系列「企业级 AI Agent 实现拆解」E31 篇，Part 9 起步篇第一章。前面 30 篇拆解了 Eino 和 DeepFlux 的内部机制。从这里开始换个姿态：从零动手，把 Agent 真的跑起来。

读完这篇你会得到

• 一个能跑的 Go Agent 项目：30 行核心代码
• ChatModel + Tool + ReAct 三者怎么串在一起
• 用 DeepSeek（国内可用、最便宜）作为模型入口
• 看懂终端输出：Agent 在"想"什么

准备工作

你需要：

• Go 1.21 及以上（go version验证）
• DeepSeek API Key：去 platform.deepseek.com 注册，新用户有免费额度
• 一个能联网的终端

为什么选 DeepSeek？它的 API 兼容 OpenAI 格式，只需换一个BaseURL，价格比 GPT-4o 便宜 10 倍以上，特别适合调试。

第一步：初始化项目

mkdirmy-first-agent&&cdmy-first-agent go mod init my-first-agent

安装依赖：

go get github.com/cloudwego/eino@latest go get github.com/cloudwego/eino-ext/components/model/openai@latest

eino是核心框架，eino-ext里装了各个模型的驱动，这里用openai包驱动 DeepSeek（两者 API 格式相同）。

第二步：写一个 Tool

Tool 是 Agent 能调用的"工具"——类似函数，但 Agent 会根据任务自己决定要不要调它、怎么调。

新建main.go：

packagemainimport("context""fmt""io""os""github.com/cloudwego/eino-ext/components/model/openai""github.com/cloudwego/eino/components/tool""github.com/cloudwego/eino/components/tool/utils""github.com/cloudwego/eino/compose""github.com/cloudwego/eino/flow/agent/react""github.com/cloudwego/eino/schema")// 工具的输入参数：用 struct 定义，字段注释变成 JSON Schema 描述typeWeatherParamsstruct{Citystring`json:"city" jsonschema_description:"城市名，如 北京、上海"`}// 工具的执行逻辑：返回 (结果字符串, error)funcgetWeather(_context.Context,p*WeatherParams)(string,error){// 这里可以调真实天气 API，演示先硬编码returnfmt.Sprintf("%s 今天晴，气温 25°C，适合出行。",p.City),nil}

工具定义只需要三样东西：输入结构体、执行函数、一个名字和描述。

第三步：创建 ChatModel

funcnewChatModel(ctx context.Context)*openai.ChatModel{cm,err:=openai.NewChatModel(ctx,&openai.ChatModelConfig{BaseURL:"https://api.deepseek.com",// DeepSeek 的 OpenAI 兼容地址Model:"deepseek-chat",APIKey:os.Getenv("DEEPSEEK_API_KEY"),// 从环境变量读，别写死在代码里})iferr!=nil{panic(err)}returncm}

openai.NewChatModel本来是给 GPT 用的，但因为 DeepSeek 的接口格式一样，换个BaseURL就能用。这就是"接口兼容"带来的好处。

第四步：把 ChatModel + Tool 组成 Agent

funcmain(){ctx:=context.Background()// 1. 把函数包成 ToolweatherTool,err:=utils.InferTool("get_weather",// 工具名（Agent 会看到这个名字）"查询指定城市的天气",// 工具描述（Agent 用它决定什么时候调）getWeather,)iferr!=nil{panic(err)}// 2. 创建 ChatModelchatModel:=newChatModel(ctx)// 3. 用 react.NewAgent 把两者组装成一个 ReAct Agentagent,err:=react.NewAgent(ctx,&react.AgentConfig{ToolCallingModel:chatModel,ToolsConfig:compose.ToolsNodeConfig{Tools:[]tool.BaseTool{weatherTool},},})iferr!=nil{panic(err)}// 4. 发一条消息，用 Stream 得到流式回复sr,err:=agent.Stream(ctx,[]*schema.Message{{Role:schema.User,Content:"北京今天天气怎么样？适合去颐和园吗？"},})iferr!=nil{panic(err)}defersr.Close()// 5. 逐 token 打印（打字机效果）for{msg,err:=sr.Recv()iferr==io.EOF{break}iferr!=nil{panic(err)}fmt.Print(msg.Content)// 不换行，token 一个个蹦出来}fmt.Println()}

运行

exportDEEPSEEK_API_KEY="你的 key"go run main.go

你会看到类似这样的输出：

北京今天晴，气温 25°C，适合出行。颐和园户外游览非常适合， 建议上午前往，避开正午高温。记得带遮阳帽和防晒霜……

发生了什么？

这 30 行代码背后，Agent 完成了一次完整的 ReAct 循环：

用户消息 ↓ [思考] LLM 判断：需要查天气才能回答 ↓ [行动] 调用 get_weather(city="北京") ↓ [观察] 工具返回：北京今天晴，25°C ↓ [思考] LLM 结合观察生成最终回复 ↓ 流式输出给你

react.NewAgent把这个循环封装好了。你给它 ChatModel 和 Tool，它处理"什么时候调工具、调什么、把结果填回上下文再想一轮"这些细节。

utils.InferTool 做了什么

你写的是一个普通 Go 函数func(context.Context, *WeatherParams) (string, error)，utils.InferTool把它变成 Agent 认识的tool.InvokableTool：

1. 用反射读取WeatherParams的字段和jsonschema_descriptiontag，生成 JSON Schema
2. 把这个 Schema 告诉 LLM：“这个工具接受{city: string}参数”
3. 当 LLM 决定调工具时，把 LLM 返回的 JSON 参数反序列化成*WeatherParams，调你的函数

你只需要关心业务逻辑，不需要手写 JSON Schema。

三行改动就能换模型

想换成 GPT-4o？

BaseURL:"",// 删掉 BaseURL，用默认Model:"gpt-4o",APIKey:os.Getenv("OPENAI_API_KEY"),

想换成 Claude？后面会专门讲。想本地跑 Llama？E42 会讲 Ollama 接入。模型切换不影响工具和 Agent 逻辑。

完整代码清单

my-first-agent/ ├── go.mod └── main.go ← 全部 70 行（含注释）

不需要 YAML，不需要配置框架，不需要数据库。这就是 Eino 的最小可运行形态。

小结

一个可用的 AI Agent =ChatModel（大脑）+Tool（手）+ReAct 循环（神经）。

Eino 把 ReAct 循环封在react.NewAgent里，你只需要：

1. openai.NewChatModel接上模型
2. utils.InferTool包一个函数成工具
3. react.NewAgent组装起来
4. agent.Stream发消息、收回复

下一篇讲 Go 项目怎么组织——从脚本式的单文件，到 DDD 4 层结构，什么时候该分层、什么时候过度设计。

代码来源：eino-examples quickstart