手撸了一个All-in-One AI Agent平台（支持MCP/A2A/Skills）

当下 AI 技术爆发，企业竞相转型。 谁拥有构建「智能体 + 工作流 + 知识库 + MCP + A2A」的能力，谁就握住了下一张船票。

如果你正在找一个能直接落地生产、覆盖完整AI工程链路的实战项目—— 今天这篇文章，就是为你写的。

我将为你拆解我亲自设计并落地的一体化 AI Agent 开发平台。 它不是玩具 Demo，而是一个多租户、可扩展、支持复杂编排的企业级 AI 中间件。全文约 2500 字，从架构 → 选型 → 核心模块，带你一次看懂。

01 为什么要做这个项目？

ChatGPT 火了以后，企业发现：光调 API 远远不够。 真正的竞争力，是把大模型封装成可复用、可编排、可协作的智能体（Agent）。

但市面上的开源项目，普遍有三个坑：

• 能力单一：只有对话，或只有 RAG，或只有工作流，不成闭环。
• 协议封闭：Agent 之间不能互联，工具不能跨平台复用。
• 工程薄弱：前端漂亮，后端残缺，缺权限、会话、知识库管理等生产级能力。

本平台的目标很简单： 做一个 All-in-One 的 AI Agent 开发平台，同时支持：

• 可视化 Agent 配置
• 知识库管理
• 工作流编排
• 多模型接入
• 工具调用 & 记忆持久化
• 多 Agent 协作

更重要的是，它完整支持了 2024-2025 年 AI 工程三大开放协议： ✅ MCP（模型调外部工具） ✅ A2A（Agent 之间互相发现与协作） ✅ Skills（能力像安装 App 一样动态扩展）

02 全景架构：Go工作区 + Thunder后端基石

打开项目根目录，结构清晰得像教科书：

• app – HTTP 服务（用户 API + 管理后台）
• core – AI 核心引擎（Agent 构建、工作流执行、知识库向量存储）
• model – 全局数据模型
• a2a-server / mcp-server – 独立协议服务
• k8s – 一键上云的部署清单

这种拆分不是花架子，而是关注点分离的真实实践。 初期你可以在本地 go run app/main.go 一键启动； 业务量上来后，可以把 core 抽成 gRPC 服务，把 a2a-server 独立扩容——微服务化的潜力已经预留好了。

主服务基于开源的 Thunder 框架（Go Web 脚手架），内置了配置热加载、GORM + PostgreSQL、Redis、JWT、统一响应、链路追踪等能力。 在每个业务模块内部，遵循 Handler → Service → Repository 分层，让复杂的 AI 逻辑（模型调用 + 会话状态 + 错误重试）始终保持可维护性。

03 AI 引擎：基于Eino的三种Agent模式

Eino 是字节跳动 CloudWeGo 开源的 Go 语言 AI 应用框架，比 Python 的 LangChain 更贴合 Go 的并发模型和工程习惯。

我们基于 Eino 做了三层封装，让上层调用变得极其简单：

✅ AgentBuilder：把数据库配置变成可运行的 Agent

• 根据 ModelProvider（OpenAI / Ollama / 通义千问）创建 ChatModel
• 自动加载 Tools（内置工具 + MCP 工具 + 工作流工具）
• 自动加载 Skills
• 如果启用知识库，自动做 RAG 检索并注入 Prompt

✅ 三种 Agent 运行模式

① General（通用对话） 最基础的模式，支持 Tools Calling 和 RAG，适合客服、内容生成。

② Supervisor（监督者模式） 一个中央调度 Agent 负责理解意图，再把任务分发给 HR Agent、IT Agent、财务 Agent 等子 Agent。 典型场景：企业内部“部门助理”。

③ Deep（深度编排模式） 这是真正的技术亮点。 Agent 不再是简单执行指令，而是自主规划 → 迭代执行 → 反思修正。 适合研究报告生成、代码审查、多步骤数据分析。 它代表了当前 Agent 技术的最前沿方向。

