从代码看哲学:ModelEngine FEL 与 Coze Eino的AI编排之道

【数字化知识】Eino与Coze的对比分析 字节跳动推出的Eino和Coze两款AI工具定位不同:Eino是面向专业开发者的Golang框架,强调代码可控性和复杂流程编排,适合企业级应用;Coze则是零代码平台,支持快速搭建对话机器人,适合非技术人员。Eino适合高可靠需求场景,Coze更侧重轻量级应用快速上线,两者可互补使用。核心差异在于用户群体、技术门槛和应用场景复杂度。 阅读详情

最近,Coze 开源的代码中包含了一个名为 Eino 的框架,其基于 Go 语言的组件化设计和图编排能力引发了开发者对 AI 应用开发效率的关注。Eino 的核心理念是通过组件抽象和图结构编排,解决大模型应用中的复杂流程控制、流式处理和状态管理问题。

而与此同时,在 Java 生态中默默耕耘的 FEL 框架,也因其简洁流畅的任务编排能力,逐渐走入更多工程师的视野。它不追求炫酷的图结构,而是专注于让开发者用最自然的方式定义 AI 工作流。

两者都瞄准了同一个目标:提升 AI 应用的开发效率与可维护性。但它们走的是两条截然不同的路。

今天,我们就从一些代码示例出发,对比 Eino 和 FEL 的编排设计哲学。

一、简单场景:谁更“顺手”?

让我们先来看一个最基础的对话流程:

图片

这几乎是所有 LLM 应用的起点。

✅ Eino 的做法:链式 or 图式?

Eino 提供了三种编排方式:Chain、Graph、Workflow。对于这个简单场景,推荐使用 Chain:

chain, _ := NewChain[map[string]any, *Message]().

           AppendChatTemplate(prompt).

           AppendChatModel(model).

           Compile(ctx)

chain.Invoke(ctx, map[string]any{"query": "what's your name?"})

干净利落,链式调用清晰表达了执行顺序。

但如果换成 Graph 方式(即便逻辑一样),代码立刻变得复杂:

graph := NewGraph[map[string]any, *schema.Message]()

_ = graph.AddChatTemplateNode("node_template", chatTpl)

_ = graph.AddChatModelNode("node_model", chatModel)

_ = graph.AddEdge(START, "node_template")

_ = graph.AddEdge("node_template", "node_model")

_ = graph.AddEdge("node_model", END)


compiledGraph, err := graph.Compile(ctx)

if err != nil {

    return err

}

compiledGraph.Invoke(ctx, map[string]any{"query":"what's your name?"})

多了节点命名、显式连边等操作——自由度更高,代价是冗余感上升。

✅ FEL 的做法:只有一种方式,但足够好用

FEL 坚持“大道至简”,只提供一种 Fluent API 风格的流程定义:

AiProcessFlow<Tip, String> flow = AiFlows.<Tip>create()

    .prompt(Prompts.human("question: {query}"))

    .generate(model)

    .reduce(() -> "", (acc, chunk) -> acc += chunk.text())

    .close();


flow.converse().offer(Tip.from("query", "what's your name?"));

没有图、没有节点 ID、没有 start/end 标记。整个流程像一条自然的语言流水线,读起来就像在描述业务本身。

这种设计的背后,是一种以开发者体验为中心的理念:你不需要理解图论,也能写出可靠的 AI 流程。

二、进阶挑战:条件分支,谁更优雅?

真实世界的应用从来不是一条直线。加入条件判断后,可以进一步校验编排能力。

我们扩展一下需求:

图片

在模型输出后,判断是否需要记录日志。如果需要,则调用日志函数;否则直接返回。

Eino:两种路径,同一套逻辑

无论是 Chain 还是 Graph,Eino 都依赖“条件函数返回目标节点名”的机制来实现跳转。

Chain 写法:

branchCond := func(ctx context.Context, input *schema.Message) (string, error) {

    if isNeedLog(input) {

        return "log", nil

    }

    return "else", nil

}


log := compose.InvokableLambda(func(ctx context.Context, input *schema.Message) (*schema.Message, error) {

    log(input)

    return input, nil

})

elseBranch := compose.InvokableLambda(func(ctx context.Context, input *schema.Message) (string, error) {

    return input, nil

})

chain, _ := NewChain[map[string]any, *schema.Message]().

