本文永久链接 – https://tonybai.com/2025/07/05/go-is-8020-language

大家好，我是Tony Bai。

如果你写了一段时间的 Go，你可能会有一种独特的感觉。一方面，它简洁、高效、可靠；另一方面，你又会时常觉得它“缺少”了点什么——没有其他语言里那些功能强大、眼花缭乱的特性。

有人因此热爱 Go，有人因此“憎恨” Go。但这种“爱”与“恨”的背后，其实都指向了 Go 语言一个最核心、也最常被误解的设计哲学。最近，一篇精彩的博文《Go is 80/20 language》用一个简单而强大的心智模型，完美地诠释了这一切。

这个模型就是——Go 是一门“80/20”语言。

它旨在用 20% 的复杂度，提供 80% 的实用功能。

正如 Go 语言的创造者之一 Rob Pike 所言：“没人否认 87% 的功能比 80% 好，但问题是，那额外的 7% 功能，往往需要付出 36% 的额外工作。”

这“额外的工作”，不仅是语言实现者的负担，更是我们每一个使用者的隐性成本。

Go 的 80/20 设计实例

让我们通过几个具体的例子，来感受 Go 如何将“80/20 法则”贯彻到底。

1. 并发：Goroutines vs. C#/Rust Async

Go 的并发模型极其简单：一个 go 关键字，加上用于通信的 channel。相比于 C# 或 Rust 中复杂的 async/await 语法、函数“着色”问题、以及需要开发者精细控制的运行时，Go 的并发模型的功能点和“旋钮”要少得多。

这正是 80/20 的体现。Goroutine 和 Channel 提供了 80% 最常用的并发场景解决方案，但其心智负担和实现复杂度，可能只有 async/await 的 20%。它放弃了那“额外 7%”的极致灵活性，换来的是绝大多数开发者都能轻松写对的并发程序。

2. 测试：testing 标准库 vs. Java JUnit

Go 的 testing 标准库只有几百行代码，数年间几乎没有大的变化。它提供了 t.Run, t.Error, b.N 等最核心的测试和基准测试功能。

相比之下，Java 的 JUnit 框架，拥有数万行代码和永无止境的开发迭代，提供了无数便捷的注解和高级功能。但这些功能，真的是我们日常测试所必需的吗？

Go 的 testing 库再次做出了 80/20 的选择：用 20% 的代码量和复杂度，满足了 80% 的测试需求，保持了核心库的稳定与简洁。

3. 元编程：Struct Tags vs. Annotations/Macros

有人抱怨 Go 的 Struct Tags 不如 Java 的注解或 Rust 的宏那么强大。是的，它的功能确实有限，只能附加简单的字符串元数据。

但这恰恰是 80% 的场景所需要的：JSON/XML 的序列化、ORM 映射、配置校验。它用最简单、最直白的方式解决了核心问题，而没有引入宏所带来的编译时复杂性、调试噩梦和陡峭的学习曲线。

4. 泛型：内建泛型先行

当 Go 在 1.0 版本发布时，并没有提供用户自定义泛型。但它为最需要泛型的内建类型——arrays/slices, maps, channels——提供了泛型能力(基于interface{})。

这个决策，是 Go 80/20 哲学最经典的体现。它在当时用最小的实现成本，解决了最痛的 80% 的问题，并让这个设计平稳地服务了 Go 社区超过十年。直到社区和语言本身都准备好了，才谨慎地引入了用户自定义泛型。

警惕“功能跑步机”与“双重成本”

许多其他语言，如 C#, Swift, Rust，它们的目标是“100% 的设计，哪怕付出 400% 的成本”。它们似乎陷入了一场永无止境的“功能跑步机”竞赛，不断地增加新特性。

博文作者一针见血地指出了“增加功能”背后，那常常被忽视的“双重成本”：

1. 实现者成本

每一个新功能，都会增加语言实现的复杂性。以 Swift 为例，尽管有苹果的无限预算和顶尖人才，其编译器在很长一段时间内都以慢、不稳定而闻名，跨平台能力也迟迟未能完善。这正是因为其设计的复杂性远超出了能够被完美实现的范畴。相比之下，Go 的简洁性保证了它从 1.0 版本开始，就拥有一个快速、稳定、全平台支持的编译器。

2. 用户成本

这是更巨大、更隐性的成本。对于我们开发者来说，学习一个新功能，绝不仅仅是学习它的语法。你需要：

• 学习新的编程范式和设计模式。
• 学习在何种场景下应该使用它，以及更重要的，在何种场景下不应该使用它。
• 即使你决定不使用这个新功能，你的同事、你依赖的开源库也可能会用，你最终还是被迫要去理解它，整个生态的认知负荷都在上升。

