为啥用GoZero快速实现AI应用开发后，我们又决定用_诺佳网—

大家好，我是王中阳，见字如面，感谢阅读！

最近我们团队在疯狂的研究AI。期间不仅做了几个还不错的项目，也踩坑不少。下面我就分享一下，过去用GoZero开发了怎样一个AI应用，以及为什么现在要用字节的Eino重构和优化。

我们过去基于gozero实现AI面试官智能体项目，一方面搞定了从0到1开发AI智能体应用，各种造轮子；另一方面，模拟面试，也是我粉丝股东们很迫切的需求。

之所以使用GoZero，是因为我在社区里看到了对MCP的支持，过去也用gozero开发了不少项目，本着快速跑通的原则，我们团队花了不到一个月就搞定全流程了，具体功能，大家可以看文章最后的介绍哈。

大家点击这个链接可以体验：核心功能全部搞定，细节还在持续优化中，欢迎大家提bug和建议哈。（目前服务器配置不高，token也有限，如果不可用，可以微信私信我：wangzhongyang1993，我再进行充值，哈哈）

但是，我们发现想进一步做性能和效果的优化，还是有些吃力，或者说有点摸不着头脑，不想一直自己造轮子，于是开始各种调研和对比，最终，我们把目光聚焦到了CloudWeGo开源的Eino框架。

毕竟我们团队绝大多数同学是gopher，字节在go生态中的地位我就不必多说了：

现在字节跳动旗下CloudWeGo开源的Eino框架可以说Langchain的平替，提供了一套简单易用却功能强大的解决方案，最近在看到这个框架的时候真的感觉的像是用到SpringAI框架真的很方便（我也是老Java了哈哈），我最近在优化的AI面试官智能体项目也通过这个框架变得更加简洁，功能更加强大。

我这次将结合开源文档和实际开发的Demo，给大家分享一下Eino框架的使用方法和核心优势，同时下一期内容给大家演示最重要的Agent领域的表现。

什么是Eino框架？

Eino是CloudWeGo生态下的AI应用开发框架，旨在降低大模型应用开发门槛。它提供了统一的接口抽象，支持多模型集成（如OpenAI、Anthropic等），内置流式响应、提示词模板等核心功能，让开发者可以专注于业务逻辑而非底层交互细节。

相较于传统开发方式，Eino的优势在于：

简化大模型API调用流程，无需重复封装HTTP请求
内置流式响应处理，轻松实现实时对话体验
强大的提示词模板系统，便于管理复杂对话逻辑
完善的上下文管理，轻松维护对话历史
兼容主流大模型，切换模型无需大幅修改代码
灵活强大的编排能力：覆盖从简单到复杂的全场景

实战：用Eino构建对话应用

接下来我通过一个完整的Demo，看看如何用Eino快速开发一个AI对话应用。

项目结构

我的Demo项目结构非常简洁：

    ai-eino-agent/
    ├── chatApp/
    │   ├── main.go         // 程序入口
    │   └── chat/
    │       └── chatTemplate.go  // 对话模板定义
    ├── go.mod              // 依赖管理
    └── go.sum

核心依赖配置

在go.mod中，我们主要依赖了Eino核心包和OpenAI扩展组件：

    require (
        github.com/cloudwego/eino v0.5.11
        github.com/cloudwego/eino-ext/components/model/openai v0.1.2
        // 其他依赖...
    )

通过这些依赖，我们可以直接使用Eino封装好的OpenAI接口，无需自己处理API鉴权、请求构造等底层逻辑。

1. 定义对话模板

在chatTemplate.go中，我们使用Eino的prompt包创建对话模板：

    func creatTemplate() prompt.ChatTemplate {
        // 创建模版，使用Fstring格式
        return prompt.FromMessages(schema.FString,
            // 系统提示词，定义AI角色和语气
            schema.SystemMessage("你是一个{role},你需要用{style}的语气回答问题，你的目标是解答程序员的面试问题"),
            // 插入对话历史
            schema.MessagesPlaceholder("chat_history", true),
            // 用户消息模板
            schema.UserMessage("问题：{question}"),
        )
    }

这个模板包含三个关键部分：

系统提示词：定义AI的角色（{role}）和回答风格（{style}）
对话历史占位符：用于插入之前的对话内容
用户问题占位符：接收当前用户输入

通过模板参数化，可以灵活调整AI的行为和对话内容，而无需修改模板结构，比以往更加灵活。

2. 初始化对话内容

同样在chatTemplate.go中，我们实现了MessagesTemplate()函数来初始化对话内容：

    func MessagesTemplate() []*schema.Message {
        template := creatTemplate()
        
        // 填充模板参数
        messages, err := template.Format(context.Background(), map[string]any{
            "role":     "经验丰富的大厂开发面试专家",
            "style":    "温和且专业",
            "question": "你好,什么是go语言",
            "chat_history": []*schema.Message{
                schema.UserMessage("你好"),
                schema.AssistantMessage("嘿！我是你的程序员面试助手...", nil),
                // 更多历史消息...
            },
        })
        if err != nil {
            log.Fatalf("format template failed: %v", err)
        }
        return messages
    }

这里我们为模板填充了具体参数，包括AI角色定义、对话历史和当前问题。Eino会自动处理模板渲染，生成符合大模型要求的消息格式。

3. 主程序逻辑

在main.go中，我们实现了完整的对话流程：

    func main() {
        ctx := context.Background()
        