           AppendChatTemplate(prompt).

           AppendChatModel(model).

           AppendBranch(compose.NewChainBranch(branchCond).AddLambda("log", log).AddLambda("else", elseBranch))

           Compile(ctx)

chain.Invoke(ctx, map[string]any{"query": "what's your name?"})

Graph 写法:

branchCond := func(ctx context.Context, input *schema.Message) (string, error) {

    if isNeedLog(input) {

        return "node_log", nil

    }


    return compose.END, nil

}


graph := NewGraph[map[string]any, *schema.Message]()

_ = graph.AddChatTemplateNode("node_template", chatTpl)

_ = graph.AddChatModelNode("node_model", chatModel)

_ = graph.AddLambdaNode("node_log", log)

_ = graph.AddEdge(START, "node_template")

_ = graph.AddEdge("node_template", "node_model")

_ = graph.AddBranch("node_model", branchCond)

_ = graph.AddEdge("node_log", END)


compiledGraph, err := graph.Compile(ctx)

if err != nil {

    return err

}

compiledGraph.Invoke(ctx, map[string]any{"query": "what's your name?"})

可以看到,虽然整体表现方式不同,但是条件分支的核心逻辑一致:通过字符串匹配决定流向。

优点是灵活性高,支持任意拓扑;缺点也很明显——字符串硬编码易出错,调试困难。一旦拼错节点名,运行时才会报错。

FEL:条件即表达式,无需跳转

FEL 的处理方式更像是函数式编程中的 match 或 when 表达式:

AiProcessFlow<Tip, String> flow = AiFlows.<Tip>create()

    .prompt(Prompts.human("question: {query}"))

    .generate(model)

    .reduce(() -> "", (acc, chunk) -> acc += chunk.text())

    .conditions()

    .when(this::isNeedLog, this::log)

    .others(input -> input)

    .close();



flow.converse().offer(Tip.from("query", "what's your name?"));

关键在于 conditions 这个 DSL 关键字,它把分支逻辑封装成声明式语句,完全避免了“跳转”概念。分支动作也是函数式接口,易于测试和复用。整体语法延续了之前的流畅风格,无割裂感。

你可以把它理解为:“在这个环节,根据某些规则做选择,然后继续往下走”,而不是“我要跳到哪个节点去”。

三、设计哲学的碰撞:图 vs 流

看到这里,你会发现 Eino 和 FEL 的差异远不止语法糖那么简单。它们代表了两种截然不同的设计哲学:

图片

四、结语:我们需要什么样的 AI 编排?

对开发者而言,AI 编排工具的终极理想无疑是:越简单越好用。我们渴望的是能快速落地、易于维护的解决方案,而不是陷入复杂的架构设计中。

但现实往往需要权衡——简洁的 API 背后,是否牺牲了应对复杂场景的能力?强大的图模型,又是否会抬高使用门槛,让日常开发变得笨重?

目前来看,FEL 明确选择了“简洁至上”的路径。它通过流畅的 Fluent API 抽象掉底层细节,让开发者专注业务逻辑本身,显著提升了常规任务的开发效率。

而 Eino 则走了一条更偏“能力先行”的道路。它直接暴露图结构与节点控制,以原生支持循环、分支、动态跳转等复杂拓扑,为构建智能体、自动化流程等高级场景提供了坚实基础。

然而,真正的成熟框架,不能只停留在“简单”或“强大”的单一体验上。我们还需要它在状态管理、流式处理、循环递归、错误恢复、可观测性等方面都交出令人信服的答卷。

这场关于 AI 编排的探索才刚刚开始。接下来,我们将深入更多真实场景,逐一检验 FEL 与 Eino 的边界与潜力。

最终的问题不是“谁更好”,而是:“在我们的业务语境下,谁更合适?”

