星云Coding-CSDN博客

原创 Go AI Agent 实战 18｜Tool Calling 的基本原理与完整执行流程

本课聚焦 Go 后端实现 Tool Calling，模拟模型提出工具调用请求的全流程。通过定义工具名称、参数 Schema 与执行器，实现工具分派、参数校验与安全执行。强调模型仅提意图，应用负责授权与副作用控制。实验中使用 JSON 解析与上下文超时机制，验证 get_weather 工具的合法调用，为后续接入真实模型 API 奠定基础。

2026-10-25 22:57:55 167

原创 Go AI Agent 实战 17｜模型适配层设计：让模型可替换

Generate(ctx：调用方可以取消和设置截止时间。messages：输入是多轮消息。：成功返回文本，失败返回可分类错误。Go 使用隐式接口实现。类型不需要写implements，只要方法集合匹配，就自动实现接口。Generate(这个文件不包含 API URL、密钥或供应商响应格式。它描述的是“业务需要什么能力”，不是“某家服务如何实现”。理解 HTTP 请求和响应。用net/http完成真实调用。安全管理 API Key。设计 JSON 边界与业务校验。

2026-10-25 22:55:55 216

原创 Go AI Agent 实战 16｜重试、指数退避、限流与成本控制

先分类错误，再决定是否重试。指数退避缓解重试风暴，抖动让重试流量错开。最大次数、总截止时间和 Context 取消构成重试的硬边界。每次重试必须重新构造可读的请求体。读取超时是“结果未知”，自动重试可能重复生成和计费。并发、速率、Token、费用和时间需要共同约束。

2026-10-25 22:54:41 271

原创 Go AI Agent 实战 15｜context.Context、超时与取消机制

Context 用于传播取消信号和截止时间，不负责强制终止任意函数。设置预算，WithCancel支持业务主动停止。必须通过将 Context 绑定到 HTTP 请求。HTTP 客户端超时是网络层兜底，不能代替上游取消传播。Gin 中使用，不要直接传。请求超时不代表服务端没有执行，重试时要考虑重复成本。

2026-10-24 23:08:26 280

原创 Go AI Agent 实战 14｜多轮对话与上下文历史管理

本课讲解如何在Go中实现大模型的多轮对话，重点解决无状态API带来的上下文丢失问题。通过维护system、user、assistant三类消息角色，使用切片保存历史记录，并仅在成功获取回答后添加assistant消息，确保对话连贯性。同时分析了上下文窗口、Token成本与历史策略（如最近窗口、摘要）的影响，为构建高效AI问答系统提供实践基础。

2026-10-24 23:06:49 615

原创 Go AI Agent 实战 13｜大模型流式输出 Streaming 的实现

本课实现Go语言原生流式输出，通过解析SSE格式响应，逐块读取大模型生成的文本。使用bufio.Scanner按事件边界处理数据，提取delta.content增量内容，正确识别[DONE]结束标记与异常断流。代码不依赖第三方SDK，具备错误处理与超时控制，适用于实时聊天、代码生成等场景，显著提升用户体验。

2026-10-24 23:04:32 521

原创 Go AI Agent 实战 12｜HTTP 状态码、API 错误处理与日志

本课聚焦Go客户端错误处理，将调用失败分为请求构造、传输、HTTP及业务错误四类，通过自定义APIError结构保留状态码与错误详情，结合%w实现错误链追踪。针对401、429、503等状态码设计可重试策略，解析服务端JSON错误响应，确保日志安全不泄露密钥。最终封装成可复用的健壮客户端，为后续重试机制奠定基础。

2026-10-23 13:09:30 383

原创 Go AI Agent 实战 11｜请求结构、响应结构与 JSON 解析

本课聚焦Go调用大模型时的请求与响应结构设计，强调分离建模以提升可维护性。通过指针区分字段状态（如nil、空值、实际值），合理使用json:""标签与omitempty，实现精准映射与序列化控制。结合json.Unmarshal本地解析实验，验证结构体对复杂响应的容错能力，并在解析后进行业务校验，确保数据完整性。

2026-10-23 13:06:30 148

原创 Go AI Agent 实战 10｜环境变量、API Key 与密钥安全

本课聚焦Go项目中大模型密钥的安全管理，强调避免硬编码，通过环境变量、.env文件与.gitignore协同实现配置分离。重点讲解了环境变量设置、配置集中加载、密钥泄露应急处理及生产环境权限控制，强调“配置即运行时注入”的安全原则，为后续AI Agent开发筑牢安全基础。

2026-10-23 12:55:58 302

原创 Go AI Agent 实战 09｜用 net/http 真实调用 DeepSeek

本课基于Go标准库实现大模型调用，通过结构体定义请求/响应格式，读取环境变量获取API密钥与模型名，使用http.Client发送请求并严格校验状态码、响应内容及choices字段。重点掌握从请求构造到错误处理的完整流程，确保失败场景可定位，避免将异常响应误判为成功，代码结构清晰可复用。

