news 2026/6/15 19:35:52

ChatModel 30行Go代码搞定大模型，Eino组件体系带你构建AI Agent（收藏版）

作者头像

张小明

前端开发工程师

1.2k 24
文章封面图
ChatModel 30行Go代码搞定大模型，Eino组件体系带你构建AI Agent（收藏版）

本文介绍了如何使用Eino组件体系构建AI Agent。核心组件包括ChatModel（大脑）、Tool（手）、Retriever（知识库）、ChatTemplate（格式化）、Embedding（向量化）和Document Loader（文档加载）。重点讲解了ChatModel、Tool、Chain和Graph的编排方式，以及流式处理和Callbacks功能。通过Eino，开发者可以轻松构建具备查资料、调接口、执行命令等能力的AI Agent。

昨天跑通了 ChatModel，30 行 Go 代码就让大模型说话了。但光会聊天不算 Agent——真正的 Agent 要能查资料、调接口、执行命令。

今天把 Eino 的组件体系和编排能力掰开讲清楚。这部分是 AI Agent 的骨架。

先看组件全景

Eino 里有几类核心组件，每个都对应 AI Agent 的一项基础能力：

六类核心组件协作关系

六类组件各司其职：

组件一句话解释典型场景
ChatModel大模型的大脑，负责理解+生成对话、摘要、翻译
Tool能动手干活的"手"查天气、调API、搜网页
Retriever从知识库找资料企业文档问答
ChatTemplate把输入格式化成Prompt系统提示+用户问题拼接
Embedding把文字转成向量语义搜索前置
Document Loader加载各种格式文档读取PDF/Markdown

核心组件逐个看

ChatModel：所有 AI Agent 的大脑

ChatModel 的核心接口：

type ChatModel interface { Generate(ctx context.Context, input []*schema.Message, opts ...Option) (*schema.Message, error) Stream(ctx context.Context, input []*schema.Message, opts ...Option) (*schema.StreamReader[*schema.Message], error) BindTools(tools []*schema.ToolInfo) error }

别被三个方法吓到，搞清楚每个的用途就行：

  • Generate：非流式，一次性拿到完整结果
  • Stream：流式，逐字输出，做聊天界面用这个
  • BindTools：告诉模型"你可以用这些工具"，模型答不上来的时候会主动说要调哪个工具

关键理解：BindTools 不是让模型执行工具，只是让模型"知道"有这些工具。真正执行在 ToolsNode 里。

ChatTemplate：把杂乱的输入转成标准 Prompt

用户输入千奇百怪，ChatTemplate 负责格式化——把用户问题 + 角色设定 + 历史对话拼成一组标准 Message：

template := prompt.FromMessages(schema.FString, schema.SystemMessage("你是一个{{.role}}，请用{{.style}}的风格回答。"), schema.UserMessage("{{.question}}"), ) msgs, _ := template.Format(ctx, map[string]any{ "role": "Go语言专家", "style": "简洁", "question": "goroutine 和线程有什么区别？", })

输出自动变成了：

SystemMessage: "你是一个Go语言专家，请用简洁的风格回答。" UserMessage: "goroutine 和线程有什么区别？"

Tool：给 Agent 装上一双能干活的手

Tool 是 Agent"动手"的能力。模型说"我需要查天气"，Tool 就去调天气 API。

定义一个 Tool 只需要实现两个方法：

type WeatherTool struct{} // Info 告诉模型：我是什么、需要什么参数 func (t *WeatherTool) Info(ctx context.Context) (*schema.ToolInfo, error) { return &schema.ToolInfo{ Name: "get_weather", Desc: "获取指定城市的天气信息", ParamsOneOf: schema.NewParamsOneOfByParams(map[string]*schema.ParameterInfo{ "city": {Type: "string", Desc: "城市名称", Required: true}, }), nil } // InvokableRun 模型决定调用时，真正执行的逻辑 func (t *WeatherTool) InvokableRun(ctx context.Context, args string, opts ...tool.Option) (string, error) { // 实际调天气 API return "北京今天晴，22-30°C", nil }

Info 里的参数定义会被转换成 JSON Schema，模型看到后自己决定什么时候调、传什么参数。

整个过程用时序图看更清楚：

Tool 调用时序

关键点：ChatModel 不执行工具，它只负责"决定调哪个工具"。真正的执行发生在 Tool 里。 这个分离让模型和工具各司其职，互不干扰。

Retriever：让 Agent 能"查资料"

ChatModel 的知识截止到训练日期。Retriever 负责从外部知识库检索相关内容，拼到 Prompt 里：

RAG 检索流程

使用 Retriever 之前需要先建好索引（这部分 Day 3 会完整演示）。

Chain 和 Graph：两种编排方式怎么选

组件有了，问题变成：怎么让它们按正确顺序串起来？

Eino 给了两种编排方式。选型的判断标准是这样的：

编排方式怎么选

Chain：简单线性场景

组件一个接一个，数据单向流动：

Chain：简单线性链路

代码就是逐行 Append：

chain := NewChain[map[string]any, *schema.Message](). AppendChatTemplate(template). // 第1步：拼 Prompt AppendChatModel(model). // 第2步：调模型 Compile(ctx) resp, _ := chain.Invoke(ctx, map[string]any{ "question": "解释一下 goroutine", })