🎁 想体验?看这里!

1. 进入官网(https://modelengine-ai.net/#/download) 下载 Windows 最新版

2. 按照下载页面的指引完成安装

3. 安装成功后即可进入页面体验,立即开始你的 AI 开发之旅!

4. 更多精彩内容请查看官网文档(https://modelengine-ai.net/#/docs) 中的应用工程栏目

图片

我们诚挚邀请您:

  1. 加入开源社区! ModelEngine 是开源项目!欢迎开发者 Star 我们的仓库,共同参与建设,打造更强大的 AI 应用开发平台!

  2. 反馈宝贵意见: 您的建议是我们持续优化的动力!

ThingsKit物联网平台产品管理之物模型 物模型是ThingsKit物联网平台为产品定义的数据模型,用于描述产品的功能。本文介绍物模型相关概念和使用限制。 阅读详情

相关推荐

SAP项目结算核心:结果分析码配置与KKA2/CJ88排错实战

结果分析码(RA Key)是SAP CO模块中实现项目收入确认与成本分摊的核心机制,其本质是一套融合时间逻辑、价值计算与责任归属的动态规则引擎。它并非简单映射会计科目,而是驱动KKA2和CJ88执行项目实际结算的关键算法,直接影响毛利真实性与财务合规性。在EPC、工程服务及多阶段合同场景下,错误选用RA01等默认配置极易导致收入虚增、税务风险与管理失真。本文结合sap ko88 增强与sap mdvp主数据校验等高频实践痛点,系统解析时间确定方法、值确定方法与结果分析类型三大维度,并提供五层穿透式排查链路,

weixin_34355559的博客 346

Eino - Go语言LLM应用开发框架

一、关于Eino 1、项目概览 2、相关链接资源 二、核心特性 1、丰富组件库 2、强大编排能力 3、完整流式处理 三、快速开始 基础使用 图形化编排 四、架构设计 五、安装要求 其它 安全报告

AI工程化、开源分享、文档翻译、代码笔记 1806

vue项目基于WebRTC实现一对一音视频通话

vue项目基于WebRTC实现一对一音视频通话。完整代码gitee地址: https://gitee.com/wade-nian/wdn-webrtc.git。

qq_920189602的博客 6650

AI智能体全面爆发:字节Coze三件套正式开源,打造企业级Agent开发闭环

字节跳动正式开源AI智能体开发平台「Coze」三件套,包括Coze Studio(零代码可视化开发)、Coze Loop(运维测试平台)和Eino(编排框架),采用Apache 2.0商业友好协议,支持免费商用和二次开发。该平台覆盖智能体全生命周期,降低开发门槛,已获13K GitHub星标。部署轻量,仅需2核CPU+4GB内存和Docker环境,推动AI智能体开发进入工程化落地阶段,标志着Agent开发迈向"前端化、产品化"新时代。

沉淀所学,分享所思,让热爱与成长同行。商务记录AI实战经验,助力开发者快速成长。 热爱AI,希望做出有影响力的技术成果。 技术点亮生活,分享连接价值与机会。 专注AI落地实战,陪你走好技术每一步。 4万+

