全网首发！字节跳动 Eino 框架实战：从 0 到 1 打造面试 Agent（含 RAG + 向量检索）Eino 框架初

字节跳动 CloudWeGo 团队近期开源了 Eino 框架，填补了 Go 语言在 AI Agent 编排领域的空白。

作为一名 Go 开发者，如何利用 Eino 快速构建一个企业级的 AI 应用？本文将通过一个已开源的面试 Agent 平台，深度解析 Eino 的 Graph 编排、Tool Use 工具调用以及 RAG 知识库检索等核心特性。

一、 Eino 框架初体验：Go 终于有自己的 LangChain 了

长期以来，Go 语言在 AI 应用层一直处于“缺腿”状态。

LangChain (Python/JS)：生态丰富，但并发性能差，工程化弱。
Go 生态：只有零散的 go-openai 库，缺乏系统的 Agent 编排框架。

Eino 的出现改变了局面。 它沿袭了 CloudWeGo 一贯的高性能、强类型、微服务亲和的特点。

组件化：Model, Prompt, Tool, Memory 都是标准组件。
图编排：通过 Graph 定义复杂的业务流转，逻辑可视化。

二、项目实战：AI 面试官的诞生

为了验证 Eino 的能力，我开发了 【面试吧】 项目。这是一个模拟真实面试的 Agent，它需要具备以下能力：

看简历：解析 PDF，提取技能点。
出题目：根据简历和题库生成问题。
做评估：判断候选人回答的准确性。

2.1 核心依赖

require (
    github.com/cloudwego/eino v0.0.0-2024xxx
    github.com/cloudwego/hertz v0.8.0
    github.com/milvus-io/milvus-sdk-go/v2 v2.3.0
)

2.2 定义 Agent Graph（核心代码）

在 Eino 中，我们通过 Chain 或 Graph 来组织逻辑。对于面试这种复杂场景，Graph 是最佳选择。

// backend/chatApp/agent/interview/comprehensive/school_comprehensive_agent.go

// 1. 创建 ChatModel（大模型组件）
model, _ := chat.CreatOpenAiChatModel(ctx, userId)

// 2. 创建 Tool（简历解析工具）
resumeTool := tool2.GetResumeInfoTool()

// 3. 组装 Agent
// Eino 提供了 NewChatModelAgent 高级封装，内置了 ReAct 循环
agent, err := adk.NewChatModelAgent(ctx, &adk.ChatModelAgentConfig{
    Name:        "Interviewer",
    Description: "基于 Eino 的智能面试官",
    Model:       model,
    // 工具配置：Eino 会自动处理 Tool Call 的参数解析与回填
    ToolsConfig: adk.ToolsConfig{
        ToolsNodeConfig: compose.ToolsNodeConfig{
            Tools: []componenttool.BaseTool{resumeTool},
        },
    },
    // 状态管理：设置最大对话轮数
    MaxIterations: 15,
})

解析：

adk.NewChatModelAgent：这是 Eino 的高阶 API，它帮我们封装了 "User -> Model -> Tool -> Model -> User" 的复杂 ReAct 循环。我们只需要关注业务逻辑。

三、 RAG 进阶：Milvus 向量检索实战

面试官不能瞎问，必须基于题库。我们使用了 Milvus 作为向量数据库，并实现了一个自定义的 Retriever。

3.1 向量化与存储

我们编写了一个 importer，将 Markdown 格式的题库切分（Chunking），调用 Embedding 模型向量化，然后存入 Milvus。

3.2 检索实现（Retriever）

// backend/internal/eino/milvus/retrieval/retriever.go

func (s *RetrieverService) Retrieve(ctx context.Context, query string, opts ...Option) ([]*schema.Document, error) {
    // 1. 参数解析
    options := s.parseOptions(opts...)
    
    // 2. 混合检索（Hybrid Search）
    // 结合了 Filter（标量过滤）和 Vector Search（向量相似度）
    searchParam, _ := entity.NewIndexAUTOINDEXSearchParam(1)
    
    result, err := s.client.Search(ctx, 
        s.config.Collection, 
        []string{}, 
        expr, // 过滤表达式，例如：language == 'Go'
        []string{"content"}, 
        vectors, 
        s.config.VectorField, 
        milvus.NewTopKMetricType(milvus.L2, 3), 
        searchParam,
    )
    
    // 3. 结果组装
    // 将 Milvus 结果转换为 Eino 标准的 schema.Document
    return s.convertToDocuments(result)
}

价值：通过实现 Eino 的 Retriever 接口，我们的 Milvus 检索服务可以无缝嵌入到任何 Eino Agent 中，实现了组件的可复用性。

四、为什么推荐你学 Eino？

大厂背书：字节内部大规模使用的框架，稳定性有保障。
Go 语言红利：目前 Go 生态缺 AI 框架，先掌握的人就是“稀缺人才”。
工程化体验：如果你习惯了微服务开发，Eino 的开发体验会让你倍感亲切。

五、源码分享

为了帮助更多 Go 开发者快速上手 Eino，我将这个 【面试吧】 项目的核心代码整理出来了。包含：

Eino Agent 编排源码
Milvus RAG 检索源码
Redis 异步队列源码
Hertz 网关源码

👉 获取方式： 关注公众号【王中阳】，回复“面试吧”，即可获取。

或者在掘金评论区留言“Eino”，我私信发你项目仓库地址。

一起拥抱 AI 工程化的浪潮！

全网首发！字节跳动 Eino 框架实战：从 0 到 1 打造面试 Agent（含 RAG + 向量检索）

一、 Eino 框架初体验：Go 终于有自己的 LangChain 了

二、 项目实战：AI 面试官的诞生