2026-10-21 14:00:00 986

原创 Go AI Agent 实战 08｜HTTP 模型 API 的工作原理与请求流程

本课讲解Go后端如何通过标准库net/http与大模型服务通信，重点掌握请求构造、JSON编码、HTTP交互流程及错误排查。强调模型调用应由后端负责，避免前端暴露API Key。详解请求头、请求体、响应体结构，明确choices[0].message.content为最终回答，区分HTTP成功与业务成功。通过分阶段调试，精准定位网络、认证、解析等各类问题，为下一课实现真实调用打下基础。

2026-10-21 12:00:00 442

原创 Go AI Agent 实战 07｜模型幻觉、能力边界与成本控制

本课总结第一阶段“大模型基础”核心内容：剖析模型幻觉成因，强调Go后端在事实校验、权限控制与事务保障中的关键作用。明确分工原则——LLM处理语言理解与生成，Go后端负责确定性逻辑与真实数据操作。结合成本模型，量化输入/输出Token计费机制，揭示Agent多轮调用带来的累积开销。提出通过上下文超时控制、检索增强、输出验证与调用限流等Go工程手段，构建可靠、低成本的AI服务架构，为后续真实项目落地奠定基础。

2026-10-21 10:00:00 297

原创 Go AI Agent 实战 06｜JSON 结构化输出与 Go 后端校验

本课聚焦大模型结构化输出，讲解如何用 Go 解析 AI 返回的 JSON 数据。通过定义结构体、使用 json.Unmarshal 解析，并分层校验语法、字段合法性与业务逻辑，确保程序可稳定消费模型输出。强调真实项目中应优先依赖模型服务的结构化能力，而非仅靠 Prompt 控制格式，避免因解析失败或数据错误导致系统异常。

2026-10-21 08:00:00 325

原创 Go AI Agent 实战 05｜Temperature 与生成参数：让模型输出可控

本课深入讲解大模型生成控制参数，重点解析 Temperature、Top-P 与最大输出 Token 数的作用与区别。通过 Go 代码模拟配置，理解如何根据技术问答、创意写作等场景合理设置参数。强调 Temperature 影响随机性但无法消除幻觉，Top-P 控制候选范围，最大输出限制回答长度。最后设计清晰的 Go 配置结构，为后续接入真实 API 做准备。

2026-10-20 10:00:00 331

原创 Go AI Agent 实战 04｜Prompt 与消息角色：System、User、Assistant

本课聚焦于Go后端开发中的Prompt设计，系统讲解System、User、Assistant三类消息角色的用途与协作机制。通过Go结构体实现消息序列化，掌握如何组织清晰、可维护的提示词，理解多轮对话中历史消息的重要性，并警惕Prompt Injection风险。强调Prompt仅引导模型行为，不可替代程序校验，需结合工程实践确保输出可靠性。

2026-10-20 08:00:00 611

原创 Go AI Agent 实战 03｜Token、上下文窗口与模型调用成本

本课深入解析大模型中的Token机制，解答中文字符与Token数量差异、多轮对话内存占用及调用成本波动三大核心问题。通过实例说明Token非字符等长，上下文窗口限制影响请求设计，并强调需基于实际Tokenizer估算。重点讲解上下文管理策略（如最近窗口、摘要压缩），指导开发者在Go项目中实现高效对话状态控制与成本优化，为后续构建可控、经济的AI Agent打下基础。

2026-10-19 16:46:45 202

原创 Go AI Agent 实战 02｜大语言模型（LLM）到底是怎么工作的

本课从Go后端视角深入解析大语言模型（LLM）核心原理，涵盖模型生成机制、Token概念、幻觉成因及上下文理解。重点讲解推理阶段流程：基于概率逐步生成文本，依赖注意力机制理解上下文，但受限于上下文窗口与训练数据。强调模型非知识库，易产生幻觉，需通过RAG、验证与权限控制等工程手段保障可靠性。最后结合Go实践，明确后端在请求处理、错误应对与成本控制中的关键角色，为后续手写实现奠定基础。

2026-10-19 16:39:27 453

原创 Go AI Agent 实战 01｜AI 应用与传统后端的本质区别

本课厘清了传统Go后端与AI应用的本质区别：前者逻辑确定、规则显式；后者融合模型生成能力，引入不确定性。重点强调LLM仅作语言理解与生成，真实数据访问需通过Go后端控制的Tool Calling实现。工程上应保持关键逻辑可控，避免盲目使用Agent、RAG等复杂架构。学习路径遵循“理解→手写→封装”，确保可维护性与成本可控。

2026-10-19 16:30:25 257