基于mediapipe的动作捕捉和人物模型的驱动

我实习做这个的时候,当时也找了很多资料,但很多资料都没有讲透,下面我就总结一下自己结合看代码后的感悟,还有一些我认为很重要的点。

qq_58484580的博客 7715

高速DAC时钟与配置实战:DAC5681Z硬件设计与寄存器编程详解

在高速数据转换系统中,时钟信号是决定系统性能的核心要素,其稳定性和纯净度直接影响数模转换器(DAC)的输出频谱纯度与动态范围。时钟电路的设计原理涉及信号完整性、阻抗匹配与直流偏置,而内部锁相环(PLL)和延迟锁相环(DLL)的配置则是实现精确时序控制的关键技术。这些技术的价值在于,它们共同保障了高速通信、雷达和任意波形生成等应用对信号实时性与精度的严苛要求。本文聚焦于德州仪器(TI)的DAC5681Z,深入解析其外部时钟输入电路的硬件设计要点,包括端接电阻的计算与选型,并详细拆解通过串行外设接口(SPI)对

weixin_30342363的博客 191

什么是扣子(coze),一文读懂扣子(Coze)平台

扣子(Coze)是由字节跳动推出的**一站式AI应用开发平台**,旨在降低AI开发门槛,让用户无需编程经验即可快速创建、调试和部署各类AI智能体(如聊天机器人、自动化工具等),并支持多场景发布和商业化应用。以下是其核心功能与能力的详细解析:

优快云_430422的博客 2万+

广东省道路工程检测练习试题(判断题)真题

按下式计算小于某粒径颗粒质量百分数:X=(A/B)x100( )49.、挖坑灌砂法适用于在现场测定基层(或底基层)、砂石路面及路基土的各种材料压实层的密度和压实度,但不适用于填石路堤等有大孔洞或大孔隙材料的压实度检测。95.挖坑灌砂法适用于在现场测定基层(或底基层)、砂石路面及路基土的各种材料压实层的密度和压实度,但不适用于填石路堤等有大孔洞或大孔隙材料的压实度检测( )107.以干密度 pd 为纵坐标,含水率w为横坐标,绘 pd-w 关系曲线,曲线上峰值点的纵、横坐标分别为最大干密度和最佳含水率( )

ZShy001238的博客 686

第1篇-COZE :开启 AI 应用开发新旅程

COZE(扣子)是字节跳动推出的一站式AI应用开发平台,支持零代码/低代码开发,具备多模态处理能力和跨平台发布功能。该平台提供60+内置插件和自定义插件支持,可构建知识库、实现个性化交互,并兼容多种AI模型。应用场景涵盖生活助手、内容创作、学习工具、智能客服、数据管理和流程优化等领域。平台还包含性能优化工具、扣子罗盘(CozeLoop)和Eino开源框架,支持团队协作开发,可将智能体发布至多个社交平台和企业系统,显著降低AI应用开发门槛。

AI实操部署-深耕AI领域老菜鸟! 1371

AI量化学习入门指南:从零开始掌握人工智能投资策略

量化投资:利用数学模型和计算机算法进行投资决策的方法算法交易:自动执行预定义交易规则的系统机器学习:让计算机从数据中学习并改进的技术回测:用历史数据检验交易策略表现的过程特征工程:将原始数据转化为模型可理解的输入过拟合:模型过度适应历史数据,导致未来表现不佳夏普比率:衡量单位风险所获得的超额收益AI量化投资不仅仅是技术的应用,更是一种理性、系统化的投资哲学。它不追求预测市场的每一个拐点,而是通过概率思维和风险管理,在不确定性的市场中寻找统计优势。

AGI×大数据,开启智能时代的认知跃迁;解码AGI,赋能数据驱动的智能革命。 1135

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

第4篇-COZE 平台基础能力概览:从插件到框架

COZE平台为AI应用开发提供全方位支持,核心功能包括:1)插件体系(60+内置插件+自定义插件)快速扩展功能;2)多格式知识库构建智能问答系统;3)个性化交互记录用户偏好;4)支持接入多款AI模型灵活选型;5)提供CozeLoop开发监控工具和Eino可视化框架;6)分布式架构保障高性能运行。平台还具备团队协作、数据加密、生态社区等企业级服务,帮助开发者高效构建各类AI应用。通过丰富的发布渠道,智能体可快速触达微信、抖音等平台用户。

AI实操部署-深耕AI领域老菜鸟! 1779

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

Go语言AI智能体框架Eino详解:灵活高效的大模型应用开发利器!