04 知识库与工作流：RAG + 可视化编排

知识库：完整的 RAG 工程实现

• 文档解析：支持 PDF、Word、Markdown、HTML、EPUB。智能切分基于标题层级（H1/H2/H3），保证检索时上下文连贯。
• 向量存储：抽象统一接口，可切换 Elasticsearch（部署简单）或 Milvus（千万级向量高性能）。
• Embedding 模型：支持 Ollama（本地）、OpenAI、DashScope（通义），用户自由选择。

工作流：可视化节点编排引擎

你可以像搭积木一样，拖拽节点形成一个自动执行的 pipeline。 目前内置节点类型：开始/结束、文本展示/拼接、HTML 展示、视觉大模型节点（输入图片，输出 HTML 代码）。

比如 qwenVL 节点：给它一张网页截图，它会调用视觉模型生成 Tailwind CSS 代码。 这在前端自动化、UI 还原场景下潜力巨大。

05 工具与Skill：MCP双轨制 + 插件化能力

没有工具的 Agent 只是聊天机器人。我们设计了双轨制工具体系：

🔧 系统工具（内置 Go 函数）

• 天气查询、Git 操作、自动生成 Commit 信息、文件写入、HTML 转 PPT
• K8s 运维工具集（资源查询、日志、健康检查等）

🔌 MCP 工具（开放协议）

MCP 就是 AI 界的 USB-C 接口。 本平台可以连接任何符合 MCP 协议的第三方服务——数据库、邮件、CRM……无缝接入。

🧩 Skill 插件化：能力像 App 一样安装

每个 Skill 就是一个目录，根目录下有 SKILL.md（YAML 元数据 + Markdown 指令）。 渐进式披露机制：先只加载名称和描述（约 100 tokens），任务匹配时才加载完整指令，按需读取脚本，高效利用上下文窗口。

更厉害的是：支持 GitHub Source 远程安装。 你不仅可以用本地 Skill，还能直接接入社区共享的 Skill 生态——为未来的 Skill 市场铺好了路。

06 A2A协议：Agent的互联网

A2A 是 Google 推出的开放标准，让不同 Agent 能互相发现、协商任务、交换消息。

本平台做了两件事：

1. A2A 市场：用户可以注册外部 A2A Server 地址，自动拉取 Agent 元数据，纳入市场。
2. A2A Server：可以把平台内的任意 Agent 暴露为标准 A2A 服务，供其他平台调用。

这意味着：本平台不仅是 Agent 的“制造工厂”，更是 Agent 的“互联网络”。 你可以调用别人发布的客服 Agent，也可以把自己的 Agent 开放出去。

07 生产级工程细节与云原生部署

一个真正能打的项目，往往赢在细节：

• 状态持久化：支持 CheckPoint，长任务断点续跑。
• 压测工具：对 SSE 流式接口进行并发压测，评估系统吞吐。
• K8s 云原生部署：提供了 Deployment、HPA、ConfigMap、PVC、RBAC 等完整清单。
• Docker 多阶段构建：最终镜像极小，安全且启动快。

08 适合谁？最后的话

✅ 后端工程师：系统学习用 Go 构建 AI 应用，掌握 Eino 实战。 ✅ AI 应用开发者：获得一个功能完整、可直接二开的 Agent 平台底座。 ✅ 技术负责人：参考成熟的企业 AI 中台架构设计。 ✅ 独立开发者：快速搭建具备 RAG、工作流、MCP 能力的 SaaS 产品。

你将完整掌握：

• AI 工程架构设计（分层解耦）
• Eino 框架深度应用（Agent、工作流、RAG、Tool Calling）
• MCP / A2A 协议从概念到代码的完整落地
• K8s 部署、Docker 构建、压测、状态管理等生产级能力

本项目不是一个炫技的 Demo，而是一个面向真实生产场景、功能闭环的 AI Agent 开发平台。 它展示了一条清晰的路径：

单轮对话 Agent → 多工具协作 Agent → 多 Agent 深度编排 → 通过 A2A / MCP 接入开放的智能体互联网

这条路，正是未来 3-5 年 AI 应用开发的主流方向。