功能丰富的语言，最终往往需要制定严格的编码规范来限制其使用。比如 Google 的 C++ Style Guide，其存在目的就是为了将一个“95% 功能”的语言，人为地降级到“90% 功能”的子集来使用，以保证大型团队的协作效率。这恰恰从反面证明了“少即是多”的智慧。

小结：少即是多，一种克制的智慧

Go 的 80/20 哲学，并非是懒惰或能力不足，而是一种深思熟虑后的、极其克制的工程决策。它承认了复杂性的巨大代价，并选择把“简单”作为最高优先级。

它为你提供了一套足够强大、但又不至于让你迷失的工具集。它相信，通过组合这些简单的工具，你足以构建出任何复杂的系统。

所以，下一次当你感觉 Go “缺少”某个你习以为常的特性时，不妨换个角度思考：或许，这并非是 Go 的缺陷，而是它最宝贵的财富。

资料地址：https://blog.kowalczyk.info/article/d-2025-06-26/go-is-8020-language.html

你的Go技能，是否也卡在了“熟练”到“精通”的瓶颈期？

• 想写出更地道、更健壮的Go代码，却总在细节上踩坑？
• 渴望提升软件设计能力，驾驭复杂Go项目却缺乏章法？
• 想打造生产级的Go服务，却在工程化实践中屡屡受挫？

继《Go语言第一课》后，我的《Go语言进阶课》终于在极客时间与大家见面了！

我的全新极客时间专栏 《Tony Bai·Go语言进阶课》就是为这样的你量身打造！30+讲硬核内容，带你夯实语法认知，提升设计思维，锻造工程实践能力，更有实战项目串讲。

目标只有一个：助你完成从“Go熟练工”到“Go专家”的蜕变！ 现在就加入，让你的Go技能再上一个新台阶！

商务合作方式：撰稿、出书、培训、在线课程、合伙创业、咨询、广告合作。如有需求，请扫描下方公众号二维码，与我私信联系。

本文永久链接 – https://tonybai.com/2025/07/04/slm-is-the-future-of-agentic-ai

大家好，我是Tony Bai。

在 AI 的世界里，“越大越好”似乎已经成为一种颠扑不破的信仰。我们见证了参数量从数十亿飙升至万亿，也习惯了将最强大的通用大语言模型（LLM）视为驱动一切 AI 应用的核心引擎。

然而，就在这股追逐“巨无霸”模型的浪潮之巅，全球 AI 硬件的领导者 NVIDIA，其研究部门却发表了一篇重磅论文，提出了一个看似反直觉，却可能重塑行业的颠覆性观点：

AI Agent 的未来，不属于大模型，而属于小模型 (Small Language Models, SLM)。

这不仅仅是一次技术路线的争鸣，更可能预示着 AI Agent 领域一次深刻的架构范式革命。

现状：“大模型单体”的困境

首先，让我们看看当前大多数 AI Agent 的工作模式：它们的核心通常依赖于对少数几个通用 LLM（如 GPT-o3、Claude 4、gemini 2.5 pro 等）的 API 调用。这个 LLM 就像一个无所不能的大脑，负责理解用户意图、进行推理、调用工具、生成代码等所有智能任务。

这种架构虽然在初期能快速验证想法，但其弊端也日益凸显：
* 成本高昂： 每一次 API 调用都在燃烧真金白银。
* 延迟不可控： 依赖中心化的云服务，难以满足实时性要求。
* 功能浪费： 大多数 Agent 子任务（如格式转换、意图识别）其实非常简单、重复，用一个“通才” LLM 去做，无异于“杀鸡用牛刀”。

这种过度依赖单一、强大、通用模型的模式，与软件工程发展史上我们早已熟悉的“单体应用 (Monolith)”何其相似！

NVIDIA 的三大核心论据：为什么是 SLM？

NVIDIA 的论文从三个维度，系统性地论证了为什么 SLM 才是 AI Agent 的未来。

1. SLM 已足够强大

“小模型性能不行”早已是过时的观念。论文引用了大量最新研究（如 Microsoft 的 Phi 系列、NVIDIA 自家的 Nemotron-H 等）证明，现代的、经过精心设计的 SLM，在推理、代码生成、指令遵循等 Agent 关键能力上，已经可以媲美甚至超越比它们大几十上百倍的 LLM。“小”不再意味着“弱”。

2. SLM 天然更适合

AI Agent 的大部分内部工作流，并非开放式的聊天，而是范围狭窄、格式严格的机器间交互。比如，将用户请求转换为一个 JSON 格式的 API 调用。对于这类任务，SLM 的优势是压倒性的：
* 高效可预测： 低延迟、低资源消耗。
* 行为对齐更容易： 更容易通过微调，让其严格遵守特定的输出格式，减少“幻觉”。
通用 LLM 的广博知识和对话能力，在这些场景下反而成了不必要的累赘。

