基于腾讯内部海量微服务对智能 AI 应用的迫切需求，tRPC-Agent 框架应运而生。当前业务场景不仅需要稳定的工作流编排，更亟需具备自主决策与多智能体协作能力的 AI 系统，以应对复杂多变的真实业务环境。

框架创新性地采用了“自主多 Agent 协作 + 图编排工作流”的混合架构。其核心技术包括：高度抽象的统一模型接口层，兼容业界主流的大模型服务；提供 LLMAgent、Chain、Parallel、Cycle、Graph 等多样化 Agent 执行引擎，内置 React 等 planer 以支持从简单问答到复杂决策流程的各类场景；内置完整的工具调用生态与 RAG 知识管理、可观测、长短记忆模块。

业务实践成效显著：腾讯元宝的深度写作功能通过 GraphAgent 实现自动化流水线，素材处理效率提升 3 倍；腾讯体育的“体育大聪明”应用借助多 Agent 协作，将战报生成时长从小时级缩短至分钟级；AMS 广告报表系统通过智能规划器将业务流程自动化程度提升至 90%。这些案例充分验证了框架在提升开发效率与复杂任务处理能力方面的核心价值。

演讲提纲：

1. 什么是 Agent
2. tRPC-Agent 开发背景
3. tRPC-Agent 方案选型
4. tRPC Agent 架构与挑战（整体架构、腾讯内部AI生态的欠缺）
5. 核心模块拆解：Agent、Runner、Knowledge、Tool、可观测与记忆
6. 业务实践复盘
7. 总结与展望

听众收益：

• 了解构建Agent需要解决的核心问题
• 了解腾讯内部Agent的前沿实践