借助Spring AI实现智能体代理模式：从理论到实践

前言

在人工智能领域，大语言模型（LLM）的应用愈发广泛，如何高效构建基于LLM的系统成为众多开发者关注的焦点。Anthropic的研究报告《构建高效代理》为我们提供了新的思路，其强调的简单性和可组合性原则，与Spring AI相结合，能为开发者带来强大的工具，用于构建实用且高效的AI应用。本文将深入探讨智能体代理模式在Spring AI中的实现，帮助开发者理解并运用这些概念来打造更出色的AI系统。

一、智能体代理模式基础概念

（一）智能体的定义

智能体的定义较为宽泛，从完全自主、能长时间独立完成复杂任务的系统，到遵循预定义工作流程的指令性实施方案都可涵盖。Anthropic对工作流程和智能体在架构上做了区分：工作流是通过预定义代码路径协调LLM和工具的系统；智能体则是LLM能动态指导自身流程和工具使用，掌控任务完成方式的系统。在实际应用中，对于定义明确的任务，工作流能提供更好的可预测性和一致性，这与企业对系统可靠性和可维护性的要求相契合。

（二）代理系统构建原则

在利用LLM构建应用程序时，应优先寻找最简单的解决方案，仅在必要时增加复杂性。因为智能系统虽然能提升任务性能，但往往伴随着延迟和成本的增加，所以要谨慎权衡这种取舍是否合理。对于定义明确的任务，工作流程是不错的选择；而当需要大规模的灵活性和基于模型的决策时，智能体更为合适。不过，对于许多应用，优化单个LLM调用通常就能满足需求。

二、Spring AI实现的五种智能体代理模式

（一）链式工作流

链式工作流类似于工厂流水线，将复杂任务拆分成多个小工序，前一工序的结果自动传递给下一工序。它基于“责任链”设计模式，便于随时添加新的处理环节。适用于需要分步骤完成的复杂任务（如先查天气再规划行程最后生成攻略）、对准确率要求高且愿意花费时间的任务（如重要文件的多级审批）以及后一步依赖前一步结果的任务（如做菜的流程）。

以下是Spring AI实现的示例代码：

public class ChainWorkflow {private final ChatClient chatClient;private final String[] systemPrompts;// 通过一系列提示处理输入，其中每一步的输出成为链中下一个步骤的输入。public String chain(String userInput) {String response = userInput;for (String prompt : systemPrompts) {// 将系统提示与上一个响应结合String input = String.format("{%s}\n {%s}", prompt, response);// 通过大语言模型处理并捕获输出response = chatClient.prompt(input).call().content();}return response;}
}

（二）并行化工作流

并行化工作流如同同时打开多个窗口工作，可让多个大模型同时处理任务并汇总结果。有分片处理（将大任务拆分成小任务，分配给不同大模型同时处理）和投票机制（让多个大模型处理同一任务，通过投票选出最佳结果）两种方式。适用于处理多个相似且互不干扰的任务（如同时分析多个用户群体的数据）、任务需独立运行（类似工厂流水线作业）以及能快速拆解并并行执行的任务（如同时生成多个产品描述）。

例如，使用Spring AI分析市场变化对四类利益群体的影响：

List<String> parallelResponse = new ParallelizationWorkflow(chatClient).parallel("Analyze how market changes will impact this stakeholder group.",List.of("Customers: ...","Employees: ...","Investors: ...","Suppliers: ..."),4);

（三）路由工作流

路由工作流类似于智能分诊台，能自动识别问题类型并将其转给最适合的处理流程。它通过LLM分析输入内容，将其路由到专门的提示或处理程序。适用于处理多种不同类型问题的场景（如客服系统同时处理咨询、投诉、技术问题）、不同问题需要不同专业人员处理的情况（类似医院的科室分类）以及需要精准分类输入内容的任务（如快递自动分拣系统）。

使用Spring AI的基本示例如下：

@Autowired private ChatClient chatClient;// 创建工作流
RoutingWorkflow workflow = new RoutingWorkflow(chatClient);// 为不同类型的输入定义专门的提示
Map<String, String> routes = Map.of("billing", "You are a billing specialist. Help resolve billing issues...","technical", "You are a technical support engineer. Help solve technical problems...","general", "You are a customer service representative. Help with general inquiries..."
);// 处理输入
String input = "My account was charged twice last week";
String response = workflow.route(input, routes);

（四）协调者 - 执行者

协调者 - 执行者模式类似电影拍摄现场，协调者（导演）负责分镜头，执行者（各工种）专注于自己的专业领域。采用“中央指挥部 + 特种部队”的架构，既保持灵活性又确保可控。适用于任务复杂无法提前拆解（如应对突发事件的应急小组）、需要不同专业视角（如建筑设计需要多方面配合）以及解决方案需要动态调整（如军事行动中的实时战术变化）的场景。

Spring AI实现示例代码：

public class OrchestratorWorkersWorkflow {public WorkerResponse process(String taskDescription) {// 1. 协调器分析任务并确定子任务OrchestratorResponse orchestratorResponse = //...// 2. 工作器并行处理子任务List<String> workerResponses = //...// 3. 结果合并为最终响应return new WorkerResponse(/*...*/);}
}ChatClient chatClient = //... 初始化聊天客户端
OrchestratorWorkersWorkflow workflow = new OrchestratorWorkersWorkflow(chatClient);// 处理任务
WorkerResponse response = workflow.process("Generate both technical and user-friendly documentation for a REST API endpoint"
);// 访问结果
System.out.println("Analysis: " + response.analysis());
System.out.println("Worker Outputs: " + response.workerResponses());

（五）评估者 - 优化者

评估者 - 优化者模式就像作家与编辑的协作，生成者大语言模型负责创作初稿，评估者大语言模型分析响应并提供改进反馈，通过“创作 - 反馈”循环机制，直到输出达到满意标准。适用于有明确品质标准（如学术论文的同行评审）、迭代改进能显著提升价值（如广告文案的AB测试）以及追求完美输出（如电影剧本的多次修订）的任务。

Spring AI实现示例代码：

public class EvaluatorOptimizerWorkflow {public RefinedResponse loop(String task) {// 1. 生成初始解决方案Generation generation = generate(task, context);// 2. 评估解决方案EvaluationResponse evaluation = evaluate(generation.response(), task);// 3. 如果通过，返回解决方案// 4. 如果需要改进，结合反馈并生成新的解决方案// 5. 重复直到满意return new RefinedResponse(finalSolution, chainOfThought);}
}ChatClient chatClient = //... 初始化聊天客户端
EvaluatorOptimizerWorkflow workflow = new EvaluatorOptimizerWorkflow(chatClient);// 处理任务
RefinedResponse response = workflow.loop("Create a Java class implementing a thread-safe counter"
);// 访问结果
System.out.println("Final Solution: " + response.solution());
System.out.println("Evolution: " + response.chainOfThought());

总结

Anthropic的研究见解为构建高效的基于大语言模型的系统指明了方向，而Spring AI则提供了切实可行的实现方式。通过上述五种智能体代理模式，开发者能够根据不同的应用场景，构建出健壮、可维护且高效的AI应用程序。在实践过程中，应始终牢记以简单性为出发点，充分理解应用场景的需求，避免不必要的复杂性。只有在复杂的设计能够显著提升系统性能或功能时，才进行相应的架构调整。相信随着对这些模式和原则的深入理解与应用，开发者们能够在AI领域创造出更多具有实际价值的创新成果。