Eino + DeepFlux 实战全景复盘:100 篇,从 5 分钟 Demo 到企业级平台(第100篇-E86)

这是第 100 篇,收官篇。不拆新源码------反过来,把 99 篇走过的路和 DeepFlux 这个真实仓库放在一起盘一遍。

(一)100 篇走了哪几步

回头看,系列其实是一条"从外向内、再向外"的路线:

第一季(01-14):从平台往下看。 先拆 DeepFlux 这个企业级平台------DDD 四层、Session 状态机、ReAct 主循环、HITL、SSE 推流、Hook 护栏、多 LLM、RAG、记忆、RLS 多租户、审计、可观测。当时的问题是"企业级 Agent 平台长什么样",答案是 14 篇。

补充篇前半(E1-E30):钻进引擎。 平台跑在 Eino 上,那就把 Eino 拆开------Graph/Chain/Workflow 三种编排、Pipe 流式管道、七个组件接口(ChatModel/Tool/Retriever/Embedder/Document/Indexer/Prompt)、五个适配器怎么桥接。这段是最"源码"的:compose.Graph 怎么编译、Pregel 怎么调度、StreamReader 怎么背压,一路读到仓库内部。

补充篇后半(E31-E99):回到初学者。 意识到系列对新手不友好,从 E31"5 分钟跑通第一个 Agent"重开一条上手线,按"能跑→会说话→会思考→会做事→有知识→记得你→不乱跑→多 Agent→上线"的顺序重走一遍。B 场景的主题分布就是这个结构的投影:入门/实战 19 篇 + 源码 24 篇,两条线基本对半。

(二)Eino 的知识地图:99 篇收拢成六块

如果只允许留下六句话:

  1. 编排三件套:Chain 线性、Graph 通用 DAG、Workflow 字段映射。选择标准不是"哪个强",是控制流和数据流谁复杂------E52 给过决策表。
  2. 一切皆流 :从 Pipe[T](channel 背压)到 StreamReader 到 SSE,token 是一个个蹦出来的,中间每一跳都可能丢、可能堵、可能要转换。E6/E7/E45 三篇其实讲的是同一件事的三个深度。
  3. 组件即接口:七个组件接口全部是"接口 + 多实现 + Option 传参"的范式。会看一个,就会看全部;适配器写法在 E29 收拢成五个样板。
  4. 中断是常态:HITL 八模式(E85)、Checkpoint 七状态(E80)、per-tool 中断------生产 Agent 的一半复杂度在"停下来等人",不在"跑得快"。
  5. RAG 的魔鬼在切片和评测:E68 切片策略、E70 别信榜单测自己的、E74 多查询 vs 重排的分工、E76 端到端六步链路。检索效果差,九成不是模型问题。
  6. 上下文是稀缺资源:记忆四元组(E78)、衰减淘汰(E79)、长对话摘要(E82)、工具结果裁剪(E83)------全部在回答"窗口不够时先扔什么"。

(三)DeepFlux 怎么用 Eino:三平面

demo 的 C 场景验证了 DeepFlux 的骨架,对应三条平面的拍板:

平面 落点 职责
控制 orchestration BC Workflow 编排:步骤、审批点、断点续跑(V5 per-tool checkpoint)
智能 agent BC Agent 语义:会话、记忆召回、工具策略、方案包
执行 Eino(go.mod 依赖) 图编译、节点调度、流式管道、组件生态

两个 BC 都是标准 DDD 四层(application/domain/infrastructure/interfaces,C2 验证)。Eino 被压在 infrastructure 附近做执行引擎,不向上渗透------这是系列反复出现的边界原则:框架管跑,业务管意义。

30 个 internal 目录里,核心 BC(agent/orchestration/kb/memory/tool/hook/audit/tenant/auth/llm/mcp)构成平台的骨架,其余是支撑(storage/embedding/observability)和外围(billing/branding/sop)。

(四)框架边界:Eino 给了什么,DeepFlux 自己建了什么

收官最适合回答的问题。对照表:

能力 Eino 提供 DeepFlux 自建 为什么自建
图编排/调度 ✅ Graph/Chain/Workflow --- 引擎能力,直接用
流式管道 ✅ Pipe/StreamReader SSE 会话层(HertzStreamer) 业务要 critical 帧语义、断线恢复
ChatModel 适配 ✅ 多 Provider profiles.yaml + Quirks 修复链 配置驱动 + 模型脾气数据化
记忆 ❌ 无官方组件 四元组 scope + DecayScore + Profile 作用域语义是业务决策
多租户 ❌ 不在框架范围 Postgres RLS + SET LOCAL + 双防线 隔离是合规要求不是功能
工具安全 中间件钩子 五层防线(白名单→HITL→护栏→nonce→审计) 纵深防御,单层都会被绕过
HITL ✅ Interrupt/Resume + Checkpoint 审批中心、超时兜底 CronJob 面向人的流程完整闭环
可观测 ✅ Callback 切面 OTel 三信号 + Langfuse 双链路 企业要的是 trace_id 串日志和成本账单

