Spring AI Alibaba 1.1

2025年11月12号Java Agent 生态迎来重大发布Spring AI 发布 1.1.0 GA 正式版本紧接着2025年11月13号Spring AI Alibaba 1.1 版本正式发布。1.1 版本是在总结 1.0 版本企业实践经验基础上发布的新版本标志着构建企业级、生产就绪的 AI 智能体Agent应用进入了一个新的阶段。Spring AI Alibaba 的核心目标是提供构建 Agentic 智能体应用最简单的方式您只需不到 10 行代码就可以启动并运行一个智能体应用。同时对于企业级场景需要的 Multi-agent、Workflow 工作流编排提供强大支持。本文将深入解读 1.1 版本的核心能力从基础的ReactAgent构建到复杂的“上下文工程”再到强大的多智能体Multi-agent协作帮助您全面了解如何利用该框架构建下一代智能应用。网址http://java2ai.com提供了详细的上手教程文档架构概览三层设计Spring AI Alibaba 项目在架构上包含三个清晰的层次Agent Framework以ReactAgent设计理念为核心的 Agent 开发框架内置了自动上下文工程和 Human In The Loop 等高级能力。Graph一个更底层级别的工作流和多代理协调框架是 Agent Framework 的底层运行时基座用于实现复杂的工作流编排同时对用户开放 API。Augmented LLM基于 Spring AI 框架的底层原子抽象提供了模型、工具、消息、向量存储等构建 LLM 应用的基础。快速开始我们以一个基础的 Spring Boot 应用为基础来开发一个 Spring AI Alibaba Agent 智能体可以通过访问 https://start.spring.io/ 生成一个基础 Spring Boot 项目。快速运行一个 ChatBot 示例社区在 https://github.com/alibaba/spring-ai-alibaba/tree/main/examples/chatbot 提供了一个简单的 ChatBot 智能体示例可以执行 Python 脚本、Shell脚本、查看本地文件等。接下来我们尝试通过运行示例快速体验 Spring AI Alibaba 1.1 版本。下载示例源码git clone https://github.com/alibaba/spring-ai-alibaba.git cd examples/chatbot启动 ChatBot 智能体mvn spring-boot:run打开 UI 和智能体聊天测试智能体在示例的 Console 输出栏可以看到一条 UI 地址打印出来http://localhost:8080/chatui/index.html 点击打开浏览器页面即可与智能体聊天了可以看到详细的工具调用、推理过程。示例源码解读首先是需要在项目添加如下 POM 依赖在项目中添加如下依赖dependencies !-- Spring AI Alibaba Agent Framework -- dependency groupIdcom.alibaba.cloud.ai/groupId artifactIdspring-ai-alibaba-agent-framework/artifactId version1.1.0.0-M4/version /dependency !-- DashScope ChatModel 支持如果使用其他模型请参考文档选择对应的 starter -- dependency groupIdcom.alibaba.cloud.ai/groupId artifactIdspring-ai-alibaba-starter-dashscope/artifactId version1.1.0.0-M4/version /dependency !--【可选依赖】studio可以默认带来Chat UI界面 -- dependency groupIdcom.alibaba.cloud.ai/groupId artifactIdspring-ai-alibaba-studio/artifactId version1.1.0.0-M4/version /dependency /dependencies创建 Agent创建一个 ChatBot Agent 只需要如下几行代码本示例使用 Spring Boot 方式启动// ChatModel 等模型通信实例可自动注入 Bean public ReactAgent chatbotReactAgent(ChatModel chatModel, ToolCallback executeShellCommand, ToolCallback executePythonCode, ToolCallback viewTextFile) { return ReactAgent.builder() .name(SAA) .model(chatModel) .instruction(INSTRUCTION) .enableLogging(true) .tools( executeShellCommand, executePythonCode, viewTextFile ) .build(); }python工具定义如下这里使用 GraalVM Python 库执行脚本具体 PythonTool 可在 Github 仓库查看源码Bean public ToolCallback executePythonCode() { return FunctionToolCallback.builder(execute_python_code, new PythonTool()) .description(PythonTool.DESCRIPTION) .inputType(PythonTool.PythonRequest.class) .build(); }核心设计理念ReactAgentReactAgent是 1.1 版本的核心组件之一它基于ReActReasoning Acting范式。