Eino是Go语言开发的大模型应用框架,通过组件化设计(如ChatModel、Tool等)和三种编排模式(Graph/Chain/Workflow)帮助开发者快速构建可扩展的AI智能体。相比低代码平台,Eino支持复杂逻辑、高性能调优和完整开发流程,适合需要深度定制的企业级AI应用(如智能客服、知识库)。其特色包括类型安全、回调机制、检查点等实用功能,并配套ADK扩展套件支持多Agent协作。文末还提供104G大模型学习资源包,涵盖从入门到进阶的全套教程。

m0_65555479的博客 2499

温度PID控制PLC程序

温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

AI Agent开发(1) - eino框架使用

eino是字节推出的LLM应用开发框架,它使用golang作为开发语言,提供了众多的支持LLM应用开发的工具,下面介绍下这个框架的逻辑,以及如何开发一个ai agent,并集成到现有的项目内,以及调用大模型的过程中遇到的一些问题官网已经给出了一些使用的示例,可以参考搭建一个简单的LLM聊天功能框架支持的内容比较丰富,除了支持Agent,还支持Chain、Graph等组件,但我们这次主要说Agent。

ComingLiu的博客 1585

零基础 Eino + MCP 项目实战

本文将为读者深入介绍 Eino 与 MCP(Model Control Plane)的核心概念,并通过实际案例展示如何部署和调用大型语言模型(LLM)。无论是本地部署还是远程调用 LLM,我们都将提供详细的操作指南。通过一个实用的旅游规划项目,我们将展示如何利用 LLM 技术创建一个能够生成详细酒店住宿方案的智能助手。这个项目不仅演示了 LLM 的强大功能,也为读者提供了一个可复制的模板,以便在自己的应用中实现类似功能。

Gilvt_WTJ的博客 3234

COZE 开源,新一代 AI Agent 本地部署一条龙

7月26日,扣子(Coze)宣布开源其核心产品:零代码开发平台CozeStudio和调试工具CozeLoop。

Xsuperzone的博客 2136

Go语言开发AI智能体有多丝滑?字节重磅开源Eino框架,内含保姆级教程

面对这样的 “流式” 足球,对手球员手足无措,不知道该如何接球,但是你的球队的所有队员,都能够完美的接球,要么直接一个片一个片的接收 “流式” 足球并第一时间处理,要么自动的把所有片拼接成完整的足球后再处理。身怀这样的独门秘笈,你的球队具备了面对其他球队的降维打击能力!现在想象下你接手的足球队用了一些黑科技,比如:在每个队员接球和出球的瞬间,身上的球衣可以自动的记录接球和出球的速度、角度并传递给场边的服务器,这样比赛结束后,就可以统计出每个队员触球的情况和处理球的时间。本文采用向量化索引来构建知识库。

具身机器人和通用AI 1856

【Coze-AI智能体平台】一文读懂Coze生态:开发平台、罗盘、Eino框架、空间全解析,轻松打造你的AI助手

《初识Coze:字节跳动AI智能体开发平台入门指南》摘要: Coze(扣子)是字节跳动推出的零代码AI智能体开发平台,支持用户快速构建对话机器人等AI应用并部署至多平台。其产品生态包含四大组件:开发平台(可视化搭建智能体)、罗盘(运维监控系统)、Eino框架(Go语言开源开发工具)及空间(交互式AI协作环境)。无需编程基础即可通过Prompt工程创建专属AI助手,开发者还能调用API/SDK实现深度集成。文章详解了注册流程、核心功能及使用场景,强调Coze通过模块化设计降低了AI应用开发门槛,是赋能企业和个

