字节开源 Eino 框架上手体验：Go 语言终于有能打的 Agent 编排工具了（含 RAG 实战代码）
作为一名 Go 后端开发者，过去一年在 AI 应用开发上是非常憋屈的。眼看着 Python 社区的 LangChain、LlamaIndex 玩出花来，Go 生态却只有零散的
go-openai库。
直到字节跳动 CloudWeGo 团队开源了 Eino，我试用了一周，感觉 Go 语言在 AI 工程化领域终于要翻身了。本文将从代码实战的角度，带你体验如何用 Eino + Hertz + Milvus 构建一个企业级的 AI Agent。
一、 什么是 Eino？解决了什么痛点？
在 Eino 出现之前，用 Go 写 AI 应用通常面临三个问题：
- 编排混乱：多轮对话、工具调用（Function Call）、状态流转全靠
if-else硬写，代码不可维护。 - 生态割裂：想接个向量库、想换个大模型，都需要自己造轮子。
- 调试困难：Agent 为什么死循环了？为什么没调工具？缺乏可视化的 Trace 手段。
Eino 的核心设计理念是 Graph（图编排）。它把 AI 应用抽象成一个图，节点（Node）是组件，边（Edge）是流转逻辑。
二、 环境准备
先初始化一个 Go 项目，安装核心依赖。 注意：Eino 目前迭代很快，建议使用最新版本。
go get github.com/cloudwego/eino@latest go get github.com/cloudwego/hertz@latest go get github.com/milvus-io/milvus-sdk-go/v2三、 实战：构建一个“面试官 Agent”
我们不仅要聊天，还要让 Agent 具备阅读简历和出题的能力。这是一个典型的 ReAct（Reasoning + Acting）场景。
3.1 定义工具（Tool）
首先，我们封装一个“简历解析工具”。Eino 对工具的定义非常标准，兼容 OpenAI 的 Function Call 格式。
```// tool/resume.go type ResumeParams struct { Url string `json:"url" desc:"简历的下载链接"` } func GetResumeInfoTool() componenttool.BaseTool { return &componenttool.Tool{ Name: "get_resume_info", Desc: "解析候选人的简历 PDF，提取技术栈和项目经验", Func: func(ctx context.Context, params *ResumeParams) (string, error) { // 这里省略具体的 PDF 解析逻辑 // 真实项目中建议使用 OCR 或大模型提取 return "候选人熟悉 Go, Eino, Milvus, Redis...", nil }, } }``
### 3.2 编排 Agent（核心代码）
接下来，使用 Eino 的 `NewChatModelAgent` 来编排。 注意看 `ToolsConfig` 的配置，这里我们把刚才定义的工具挂载进去了。
``` go
```// agent/interviewer.go import ( "github.com/cloudwego/eino/adk" "github.com/cloudwego/eino/compose" ) func NewInterviewerAgent(ctx context.Context, model chat.Model) (adk.Agent, error) { agent, err := adk.NewChatModelAgent(ctx, &adk.ChatModelAgentConfig{ Name: "TechInterviewer", // System Prompt：人设注入 Instruction: `你是一个资深 Go 面试官。 1. 必须先调用 get_resume_info 工具读取简历。 2. 根据简历中的技术栈（如 Eino, Hertz）进行深度追问。 3. 不要问基础八股文，要问场景设计。`, Model: model, // 底层大模型（DeepSeek/OpenAI） // 挂载工具箱 ToolsConfig: adk.ToolsConfig{ ToolsNodeConfig: compose.ToolsNodeConfig{ Tools: []componenttool.BaseTool{ GetResumeInfoTool(), }, }, }, // 关键：设置最大迭代轮数，防止 Agent 陷入死循环 MaxIterations: 15, }) return agent, err }``
**代码解析**： 这段代码虽然短，但它已经实现了一个完整的**自主智能体**。Eino 框架在底层自动处理了：
* User Query -> Model 思考
* Model 决定调工具 -> 解析参数 -> 执行 Tool
* Tool Result -> 回填给 Model -> Model 生成最终回答
* * *
## 四、 进阶：RAG 混合检索（Hybrid Search）
单纯的 Agent 容易产生幻觉。为了保证面试题的专业性，我们引入 **Milvus** 做知识库。 这里分享一个**生产级 RAG** 的关键点：**混合检索**。
很多教程只教你算 Vector Similarity（向量相似度），但在实际业务中，我们往往需要结合标量过滤（比如只搜“中级”难度的题）。
``` go
// retrieval/milvus.go func (s *RetrieverService) Retrieve(ctx context.Context, query string) ([]*schema.Document, error) { // 1. 动态构建 Filter (标量过滤) // 实际场景中，这个 filter 可能来自前端传参，或者由 LLM 意图识别生成 expr := "category == 'Golang' && difficulty == 'Hard'" // 2. 调用 Milvus SDK (向量检索) // 注意：Eino 的接口设计允许我们透传这些 option searchParam, _ := entity.NewIndexAUTOINDEXSearchParam(1) docs, err := s.client.Search(ctx, s.collection, nil, expr, // 核心：在这里传入标量过滤表达式 []string{"content"}, queryVector, milvus.NewTopKMetricType(milvus.L2, 5), // TopK searchParam, ) return s.convertToEinoDocs(docs), nil }五、 性能压测：Go vs Python
为了验证 Go + Eino 的性能，我们做了一个简单的压测（QPS 100）。
- Python (LangChain): CPU 飙升到 200%，P99 延迟波动很大（受 GIL 影响）。
- Go (Eino): CPU 稳定在 30%，P99 延迟非常平滑。
结论：在 IO 密集型 的 AI Agent 场景下（大量的 HTTP 请求、数据库读写），Go 的协程机制简直是降维打击。
六、 总结与源码
试用下来，Eino 给我的感觉是：工业风、扎实。它没有 LangChain 那么多花里胡哨的概念，但每一个 API 的设计都非常贴合微服务开发的直觉。
如果你也是 Go 开发者，想转型 AI 工程化，强烈建议试一下 Eino。它可能是目前 Go 生态中唯一能打的 Agent 框架。
源码获取：
为了方便大家学习，我把这个 【面试吧】 项目（Go + Eino + Hertz + Milvus）整理了一个开源版本。 包含：
- 完整的 Eino Graph 编排代码
- Milvus 混合检索实现
- Redis 异步队列处理逻辑
👉 关注公众号【王中阳】，回复“面试吧”即可获取 GitHub 地址和详细文档。
也可以在评论区交流你在使用 Eino 时遇到的坑，知无不言！