Chain 自动处理了 template.Format() → model.Generate() 的完整流程。

Graph：处理分支和循环

真实 Agent 不可能是直线。模型调了工具，结果要传回来再分析——这是循环。

Graph：分支与循环

这就是 ReAct Agent 的核心循环。代码上用 Graph 来表示：

graph := NewGraph[map[string]any, *schema.Message]() // 添加节点 graph.AddChatTemplateNode("template", chatTpl) graph.AddChatModelNode("model", chatModel) graph.AddToolsNode("tools", toolsNode) graph.AddLambdaNode("converter", lambdaFunc) // 连接节点 graph.AddEdge(START, "template") graph.AddEdge("template", "model") // 关键：条件分支——模型输出后走哪条路 graph.AddBranch("model", func(ctx context.Context, msg *schema.Message) (string, error) { if len(msg.ToolCalls) > 0 { return "tools", nil// 模型要调工具 } return END, nil// 模型直接输出答案 }) graph.AddEdge("tools", "converter") graph.AddEdge("converter", "template") // 回到起点，循环 compiledGraph, _ := graph.Compile(ctx) result, _ := compiledGraph.Invoke(ctx, input)

选型结论：做 AI Agent 基本都要用 Graph，因为 Tool Call 天然需要循环。Chain 适合不需要判断、一路走到底的简单场景。

流式处理：不用等，打字机效果

Graph 编译产物同时支持 Invoke 和 Stream，无需额外代码：

// 非流式：等全部结果 result, _ := compiledGraph.Invoke(ctx, input) // 流式：逐字输出 streamReader, _ := compiledGraph.Stream(ctx, input) for { chunk, err := streamReader.Recv() if errors.Is(err, io.EOF) { break } fmt.Print(chunk.Content) }

Eino 还能自动处理流和非流之间的转换：

流与非流自动转换

不用写任何转换逻辑，Compile 时自动搞定。

Callbacks：看清 Agent 每一步

Agent 跑起来之后怎么看它内部发生了什么？用 Callbacks：

handler := compose.NewHandlerBuilder(). OnStartFn(func(ctx context.Context, info *compose.RunInfo, input compose.CallbackInput) context.Context { log.Printf("[%s] 开始，输入：%v", info.Name, input) return ctx }). OnEndFn(func(ctx context.Context, info *compose.RunInfo, output compose.CallbackOutput) context.Context { log.Printf("[%s] 结束，输出：%v", info.Name, output) return ctx }). Build() compiledGraph.Invoke(ctx, input, compose.WithCallbacks(handler))

每个组件执行前后都能拿到输入输出。Eino 内置了 Langfuse 和 APMPlus 的 Callback 实现，接上就能在 Web 看完整 Trace。

第二天小结

今天讲了五件事：

第一，Eino 六类核心组件——ChatModel（大脑）、Tool（手）、Retriever（知识库）、ChatTemplate（格式化）、Embedding（向量化）、Document Loader（文档加载）。

第二，ChatModel 除了 Generate 和 Stream，最关键的是 BindTools——让模型知道自己有什么工具。

第三，Chain 适合直线流程，Graph 适合有分支和循环的复杂场景。做 Agent 基本都要用 Graph。

第四，Graph 编译产物同时支持 Invoke 和 Stream，流与非流之间自动转换。

第五，Callbacks 能追踪 Agent 每一步的执行过程。

明天是重点：用 Graph 编排一个完整的 RAG ReAct Agent，会查知识库、会调工具，Go 代码全程可运行。

最后

如果说程序员已经是高薪职业，那么干AI的程序员，就是高薪中的高薪。

现在的市场，已经用数据给程序员指明了方向：学AI大模型，就是冲刺高薪的最优解！

看着身边越来越多的同行转型大模型、拿到高薪offer，很多人心里都动了心，但真正的难题来了：零基础小白不知道从哪入门？有基础的程序员找不到系统学习路径？实战项目练手无门？面试不知道考什么？

别慌！今天就给大家整理了一份【2026年最新版】AI大模型免费学习资源包，覆盖从入门到实战、从理论到面试、从基础到进阶的全流程，所有资料均已整理归档，无冗余、无套路，免费分享给每一位想抓住AI风口的程序员和小白！

👇👇扫码免费领取全部内容👇👇

1、大模型系统化学习路线

2、大模型学习书籍&文档

3、AI大模型最新行业报告

4、大模型项目实战&配套源码

5、大模型大厂面试真题

四阶段精细化学习规划（附时间节点，可直接照做）

结合上述资源，给大家整理了一份可直接落地的四阶段学习规划，总时长约2个月，小白可循序渐进，程序员可根据自身基础调整节奏，高效掌握大模型核心能力，快速实现从“入门”到“能落地、能面试”的跨越。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