规律很清楚:Eino 给的都是"引擎级"能力(跑、流、调、断),DeepFlux 建的都是"企业级"能力(租户、审计、防线、成本)。框架选型时真正该问的不是"它功能全不全",而是"它的边界划在哪里、边界外的东西我建起来顺不顺手"。Eino 的 Callback/中间件留了足够的切面,这是自建部分能立起来的原因。

(五)诚实复盘:被推翻和会变的

  • Qdrant → pgvector。README 顶部的注就是坦白:E09/E11 写于迁移前,Qdrant 内容是当时实现。少一个独立存储组件,运维面小一半------但代价是 HNSW 2000 维上限这类约束(E72)。
  • FlowAgent / Supervisor 被标 NOT RECOMMENDED 。E92/E93 拆源码时反复遇到:Agent 间 Transfer 全量共享上下文,实践中效果不如预期,官方建议改用 AgentTool(Agent 就是 Tool,E91 的 Host-Worker 模式)。看源码注释里的"不推荐"比看功能列表更接近真相。
  • 迁移数在长。143 → 145,两周 +2。任何"当前状态"的数字都是快照,复盘的价值在趋势和结构(序号连续、embed.FS 单一事实源),不在冻结的数值。
  • CozeLoop 自建被否、Langfuse 双链路。生产可观测走过弯路:先自建,内存开销否决,最终 Langfuse JP 区 + 已有 OTel 并行------E88/E89 拆的就是最终形态,弯路只在篇尾提了一句。

(六)写作方法复盘:demo-first

99 篇每篇都有一个 /tmp/eNNdemo:纯标准库 Go、不连网、自检 panic。这个约束逼出了三件事:

  1. 没跑过的结论写不出来 。demo 崩了就是理解错了------E87 复刻 Callback 时自检抓出 3 处断言错误,E99 假客户端漏抄 nil 守卫当场空指针。复刻失败的地方,恰恰是源码里最值得讲的细节。
  2. 小白友好不是少讲,是讲能跑的。入门线每篇的最小示例都是"复制粘贴能跑"的,复杂度靠 demo 场景数递增,不靠文字堆砌。
  3. 每篇结尾"git 没动"。一个锚点:系列只读不写,两个仓库(eino/eino-ext/deepflux)在写作期间零改动------所有"实测"都是只读探测,这话说得出口是因为它可验证。

小结

100 篇,一句话收拢:企业级 Agent = 引擎(Eino)× 工程化(DDD/RLS/审计/防线)× 运维(迁移/可观测/交付),缺一条腿都站不稳。

系列到这里收官。两个仓库还在长(迁移 +2 只是开始),如果哪天 Eino 出了 ADK 正式版的多 Agent 方案、或者 DeepFlux 的 orchestration 上了新玩法,再来写续篇也不迟------老规矩,先跑 demo 再说话。

相关推荐
怕浪猫8 小时前
设计你自己的可替换能力:三段式 Seam 实战,从需求到上线
agent·产品
阡之尘埃9 小时前
Python数据分析案例85——大模型微调全流程(SFT的LoRA微调)
人工智能·python·深度学习·语言模型·llm·微调·千问
腾讯云大数据9 小时前
DataBuddy数据语义驱动的企业Agent Runtime实践
大数据·人工智能·腾讯云·agent
wangruofeng10 小时前
AI 画架构图总差点意思,archify 给它加了一条验收流水线
架构·github·aigc
LadiesAndGentlemen10 小时前
开源地理空间智能项目中的本体思想 4-4:收尾篇——五种做法怎么选,治理之后还剩什么活
人工智能·语言模型·开源·aigc·知识图谱
林澈在路上12 小时前
AI翻唱软件哪个好 2026国产AI写歌工具对比推荐
大数据·人工智能·深度学习·github·aigc·音视频·音频
plainGeekDev12 小时前
Agent高级编排模式
agent·ai编程·claude
tachibana212 小时前
复杂任务怎么做的任务拆分?
人工智能·ai·大模型·llm·agent
tachibana212 小时前
ReAct、Plan-and-Execute、Reflection 三种范式有什么核心区别
人工智能·ai·大模型·llm·agent