test: add unit tests and sample notes

data/eino-intro.md

@@ -0,0 +1,35 @@
+---
+tags: [eino, agent, go, framework]
+---
+
+## EINO 框架简介
+
+EINO 是字节跳动 CloudWeGo 团队开发的 Go 语言 AI 应用框架，提供了从组件到编排到 Agent 的完整开发栈。
+
+## 三大核心模块
+
+### 1. Components（组件）
+Eino 定义了一系列标准化的组件接口：
+- **ChatModel**：与大语言模型交互
+- **Embedding**：文本向量化
+- **Retriever**：文档检索
+- **Tool**：工具调用
+- **Indexer**：文档索引
+
+### 2. Chain/Graph（编排）
+通过有向无环图将组件编排成复杂的数据处理流程：
+- 类型安全的边连接
+- 自动流式转换
+- Callback 机制
+
+### 3. ADK（Agent Development Kit）
+提供多种 Agent 编排模式：
+- **ChatModelAgent**：ReAct 模式的单 Agent
+- **Supervisor**：中心化的多 Agent 协作
+- **Plan-Execute**：先规划后执行
+
+## 为什么选择 EINO
+
+1. Go 原生协程，性能优异
+2. 编译时类型检查，减少运行时错误
+3. 开箱即用的 Agent 模式

data/go-concurrency.md

@@ -0,0 +1,46 @@
+---
+tags: [go, concurrency, goroutine]
+---
+
+## Go 并发模式概述
+
+Go 语言的并发模型基于 CSP（Communicating Sequential Processes）理论，核心思想是"通过通信共享内存，而不是通过共享内存通信"。
+
+## Goroutine 基础
+
+Goroutine 是 Go 运行时管理的轻量级线程。创建一个 goroutine 只需要在函数调用前加上 `go` 关键字：
+
+```go
+go func() {
+    fmt.Println("Hello from goroutine")
+}()
+```
+
+Goroutine 的初始栈大小只有 2KB，远小于操作系统线程的 1-2MB，因此可以轻松创建数十万个 goroutine。
+
+## Channel 通信
+
+Channel 是 goroutine 之间通信的管道：
+
+```go
+ch := make(chan int, 10) // 带缓冲的 channel
+ch <- 42                 // 发送
+value := <-ch            // 接收
+```
+
+## 常见并发模式
+
+### Fan-out/Fan-in
+将任务分发给多个 goroutine 并行处理，然后汇总结果。
+
+### Pipeline
+将处理流程分成多个阶段，每个阶段是一个 goroutine，通过 channel 串联。
+
+### Worker Pool
+固定数量的 worker goroutine 从任务队列中取任务执行。
+
+## 常见陷阱
+
+1. **Goroutine 泄漏**：goroutine 阻塞在 channel 上无法退出
+2. **Race Condition**：多个 goroutine 同时读写共享变量
+3. **Deadlock**：所有 goroutine 都在等待对方

data/prompt-engineering.md

@@ -0,0 +1,30 @@
+---
+tags: [prompt, llm, engineering]
+---
+
+## Prompt Engineering 最佳实践
+
+Prompt Engineering 是设计和优化输入给大语言模型的提示词的技术。
+
+## 核心原则
+
+### 1. 明确指令
+告诉模型具体要做什么，而不是模糊描述：
+- 好：将以下文本翻译成英文，保持专业术语不变
+- 差：处理一下这个文本
+
+### 2. 提供示例
+Few-shot learning 通过给出示例来引导模型行为。
+
+### 3. 分步思考
+Chain-of-Thought 提示让模型逐步推理：
+"请一步步思考，首先分析问题，然后给出解决方案"
+
+### 4. 角色设定
+通过 System Prompt 设定模型的角色和行为边界。
+
+## 常用技巧
+
+- **结构化输出**：要求 JSON/Markdown 格式输出
+- **约束条件**：明确输出的限制和要求
+- **上下文管理**：合理控制上下文窗口的使用

data/rag-pattern.md

@@ -0,0 +1,36 @@
+---
+tags: [rag, llm, search, embedding]
+---
+
+## RAG 检索增强生成
+
+RAG（Retrieval-Augmented Generation）是一种将外部知识库与大语言模型结合的技术范式。
+
+## RAG 的核心流程
+
+### 1. 索引阶段（Indexing）
+- 加载文档（Document Loader）
+- 文本分块（Chunking）
+- 向量化（Embedding）
+- 存入向量数据库（Indexer）
+
+### 2. 检索阶段（Retrieval）
+- 用户查询向量化
+- 向量相似度搜索
+- 返回 Top-K 相关文档
+
+### 3. 生成阶段（Generation）
+- 将检索结果注入 Prompt
+- LLM 基于上下文生成回答
+
+## 混合检索
+
+结合语义搜索（向量相似度）和关键词搜索（BM25），取长补短：
+- 语义搜索：理解用户意图，找到表述不同但意思相近的内容
+- 关键词搜索：精确匹配专业术语和专有名词
+
+## 向量数据库选型
+
+- **Milvus**：分布式，适合大规模生产环境
+- **Chroma**：轻量级，适合原型开发
+- **内存实现**：最简单，适合小规模和个人项目