  • 大模型 AI 能干什么？
  • 大模型是怎样获得「智能」的？
  • 用好 AI 的核心心法
  • 大模型应用业务架构
  • 大模型应用技术架构
  • 代码示例：向 GPT-3.5 灌入新知识
  • 提示工程的意义和核心思想
  • Prompt 典型构成
  • 指令调优方法论
  • 思维链和思维树
  • Prompt 攻击和防范
  • …
第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

  • 为什么要做 RAG
  • 搭建一个简单的 ChatPDF
  • 检索的基础概念
  • 什么是向量表示（Embeddings）
  • 向量数据库与向量检索
  • 基于向量检索的 RAG
  • 搭建 RAG 系统的扩展知识
  • 混合检索与 RAG-Fusion 简介
  • 向量模型本地部署
  • …
第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

  • 为什么要做 RAG
  • 什么是模型
  • 什么是模型训练
  • 求解器 & 损失函数简介
  • 小实验2：手写一个简单的神经网络并训练它
  • 什么是训练/预训练/微调/轻量化微调
  • Transformer结构简介
  • 轻量化微调
  • 实验数据集的构建
  • …
第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

  • 硬件选型
  • 带你了解全球大模型
  • 使用国产大模型服务
  • 搭建 OpenAI 代理
  • 热身：基于阿里云 PAI 部署 Stable Diffusion
  • 在本地计算机运行大模型
  • 大模型的私有化部署
  • 基于 vLLM 部署大模型
  • 案例：如何优雅地在阿里云私有部署开源大模型
  • 部署一套开源 LLM 项目
  • 内容安全
  • 互联网信息服务算法备案
  • …

👇👇扫码免费领取全部内容👇👇

6、这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

版权声明: 本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若内容造成侵权/违法违规/事实不符，请联系邮箱：809451989@qq.com进行投诉反馈，一经查实，立即删除！
网站建设 2026/6/15 19:34:52

Confluence OGNL漏洞(CVE-2022-26134)应急响应指南：排查、处置与加固步骤详解

CVE-2022-26134漏洞实战防御手册：Confluence OGNL注入漏洞全流程处置方案当企业安全团队在凌晨三点收到Confluence服务器的异常告警时，最需要的不只是漏洞原理分析，而是一套能立即执行的应急响应方案。这份指南将带您从漏洞预警到系统加固&am…

作者头像 李华
网站建设 2026/6/15 19:29:50

能源电子 | 射频测试利器：深度了解鼎讯 DXSL 矢量信号源系列

一、能源产业升级下，射频测试设备的价值定位在风电、光伏、储能、智能电网等新能源体系快速迭代的当下，电力电子设备、无线通信监测、能源测控系统的精密测试，成为产业稳健运行的关键一环。各类射频、微波信号的模拟、发射与检测，…

作者头像 李华
网站建设 2026/6/15 19:25:55

3分钟让你的Windows 11焕然一新：Win11Debloat一键优化指南

3分钟让你的Windows 11焕然一新：Win11Debloat一键优化指南 【免费下载链接】Win11Debloat A simple, lightweight PowerShell script that allows you to remove pre-installed apps, disable telemetry, as well as perform various other changes to declutter an…

作者头像 李华
网站建设 2026/6/15 19:25:17

嵌入式MPU内存保护单元：PXS20区域描述符配置与实战指南

1. MPU核心概念与嵌入式系统安全基石在嵌入式系统开发，尤其是涉及实时操作系统或多任务环境的项目中，内存安全是悬在开发者头顶的达摩克利斯之剑。一次越界的指针操作、一个任务对另一个任务数据区的意外写入，都可能导致系统崩溃、数据损坏&a…

作者头像 李华
网站建设 2026/6/15 19:24:38

终极指南：iBatis到MyBatis的自动化框架迁移解决方案

终极指南：iBatis到MyBatis的自动化框架迁移解决方案 【免费下载链接】ibatis2mybatis Tool to convert iBATIS 2 xml files to MyBatis3 项目地址: https://gitcode.com/gh_mirrors/ib/ibatis2mybatis 在当今快速发展的技术环境中，框架迁移已成为…

作者头像 李华
网站建设 2026/6/15 19:23:48

企业落地AI大模型，这5个选型要点决定成败

自从GPT突然出现, 直至进行深度推理, AI大模型正由“技术热词”, 变成企业能够降低成本、提高效率的核心引擎。然而, 真正的问题也跟着产生了: 当一个企业作出决定, 打算构建自己的AI大模型系统时, 究竟应当从什么地方开始着手呢? 众多管理者觉得只要购置一台高性能服务器, 安…

作者头像 李华