        // 创建消息
        fmt.Printf("===create messages===\n")
        message := chat.MessagesTemplate()
        
        // 创建LLM实例
        fmt.Printf("===create llm===\n")
        model := chat.CreatOpenAiChatModel(ctx)
        
        // 流式获取并输出结果
        fmt.Printf("===llm stream ===\n")
        streamResult := chat.Stream(ctx, model, message)
        chat.ReportSteam(streamResult)
    }

整个流程非常清晰：

初始化上下文
创建消息列表（基于之前定义的模板）
初始化OpenAI模型客户端
发起流式对话请求并处理响应

4. 流式响应处理

Eino的流式响应处理非常优雅，我们不需要手动处理WebSocket或长轮询，只需调用Stream()方法即可获得一个流式结果通道，然后通过ReportSteam()函数实时输出结果：

    func ReportSteam(sr *schema.StreamReader[*schema.Message]) {
    defer sr.Close()

    for {
      message, err := sr.Recv()
    if err == io.EOF {
       return
      }
    if err != nil {
       log.Fatalf("recv message failed: %v", err)
      }
      content := message.Content

      fmt.Printf(content)
     }
    }

    func Stream(ctx context.Context, llm model.ToolCallingChatModel, in []*schema.Message) *schema.StreamReader[*schema.Message] {
     result, err := llm.Stream(ctx, in)
    if err != nil {
      log.Fatalf("llm generate failed: %v", err)
     }
    return result
    }

这种处理方式让我们轻松实现类似ChatGPT的打字机效果，大幅提升用户体验，我在优化Ai面试官智能体项目时原有繁琐的流失输出得到了更简洁的优化，而且输出效果更好，而且还有多种实时流选择。

Eino框架的核心优势

通过这个简单的Demo，我们可以感受到Eino框架的几个核心优势：

简化开发流程：封装了大模型调用的底层细节，开发者无需关注API请求格式、鉴权等问题
强大的模板系统：通过结构化的提示词模板，轻松管理复杂对话逻辑，提高prompt的可维护性
原生支持流式响应：内置流式处理机制，几行代码即可实现实时对话效果
灵活的上下文管理：通过MessagesPlaceholder轻松维护对话历史，无需手动拼接消息列表
多模型兼容：通过统一接口抽象，切换不同大模型时只需修改模型初始化部分

不仅如此！

Eino框架为大模型应用开发提供了一套高效、简洁的解决方案。通过本文的Demo，我仅用几十行代码就实现了一个具备流式响应、上下文管理功能的AI对话应用，比我们智能体项目原有的流式响应、上下文管理功能代码优化的更简洁高效，使用起来的感觉不亚于隔壁的SpringAI。

我之前在使用GoZero去写这个项目的时候感觉真的很繁琐，而现在Eino可以显著降低开发成本，让我的精力集中在业务逻辑和用户体验上。而且eino也提供了开箱即用的多agent编排模式使用也简单，我在优化我们训练营智能体项目agent的时候也方便许多，而且工具的调用也更加灵活。

如果你也在开发大模型应用，不妨试试CloudWeGo Eino，体验GO在Ai智能体领域的新方式。（注：Demo基于Eino v0.5.11版本开发，实际使用时请参考官方最新文档）

重构优化

也正因为如此，所以，我们决定使用Eino重构优化【AI智能面试官项目】，下面是关于这个项目的介绍：

体验地址：http://aigo.dayu.club/#/

我们的项目功能：

交互流程与状态管理
- 接收客户端 Post 请求（含用户输入 / 操作指令 / 文件上传）
- 通过 SSE 流式实时输出 AI 面试问题 / 反馈
- 利用 Redis 状态机（SessionID:State）管理面试流程，AI 能主动引导话题，推进面试目标
- 维持请求 - 响应链路的低延迟交互
多轮对话与知识库管理
- 基于 pgvector 扩展的 vector_store 表存储对话数据及知识库内容（含 id/chat_id(or doc_id)/role/content/embedding/created_at 字段）
- 支持单条消息/知识存储与历史对话/知识批量查询（通过 chat_id/doc_id 关联）
- 依托 embedding 向量实现对话上下文关联、连续性维护及知识库检索
PDF 处理与知识库构建
- 通过 MCP 服务（gRPC）接收并解析客户端上传的 PDF 文件，转换为文字内容并生成向量
- 提供独立 POST 接口，支持上传 PDF 文件至 RAG 本地知识库（存储原始文本及向量至 pgvector）
- 在 SSE 聊天交互中，自动将知识库检索结果与当前解析文本（如有）拼接至上下文，作为 AI 生成响应的参考依据
RAG 本地知识库集成
- 支持构建本地知识库（通过专用接口上传 PDF 向量化存储）
- 基于用户输入、对话历史及知识库内容，实时检索（向量相似度）知识库中相关内容辅助生成回复，提升 AI 响应的专业性与针对性
智能体调度与部署
- 基于 Redis 状态机实现 AI 智能体的目标导向行为，动态调整面试流程
- 采用 容器化部署：通过 Dockerfile 构建镜像，docker-compose.yml 编排服务（API, MCP-gRPC, PostgreSQL-pgvector, Redis, etcd），init.sql 初始化数据库表结构及扩展
- 实现一键启动：本地安装 Docker 后，执行 docker-compose up 即可启动全套服务（API、MCP、DB、Redis、etcd），无需额外环境配置