小龙报的博客 3912

2025 最易懂的 Eino 入门指南:3 种核心编排模式让 AI 应用开发效率提升 300%

你是否还在为 LLM(大语言模型)应用开发中的类型安全、流式处理和复杂组件协作而头疼?Eino 框架凭借其简洁的 API 设计和强大的编排能力,已成为 Go 语言生态中构建 AI 应用的首选工具。本文将通过实战案例,带你掌握 Chain、Graph、Workflow 三种核心编排模式,零基础也能在 30 分钟内搭建起生产级 AI 应用。 ## 为什么选择 Eino? Eino['aino](谐...

gitblog_00266的博客 634

Eino编排框架实战:Graph、Chain与Workflow

Eino编排框架实战:Graph、Chain与Workflow 【免费下载链接】eino 项目地址: https://gitcode.com/GitHub_Trending/ei/eino ...

gitblog_00862的博客 977

Eino 编排系统详解 - 以“从工厂流水线到智能编排”方式理解

Eino 编排系统摘要 (148字): Eino 编排系统通过 Chain 和 Graph 两种模式管理 AI 工作流。Chain 提供线性流水线处理,简单直观但效率有限;Graph 支持并行分支执行,适合复杂场景但设计难度较高。系统采用类型对齐机制确保组件间数据兼容,支持完全匹配、接口匹配和 Any 类型三种对接方式。以智能问答系统为例,Chain 版本分三步线性处理用户天气查询,而 Graph 版本可并行执行知识检索和意图识别,最终合并结果生成回答。这套编排方案兼顾了开发便捷性和执行效率,适用于不同复杂

weixin_45644347的博客 1614

【coze】基础概念与使用

Coze平台使用与基础概念

qq_55829345的博客 1588

大语言模型应用开发框架 —— Eino 正式开源!

在组件定义和通用基座能力的基础上,我们认为,大模型应用开发存在相对固定的数据流转和流程编排范式:以 ChatModel(大模型)为核心,通过 ChatTemplate 注入用户输入和系统 prompt,通过 Retriever、Document Loader & Transformer 等注入上下文,经过 ChatModel 生成,输出 Tool Call 并执行,或输出最终结果。在明确的组件定义基础之上,我们认为,大模型应用开发存在通用的基座性质的能力,包括但不限于:处理模型输出的流式编程能力;

sc35262的博客 2983

基于Eino框架实现工具调用(RAG与辅助下单功能)

【摘要】Eino是基于Golang的大模型应用开发框架,借鉴LangChain等优秀框架,强调简洁性、可扩展性和可靠性。本文展示了如何构建一个结合MySQL订单系统和Milvus向量数据库的智能客服系统,包含RAG语义搜索和订单创建功能。通过Ollama实现文本嵌入,并详细说明了数据插入、索引构建等Milvus操作流程。项目采用模块化设计,包含数据库初始化、工具服务等组件,最后通过React Agent实现交互式对话。作者作为大二学生,计划进一步学习Vue开发AI应用,同时希望获得AI行业现状的指导。

2301_80476983的博客 967

Eino 安装与配置指南

Eino 安装与配置指南 【免费下载链接】eino 项目地址: https://gitcode.com/GitHub_Trending/ei/eino 1. 项目基础介绍 ...

gitblog_00617的博客 492

spring-ai-alibaba 学习(二十一)——graph源码流程梳理

本文概述了图计算流程的三个主要阶段:1)定义图结构;2)编译图(包含节点合法性验证、子图处理、并行节点合并等);3)执行图流程。执行阶段通过Java Stream API实现自动迭代,核心逻辑位于AsyncNodeGenerator.next方法,该方法处理开始/结束节点逻辑、中断判断及业务节点执行。关键调用路径展示了从CompiledGraph.invoke到最终业务逻辑执行的完整链路。整个流程实现了图的自动化执行和状态管理。

hzp的专栏 913
上一篇: 当 AI 学会“造 AI”:ModelEngine Nexent 亮相 GOSIM 2025
下一篇: ModelEngine 的插件和应用还可以提供 MCP 服务!解锁更多玩法
魔擎社区(ModelEngine)
博客等级 码龄2年 29粉丝 11原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值