Содержание
Коротко
Python-CrewAI удобен для команд агентов, но тянет тяжёлый стек зависимостей и медленный холодный старт. Автор выложил crewai-go — идиоматический порт на Go с опорой на net/http, encoding/json и log/slog, и показал бок о бок сценарий «исследовать → написать».
Что произошло
В Python вы собираете Agent, Task и Crew с последовательным процессом. В Go те же роли: исследователь и автор, задачи с явным WithContext вместо неявной магии, Kickoff возвращает итог. Поверхность API похожа, среда выполнения другая: один бинарник, миллисекундный холодный старт, порядка 10–20 МБ памяти, потокобезопасность и высокий порог покрытия тестами.
В репозитории заявлены последовательный, иерархический и ступенчатый процессы, опциональный цикл план–исполнение–оценка–уточнение, веб-поиск и структурный вывод с починкой схемы JSON — всё на стандартной библиотеке. Есть офлайн-пример с макетом модели без ключа API.
Почему это важно
Оркестрация агентов часто упирается не в «умный промпт», а в стоимость доставки: контейнер, холодный старт, размер зависимостей. Порт на Go не отменяет Python-экосистему, но показывает, что контракт «команда специалистов» можно унести в лёгкий бинарник, если готовы писать интеграции сами.
На практике
- Если деплой
CrewAIраздулся из-за транзитивных пакетов — измерьте холодный старт и резидентную память до смены стека. - При переносе сохраните явные зависимости между задачами: в Go это видно в коде сильнее, чем в «магии» фреймворка.
- Для CI включите гонку данных и жёсткий порог покрытия — автор держит ~90% как ворота.
- Офлайн-пример с макетом LLM удобен для тестов оркестрации без счёта за API.
- Не ждите полного паритета с
litellm/langchain«из коробки» — оценивайте поверхность, которая вам реально нужна.
Итог
crewai-go — практичный ответ на тяжёлый Python-стек: те же идеи агентов и экипажа, другая экономика запуска. Имеет смысл смотреть, если вы уже в Go и хотите оркестрацию без зоопарка зависимостей.