06 Go Eino AI应用开发实战 | Eino 框架核心架构
Eino 框架核心架构
Eino 框架作为面试 Agent 平台的基础 AI 编排层，提供了一套全面的文档处理、向量存储和多 Agent 编排组件。该架构通过模块化、可扩展的组件实现了复杂的 AI 驱动面试体验。
核心架构概览
Eino 组件架构采用分层设计模式，在嵌入、存储、检索和 Agent 编排层之间分离关注点。其核心是利用 Cloudwego 的 Eino 框架提供企业级 AI 能力，并与向量数据库和语言模型无缝集成。
Milvus 集成层
Milvus 集成构成了向量存储和检索系统的骨干，封装在 MilvusManager 单例模式中（init.go#L22-L40）。这个集中式管理器协调所有向量数据库操作，并提供服务生命周期管理。
服务组件
MilvusManager 通过专用的包装类暴露四个核心服务：
服务
用途
关键实现
EmbeddingService
使用 ARK 模型进行文本到向量转换
embedding.go#L14-L21
IndexerService
文档存储和向量索引
indexer.go#L14-L21
RetrieverService
语义搜索和文档检索
retriever.go#L15-L23
DocumentSplitter
智能文档分块
splitter.go
MilvusManager 实现了带有线程安全初始化的单例模式，确保在并发 Agent 操作中资源管理的一致性。所有服务共享相同的底层 Milvus 客户端连接池以获得最佳性能。
向量存储流水线
文档处理流水线遵循从原始内容到可搜索向量的结构化流程：
- 文档引入：通过包括飞书集成的各种来源导入文档（importer.go）
- 内容分割：递归分割算法将文档分解为最优块（splitter/markdown.go）
- 向量嵌入：基于 ARK 的嵌入服务将文本转换为高维向量
- 索引存储：Milvus 索引器将向量与元数据一起存储以实现高效检索
Agent 架构
面试 Agent 系统利用 Eino 的 ADK（Agent 开发工具包）创建具有工具调用能力的专业化 AI Agents。每种 Agent 类型都为特定的面试场景和领域而设计。
Agent 类型和专业化
系统支持在 interview_agent_service.go#L14-L29 中定义的多个面试 Agent 类别：
类别
Agent 类型
用例
综合型
校招, 社招
通用面试评估
专业化
Go, Java, MQ, MySQL, Redis
技术技能评估
预测型
绩效预测
候选人成功预测
Agent 创建模式
每个专业化 Agent 都遵循一致的创建模式，以 Go Agent 为例（go_agent.go#L15-L48）：