate information.")) 创建 Agent。用 blades.UserMessage("What is the capital of France?") 创建输入，再执行 runner := blades.NewRunner(agent) 和 runner.Run(context.Background(), input)。检查 err 后，对返回结果调用 output.Text() 获取文本响应。
这个 Agent 有哪些优点和局限？
- 以统一 Agent 接口和 Generator 输出模型连接 Agent、Chain 与 ModelProvider，便于组合执行单元。
- ModelProvider 是可插拔抽象，README 明确以 OpenAI、DeepSeek、Gemini 等不同模型服务为可集成对象。
- 同时覆盖 Tool、会话记忆、流式生成和 Middleware，适合把智能体能力嵌入 Go 应用。
- 技能既可从目录加载，也可通过 embed.FS 打包进程序。
- README 未给出安装命令、Go 版本、模块版本或独立部署方案，首次接入需要自行补齐工程配置。
- OpenAI 示例依赖网络访问和 OPENAI_API_KEY，模型调用的成本与可用性取决于所选服务商。
- 持久化记忆和更复杂的记忆策略被鼓励由开发者扩展，README 只明确提供 InMemory 实现。
- 没有展示 CLI、HTTP 服务接口或生产运维配置，团队需自行定义应用入口和运行边界。
这个 Agent 与同类方案有什么区别？
与相关度最高的同类 agent 并排比较关键指标。
| Agent | 源码审查 | Star | 最近更新 | 主语言 | 完整支持的平台 |
|---|---|---|---|---|---|
| Blades 当前 | 23 · 缺口较多 | ★ 815 | 4 个月前 | Go | OpenAI API |
| Agently AI 应用运行时 | 63 · 存在缺口 | ★ 1.7k | 11 天前 | Python | OpenAI API · Claude API |
| Dynamiq 智能体编排框架 | 61 · 存在缺口 | ★ 1.1k | 1 天前 | Python | OpenAI API |
| DSPy-Go | 49 · 缺口较多 | ★ 196 | 5 天前 | Go | OpenAI API · Claude API |
FollowAgents 如何评估这个 Agent？
查看各维度的扣分理由
证据显示仓库没有提供权限管理、用户确认、数据流透明、敏感数据处理、依赖安全、外部影响、回滚或来源归属的机制。所有相关标准均未在文件中体现，因此得分为0。
自一致性：README中概念描述与代码接口基本一致，但未提供完整代码验证，故得1分。依赖可用性：依赖项在go.mod中列出，但未验证其可用性，得1分。失败消息：未提供错误处理或失败消息的文档，得0分。
受众与场景：README明确面向Go开发者，并列举了多轮对话、思维链等场景，得2分。能力边界：描述了核心组件，但未明确边界，得1分。触发精度：未提供触发机制，得0分。环境适配：提供了环境变量配置示例，但未全面说明，得1分。
信息架构：README结构清晰，有架构图，得2分。安装说明：提供了快速开始示例，但未提供详细安装步骤，得1分。命名稳定性：接口命名稳定，但未提供版本历史，得1分。示例与FAQ：提供了示例代码，但无FAQ，得2分。已知限制：未明确列出，得1分。许可证：MIT许可证文件存在，得2分。版本与变更日志：无版本号或变更日志，得0分。维护责任：未明确维护者，得1分。
输出可用性：示例展示了输出，但未说明格式，得1分。边际价值：框架提供多模态支持，但未与其他方案对比，得1分。成本效益：未提供性能或成本数据，得1分。
声明可追溯性：README中的声明未提供具体证据，得1分。跨来源佐证：无外部验证，得0分。事实与推断分离：部分描述为推断，未明确区分，得1分。
- 源码中未见：最小权限约束只授予完成任务所需的权限：用专用账号或只读令牌，并限定可访问的目录和仓库。
- 源码中未见：执行前用户确认开启或自行加上执行前确认；先在沙箱或测试环境跑通，确认行为后再接入真实数据。
- 源码中未见：数据流向说明运行时观察它连接了哪些外部服务（代理或防火墙日志）；弄清数据去向之前不要输入敏感数据。
- 源码中未见：敏感信息处理使用专用、低权限、可随时吊销的 API 密钥，不要复用生产凭据，也不要让密钥出现在日志里。
- 源码中未见：依赖安全审查安装前固定版本并做一次依赖扫描（如 npm audit、pip-audit）；优先放在容器里运行。
- 源码中未见：外部影响披露先弄清它会写入、发送或修改哪些外部系统，用测试账号或测试仓库验证后再接入正式环境。
- 源码中未见：回滚或恢复路径运行前先备份，或在 git 分支、快照上操作，确保改动可以撤销。
- 源码中未见：来源归属可核验从官方仓库或包源安装，核对发布者和仓库地址，避免同名仿冒包。
- 仓库未提供任何安全机制，如权限控制、用户确认或数据流透明，使用前需自行评估风险。
- 依赖项未验证安全性，且无版本锁定，可能引入供应链风险。
- 无版本号或变更日志，难以追踪更新和兼容性。
- 未明确维护责任，长期维护性存疑。