AI

AI agent开发入门：基于eino开发agent（二）

TODO

Posted by pandaychen on January 11, 2026

0x00 前言

本文梳理下笔者实践过eino的若干示例

  • self-correcting-agent：自我反思与结果判定

0x01 Eino开发：review

Eino 的核心思想是图（Graph），可以将一个复杂的 AI 任务拆解成一个个独立的节点（Node），然后用边（Edge）将它们连接起来，定义数据的流向和处理逻辑。最终，这张Graph会被编译（Compile）成一个可执行的对象（Runnable）

  • Graph：构建工作流的画布
  • Node： 图中的操作单元
    • ChatModelNode： 专门用于和 LLM 进行交互的节点。它的输入是标准的消息格式（[]*schema.Message），输出是模型的回复（*schema.Message）
    • LambdaNode：一个通用的瑞士军刀，可以封装任意自定义的 Go 函数。通常用于：
      • 数据转换，即将一种数据类型转换为另一种，例如将简单的字符串输入包装成 ChatModelNode 需要的 []*schema.Message 格式
      • Prompt 格式化：根据输入动态生成复杂的提示词
      • 输出解析：从模型的原始输出中提取和清理需要的信息，例如从一段文本中解析出 code 或 general 这样的分类标签
  • BranchNode： 实现工作流的条件分支。它内部包含一个函数，该函数根据输入动态地返回下一个应该执行的节点的名称。这使得图可以根据不同的情况执行不同的路径，是实现智能路由的关键
  • Edge：定义数据在节点之间的流向
  • Runnable: 由图编译而成的可执行实例

如何选择节点？

  • 当需要与 LLM 对话时，使用 ChatModelNode
  • 当需要进行数据格式化、自定义逻辑处理、或者在调用模型前后进行预处理/后处理时，使用 LambdaNode，它是连接不同节点的胶水
  • 当需要根据某个条件动态地决定下一步走向时（如根据问题类型选择不同的专家模型），使用 BranchNode

0x01 基础编排示例：Chain

定义节点 –> 连接节点 –> 编译 –> 执行

func main(ctx context.Context) {
	// 1. 配置并创建模型实例
	qwenConfig := &openai.ChatModelConfig{
		BaseURL: "http://localhost:11434/v1", // Ollama 端点
		APIKey:  "ollama",                    // 任意字符串
		Model:   "qwen2.5:0.5b",
	}
	qwenModel, _ := openai.NewChatModel(ctx, qwenConfig)

	// 2. 创建图 (Graph)
	sg := compose.NewGraph[string, *schema.Message]()

	// 3. 添加节点 (Node)
	// 节点1: LambdaNode，将 string 类型的输入（input）转换成模型需要的 []*schema.Message
	formatInput := compose.InvokableLambda(func(ctx context.Context, input string/*用户提问的问题*/) ([]*schema.Message, error) {
		return []*schema.Message, nil
	})
	_ = sg.AddLambdaNode("format_input", formatInput)

	// 节点2: ChatModelNode，代表大模型
	_ = sg.AddChatModelNode("qwen_model", qwenModel)

	// 4. 添加边 (Edge)，定义数据流
	_ = sg.AddEdge(compose.START, "format_input") // 数据从起点流入 format_input
	_ = sg.AddEdge("format_input", "qwen_model") // format_input 的输出是 qwen_model 的输入
	_ = sg.AddEdge("qwen_model", compose.END)       // qwen_model 的输出是整个链的最终输出

	// 5. 编译 (Compile) 成 Runnable
	simpleChain, _ := sg.Compile(ctx)

	// 6. 执行 (Invoke)
	result, _ := simpleChain.Invoke(ctx, "Go语言的主要特点是什么？")

	fmt.Println(result.Content)
}

0x02 self-correcting-agent

本agent的实现流程如下：

flowchart TB
    A[用户问题] --> B[调度链 Invoke]
    B --> C{决策}
    C -->|code| D[代码专家链 Invoke]
    C -->|general| E[通用专家链 Invoke]
    D --> F[质检链 Invoke]
    E --> F
    F --> G{质检结果}
    G -->|good| H[✅ 接受结果]
    G -->|bad| I{重试次数 < 3?}
    I -->|是| D
    I -->|是| E
    I -->|否| J[接受最后一次结果]
  • 调度链（Dispatcher Chain）：主要职责是接收用户问题，并输出问题的分类
  • 主路由图（Main Router Graph）：它包含两个并行的专家模型节点（代码专家链和通用专家链）。它使用一个特殊的 BranchNode 来调用调度链，并根据其结果，动态地决定数据应该流向哪个专家节点

参考

CATALOG
    FEATURED TAGS
    Latex gRPC 负载均衡 OpenSSH Authentication Consul Etcd Kubernetes 性能优化 Python 分布式锁 WebConsole 后台开发 Golang OpenSource Nginx Vault 网络安全 Perl 分布式理论 Raft 正则表达式 Redis 分布式 限流 go-redis 微服务 反向代理 ReverseProxy Cache 缓存 连接池 OpenTracing GOMAXPROCS GoMicro 微服务框架 日志 zap Pool Kratos Hystrix 熔断 并发 Pipeline 证书 Prometheus Metrics PromQL Breaker 定时器 Timer Timeout Kafka Xorm MySQL Fasthttp bytebufferpool 任务队列 队列 异步队列 GOIM Pprof errgroup consistent-hash Zinx 网络框架 设计模式 HTTP Gateway Queue Docker 网关 Statefulset NFS Machinery Teleport Zero Trust Oxy 存储 Confd 热更新 OAuth SAML OpenID Openssl AES 微服务网关 IM KMS 安全 数据结构 hashtable Sort Asynq 基数树 Radix Crontab 热重启 系统编程 sarama Go-Zero RDP VNC 协程池 UDP hashmap 网络编程 自适应技术 环形队列 Ring Buffer Circular Buffer InnoDB timewheel GroupCache Jaeger GOSSIP CAP Bash websocket 事务 GC TLS singleflight 闭包 Helm network iptables MITM HTTPS Tap Tun 路由 wireguard gvisor Git NAT 协议栈 Envoy FRP DPI gopacket Cgroup Namespace DNS eBPF GoZero Gost Clash Tracee gopsutil Linux HIDS ELKEID XDP TC Systemd netlink Kernel BCC rootkit bpftrace AI
    FRIENDS