3. SLM 必然更经济

这是最致命的一击。论文指出，一个 7B 参数的 SLM，其推理成本（在延迟、能耗、算力上）通常比 70B-175B 的 LLM 便宜 10 到 30 倍！不仅如此，SLM 的微调也极其敏捷，可以在几小时内完成，而不是 LLM 所需的数周。这种经济性和灵活性，使得在边缘设备上部署、快速迭代和大规模应用成为可能。

新架构范式：从“大模型单体”到“小模型微服务”

如果接受了 SLM 的巨大优势，那么一个全新的、更优雅的 AI Agent 架构就浮出水面了。这正是我们从“架构角度”想要阐述的，我们可以将其类比为软件工程中从“单体”到“微服务”的伟大演进。

告别“万能”的大模型，拥抱“乐高式”的 AI Agent 新架构：

在这个新范式中，一个复杂的 AI Agent 不再由一个“全能大脑”驱动，而是由一个异构模型系统 (Heterogeneous System) 协同工作：

• 专家 SLM (Expert SLMs) -> 专职微服务：
  每一个 SLM 都被微调成一个特定领域的专家，负责一项高度专一的任务。比如：

  • SLM_Intent_Classifier：专门负责解析用户意图。
  • SLM_Code_Generator：专门负责生成特定语言和格式的代码片段。
  • SLM_JSON_Extractor：专门负责从非结构化文本中提取 JSON 数据。
    这些“模型微服务”小巧、高效、可独立部署和迭代。

• 通用 LLM (Generalist LLM) -> API 网关 / 服务编排器：
  昂贵而强大的 LLM 不再处理所有请求，而是被用在刀刃上。它扮演两个关键角色：

  • 用户入口：处理最前端的、开放域的自然语言对话。
  • 复杂任务调度员：当遇到需要跨领域通用知识或复杂推理的罕见任务时，才被调用。

• Agent 控制器 (Controller) -> 智能路由：
  Agent 的核心逻辑现在变成了一个轻量级的控制器，它的主要职责是根据任务类型，将请求精准地路由到最合适的“模型服务”（某个 SLM 或 LLM）上。

这种“模型即服务”、“模型即组件”的架构，其优势显而易见：

• 灵活性与组合性： 像搭乐高一样，按需组合不同的专家 SLM，构建功能强大的 Agent。
• 成本效益： 绝大多数请求由廉价的 SLM 处理，整体运营成本急剧下降。
• 高可用与容错： 单个 SLM 服务出现问题，不影响整个 Agent 的其他功能。
• 快速迭代： 可以快速地为某个新功能训练一个新的 SLM，并将其作为新服务加入系统，而无需改动庞大的主体。

结论：未来已来，Agent 的进化之路

NVIDIA 的这篇论文，为我们描绘了一幅清晰的未来图景：AI Agent 的发展，将遵循软件工程的经典演进规律，从笨重、昂贵的“大模型单体”，走向灵活、高效、经济的“小模型微服务”架构。

这标志着 AI 工程化正在从“炼金术”般的模型崇拜，转向更成熟、更可持续的系统设计思维。 未来的核心竞争力，或许不再是谁能调用最强的 LLM，而是谁能更高效地编排一个由众多专家 SLM 组成的“模型军团”。

对于所有 AI 领域的从业者来说，这不仅是一个需要关注的技术趋势，更是一次思维模式的升级。是时候重新审视我们对“智能”的定义，开始构建真正“小而美”的未来了。

论文地址：https://arxiv.org/abs/2506.02153

你的Go技能，是否也卡在了“熟练”到“精通”的瓶颈期？

• 想写出更地道、更健壮的Go代码，却总在细节上踩坑？
• 渴望提升软件设计能力，驾驭复杂Go项目却缺乏章法？
• 想打造生产级的Go服务，却在工程化实践中屡屡受挫？

继《Go语言第一课》后，我的《Go语言进阶课》终于在极客时间与大家见面了！

我的全新极客时间专栏 《Tony Bai·Go语言进阶课》就是为这样的你量身打造！30+讲硬核内容，带你夯实语法认知，提升设计思维，锻造工程实践能力，更有实战项目串讲。

目标只有一个：助你完成从“Go熟练工”到“Go专家”的蜕变！ 现在就加入，让你的Go技能再上一个新台阶！

商务合作方式：撰稿、出书、培训、在线课程、合伙创业、咨询、广告合作。如有需求，请扫描下方公众号二维码，与我私信联系。