Marico's space

最近AI Agent开发领域有个有趣的现象：教程和框架几乎清一色是Python，但真正跑在生产环境里的基础设施，却越来越多人悄悄换成了Go和Rust。这种语言选择的割裂感，其实反映了AI Agent项目天然的架构分层需求——不同层级对性能、可靠性和开发效率的要求完全不同。

本文不会告诉你「某某语言最好」，而是帮你搞清楚在AI Agent系统的不同位置，到底该用什么语言。有具体项目案例，也有代码片段方便你做判断。

---

三种语言全景对比

---

Python稳赢的领域（大概率会一直赢）

Python在AI领域的统治地位不是偶然的。模型训练、微调、数据科学这套生态短期内根本没有替代方案。

RAG流水线。如果你在搭检索增强生成系统，涉及向量化、切分策略、重排序这些环节，Python有你要的一切库：sentence-transformers、chromadb、llama-index、unstructured等等。Go和Rust那边的替代品在功能和成熟度上还差得远。

快速原型。Python能让你20行代码就把一个Agent想法跑起来，然后快速迭代。REPL驱动的工作方式对探索提示词策略和工具调用模式特别友好。

from langchain.agents import create_react_agent, AgentExecutor
from langchain.tools import tool

@tool
def get_weather(city: str) -> str:
    """获取城市的天气。"""
    return f"{city}天气晴朗，气温72华氏度"

agent = create_react_agent(llm, [get_weather], prompt)
executor = AgentExecutor(agent=agent, tools=[get_weather])
result = executor.invoke({"input": "东京的天气怎么样？"})
print(result["output"])

现成的框架。LangGraph的状态机方案、CrewAI的角色化Agent、AutoGen的多Agent对话——这些都经过了大量生产环境验证，形成了一套成熟的设计模式。Go和Rust对应的框架在功能上还落后1-2年。

不过有个问题：Python在生产环境的开销不小。一个简单的FastAPI Agent服务，空闲状态就要吃掉80-150 MB内存。容器编排时的冷启动就要200-500ms，这期间业务逻辑还没开始跑呢。原型阶段无所谓，但跑在生产环境服务成千上万个Agent会话的时候，这就是实打实的基础设施成本了。

---

Go现在正是合适选择的地方

Go在Agent基础设施中的定位不是说「Go比Python好」，而是Agent本来就不是单体应用。它有不同的层级：推理层（大模型）、编排层（框架）、基础设施层（传输、策略、记忆、追踪）。Python在前两层占优势，但第三层是系统编程的活儿。

API服务。Go能同时处理成百上千个Agent会话、流式响应，内存只用30-60 MB。一个18 MB的Docker镜像秒级部署完成。

治理代理。当Agent每次工具调用都要经过限流、审批流程、审计日志时，Go的goroutine-per-request模型让这些写起来特别轻松。

type AgentProxy struct {
    policyEngine    *PolicyEngine
    traceExporter   *otlp.Exporter
    rateLimiter     *RateLimiter
    mcpClients      map[string]*mcp.Client
}

func (p *AgentProxy) HandleToolCall(ctx context.Context, req *ToolCall) error {
    if err := p.rateLimiter.Check(ctx, req.UserID); err != nil {
        return err
    }
    decision, err := p.policyEngine.Evaluate(ctx, req)
    if err != nil || !decision.Allowed {
        return err
    }
    return p.mcpClients[req.Server].Call(ctx, req)
}

MCP服务器。Model Context Protocol本质上是个并发问题：管理多个stdio子进程，每个都有自己的stdin/stdout对，还要同时处理来自多个Agent的请求。Go的channel和goroutine处理这类模式特别自然。

阿里云通义框架 Go 1.0。国内云厂商刚刚发布了面向生产环境的AI应用框架，内置流式响应、可观测性和追踪能力。这对Go在AI领域的发展是个强力推动。

---

为什么说Rust是黑马

Rust Agent框架虽然起步晚，但野心不小。像echo-agent、rustic_ai，还有国内某大厂出的Aura框架，已经带来了Go和Python生态还在追赶的生产级功能。

沙箱执行。Rust的WASM（WebAssembly）支持意味着你可以让不受信任的Agent技能运行在沙箱里，限制内存、设置超时、禁止文件系统访问。某些项目正是这么干的。

A2A协议。echo-agent实现了完整的Agent间通信协议，让Agent能互相发现、交接任务、跨框架协作。这和科技大厂提出的A2A规范思路一致，但原生就跑在Rust上。

use echo_agent::prelude::*;

#[tool(name = "search", description = "搜索网络内容")]
async fn search(query: String) -> Result {
    Ok(ToolResult::success(format!("搜索结果: {query}")))
}

#[tokio::main]
async fn main() -> Result<()> {
    let mut agent = agent! {
        model: "qwen3-max",
        system_prompt: "你是一个研究助手",
        tools: [SearchTool],
    }?;

    let answer = agent.execute("这周AI有什么新动态？").await?;
    println!("{answer}");
    Ok(())
}

Rust的痛点。生态太分散，框架各搞各的。依赖图动不动就上百个crate。原型开发慢——类型系统的「学费」得一开始就交。还有就是既懂Rust又懂AI工具链的开发者太少了。

---

编排层才是关键

三种语言其实有个共同短板：一旦Agent跑在生产环境，你需要一套处理调度、执行环境、监控、多Agent协作的层，而且最好不用自己写。

这就轮到编排平台出场了。它给你提供运行时能力，让Agent可以用任何适合任务的语言来写——Python写RAG，Go写API代理，Rust写沙箱执行器——平台负责处理部署、密钥、触发器和跨Agent通信。

你不需要非此即彼地选一种语言。每个组件用最适合它的语言，编排层把它们串起来。

---

怎么选——决策指南

选Python的场景：

• 做原型或需要快速迭代
• 核心工作是机器学习推理、向量化、RAG相关
• 需要最大的社区支持和生态资源
• 能接受每个服务实例占用80-150 MB内存

选Go的场景：

• 在构建服务层/基础设施层
• 冷启动时间和内存预算紧张（容器环境、函数计算）
• 需要治理代理、策略引擎或MCP桥接层
• 想单个二进制部署，零运行时依赖

选Rust的场景：

• 需要WASM沙箱来跑不可信代码
• 内存安全是硬性要求（安全敏感的Agent路径）
• 希望在编译期就保证工具输入输出schema的正确性
• 愿意牺牲迭代速度换取最大化的生产稳定性

---

真正的结论

「Python还是Go」这个问题的框架本身就是错的。2026年的生产级AI Agent系统通常长这样：Python RAG流水线提供上下文，Go API服务器负责治理和工具调用路由，Rust沙箱用WASM跑不受信任的代码。每个组件用最合适的语言。

框架的追赶速度比大多数人以为的要快。云厂商的框架、echo-agent对标LangGraph的功能、Aura的生产级MCP运行时，这些都是在最近半年集中出现的。

选技术栈按层级来，别被热点牵着走。

---

本文属于「开发者工具横评」系列——帮你做出明智工程决策的实用对比分析。