基于 Golang 实现多 LLM 智能体之间的高效通信，这是构建复杂智能体系统（如任务分工、协作决策、结果汇总）的核心环节。本文将围绕多智能体通信的核心场景、Golang 原生通信方案、结构化消息处理、分布式通信拓展展开，提供可落地的代码实现和关键细节解析。
一、多智能体通信的核心概念与Golang优势
1. 多智能体通信的核心需求
多 LLM 智能体间通信是指多个具备独立逻辑的 LLM 智能体（如任务拆分智能体、数据查询智能体、结果整理智能体）之间传递信息、协同完成复杂任务的过程，核心需求包括：
- 消息传递的可靠性（无丢失、有序）
- 结构化数据交互（避免模糊的文本传递，提升协作效率）
- 通信方式的灵活性（适配同进程、跨进程、跨网络场景）
- 轻量高效（契合 Golang 高并发、低开销的特性）
2. Golang 实现多智能体通信的天然优势
- 原生 goroutine + channel：支持同进程内多智能体（每个智能体一个 goroutine）的安全、高效通信，无需额外依赖，自带并发安全保障。
- 完善的网络库：
net包原生支持 TCP/UDP、Unix Domain Socket，轻松实现跨进程、跨网络通信。 - 丰富的序列化方案：内置
encoding/json，配合第三方库（google.golang.org/protobuf、github.com/goccy/go-msgpack）支持结构化消息的高效编解码。 - 高并发支撑：即使是大规模分布式智能体集群，Golang 也能通过协程池、多路复用轻松应对，保障通信吞吐量。
二、场景化实现：多智能体通信的3种核心方案
场景1：同进程内多智能体通信（Golang 原生 Channel）
适用于多个智能体在同一程序内运行（如任务分工协作），是最简单、最高效的通信方式，Channel 提供了无锁的并发安全通信保障。
实现思路
- 定义智能体间传递的结构化消息体（包含消息类型、发送方、内容、任务ID等）。
- 封装 LLM 智能体（结构体+方法），每个智能体运行在独立 goroutine 中。
- 通过 Channel 实现智能体间的消息收发，配合
sync.WaitGroup实现任务同步。
完整代码实现
packagemainimport("context""fmt""log""sync""time""github.com/sashabaranov/go-openai")// ************************ 第一步：定义结构化消息体 ************************// AgentMessage 多智能体间通信的结构化消息typeAgentMessagestruct{MessageTypestring`json:"message_type"`// 消息类型："TASK_ASSIGN"、"TASK_RESULT"、"ERROR"Senderstring`json:"sender"`// 发送方智能体IDReceiverstring`json:"receiver"`// 接收方智能体ID（""表示广播）TaskIDstring`json:"task_id"`// 任务ID，用于关联上下游任务Contentinterface{}`json:"content"`// 消息内容（可承载任务信息、LLM响应结果等）Timestamp time.Time`json:"timestamp"`// 消息发送时间}// ************************ 第二步：封装LLM智能体 ************************// LLMAgent LLM智能体结构体typeLLMAgentstruct{AgentIDstringClient*openai.Client MsgChanchan*AgentMessage// 消息接收通道OutChanchan*AgentMessage// 消息发送通道WG*sync.WaitGroup Context context.Context Cancel context.CancelFunc}// NewLLMAgent 创建新的LLM智能体funcNewLLMAgent(agentIDstring,apiKeystring,msgChan,outChanchan*AgentMessage,wg*sync.WaitGroup)*LLMAgent{ctx,cancel:=context.WithCancel(context.Background())return&LLMAgent{AgentID:agentID,Client:openai.NewClient(apiKey),MsgChan:msgChan,OutChan:outChan,WG:wg,Context:ctx,Cancel:cancel,}}// Run 智能体运行主逻辑（独立goroutine中执行）func(a*LLMAgent)Run(){defera.WG.Done()log.Printf("[%s] 智能体启动，开始监听消息...",a.AgentID)for{select{case<-a.Context.Done():log.Printf("[%s] 智能体收到退出信号，停止运行",a.AgentID)returncasemsg,ok:=<-a.MsgChan:if!ok{log.Printf("[%s] 消息通道已关闭，停止运行",a.AgentID)return}// 处理收到的消息iferr:=a.handleMessage(msg);err!=nil{log.Printf("[%s] 处理消息失败：%v",a.AgentID,err)// 发送错误消息反馈a.sendErrorMsg(msg.TaskID,err.Error())}}}}// handleMessage 消息处理逻辑（根据消息类型分支处理）func(a*LLMAgent)handleMessage(msg*AgentMessage)error{log.Printf("[%s] 收到来自[%s]的消息（任务ID：%s）：%+v",a.AgentID,msg.Sender,msg.TaskID,msg.Content)switchmsg.MessageType{case"TASK_ASSIGN":// 示例：处理任务分配，调用LLM完成子任务returna.processTask(msg)case"TASK_RESULT":// 示例：处理子任务结果，汇总后退出a.processResult(msg)returnnildefault:returnfmt.Errorf("不支持的消息类型：%s",msg.MessageType)}}// processTask 处理分配的任务，调用LLM并返回结果func(a*LLMAgent)processTask(msg*AgentMessage)error{// 提取任务内容taskContent,ok:=msg.Content.(string)if!ok{returnfmt.Errorf("任务内容格式错误，预期string类型")}// 调用LLM完成子任务（基础同步调用，复用之前的LLM调用逻辑）llmReq:=openai.ChatCompletionRequest{Model:openai.GPT3Dot5Turbo,Messages:[]openai.ChatCompletionMessage{{Role:openai.ChatMessageRoleSystem,Content:fmt.Sprintf("你是[%s]智能体，专注完成分配的子任务，回答简洁准确",a.AgentID),},{Role:openai.ChatMessageRoleUser,Content:taskContent,},},Temperature:0.7,MaxTokens:512,}llmResp,err:=a.Client.CreateChatCompletion(a.Context,llmReq)iferr!=nil{returnfmt.Errorf("调用LLM失败：%w",err)}// 构造任务结果消息，发送给汇总智能体resultMsg:=&AgentMessage{MessageType:"TASK_RESULT",Sender:a.AgentID,Receiver:"Agent_Summary",// 指定接收方为汇总智能体TaskID:msg.TaskID,Content:llmResp.Choices[