这意味着 Agent 不仅仅是调用 LLM它还可以在一个循环中运行通过“思考Reasoning”来分析任务、决定使用哪个“工具Acting”然后“观察Observation”工具结果并迭代此过程直到任务完成。ReactAgent行为由三个核心组件定义Model (模型)Agent 的“大脑”即 LLM 推理引擎如DashScopeChatModel。Tools (工具)赋予 Agent 执行操作的能力。您可以轻松定义一个工具// 定义一个搜索工具 public class SearchTool implements BiFunctionString, ToolContext, String { Override public String apply(String query, ToolContext toolContext) { return 搜索结果 query; } } // 将其注册为工具回调 ToolCallback searchTool FunctionToolCallback .builder(search, new SearchTool()) .description(搜索信息的工具) .build();System Prompt (系统提示)通过systemPrompt或instruction参数塑造 Agent 的角色和行为方式。GraphWorkflowGraph 是 Agent Framework 的底层运行时基座是一个低级工作流和多智能体编排框架。它通过State状态、Node节点和Edge边三个核心概念使开发者能够实现复杂的应用程序编排。Graph 提供了声明式的 Agentic API 与底层原子化的 Graph API 两种开发模式开发者可以根据业务需求选择合适的方式。Graph 引擎原生支持 Streaming流式响应、Human In the Loop人工介入、Memory Context记忆与上下文管理等智能体核心能力。在复杂场景中可以将ReactAgent作为 SubGraph Node 集成到 StateGraph 中实现 Agent 与自定义 Node 的混合编排支持顺序执行、并行处理、条件分支等复杂流程控制为构建企业级多智能体应用提供了强大的底层支撑。框架内置了多种流程型 Agent支持不同的多智能体协作模式SequentialAgent顺序执行按预定义顺序依次执行多个 Agent (A - B - C)。每个 Agent 的输出通过outputKey指定会传递给下一个 Agent适用于需要按步骤顺序处理的任务如”写作 - 评审 - 发布”的流程。ParallelAgent并行执行将相同的输入同时发送给所有子 Agent 并行处理然后使用MergeStrategy合并结果。适用于需要同时执行多个独立任务的场景如同时生成散文、诗歌和总结等。LlmRoutingAgent智能路由使用 LLM 根据用户输入和子 Agent 的description智能地选择一个最合适的子 Agent 来处理请求。适用于需要根据上下文动态选择专家 Agent 的场景如根据问题类型自动路由到编程专家或写作专家。上下文工程 (Context Engineering)构建 Agent 最大的难点是使其可靠。Agent 失败通常不是因为 LLM 能力不足而是因为没有向 LLM 传递“正确”的上下文。上下文工程Context Engineering正是解决这一问题的核心理念以正确的格式提供正确的信息和工具使 LLM 能够可靠地完成任务。Spring AI Alibaba 将上下文分为三类并提供了精细化的控制机制上下文类型你控制的内容拦截与处理机制模型上下文指令、消息历史、可用工具、响应格式等Interceptor, Hook工具上下文在工具中可以访问和修改的状态如短期记忆、长期Interceptor生命周期上下文模型和工具调用之间发生的事如摘要、护栏HookSpring AI Alibaba 1.1 版本提供了一些常用的默认 Hook 和 Interceptor 实现人工介入 (Human-in-the-Loop)Planning规划模型调用限制Model Call Limit工具重试Tool RetryLLM Tool SelectorLLM 工具选择器LLM Tool EmulatorLLM 工具模拟器Context Editing上下文编辑人工介入 (Human-in-the-Loop)在生产环境中高风险操作如删除数据库、发送邮件需要人工监督。HumanInTheLoopHook(HITL) 完美解决了这个问题。它允许 Agent 暂停执行等待人工决策批准、编辑或拒绝后再继续。配置 Hook在 Agent 上配置HumanInTheLoopHook指定需要审批的工具如execute_sql。**此功能必须配置saver(检查点)**。HumanInTheLoopHook humanReviewHook HumanInTheLoopHook.builder() .approvalOn(execute_sql, ToolConfig.builder().description(SQL执行需要审批).build()) .build(); ReactAgent agent ReactAgent.builder() .hooks(humanReviewHook) .saver(new MemorySaver()) // 必须配置 Saver .tools(executeSqlTool) .build();触发中断当 Agent 尝试调用execute_sql时执行会暂停。第一次invokeAndGetOutput调用会返回一个InterruptionMetadata(中断元数据)。String threadId user-123; RunnableConfig config RunnableConfig.builder().threadId(threadId).build(); OptionalNodeOutput result agent.invokeAndGetOutput(删除旧记录, config); // 此时 result.get() 是 InterruptionMetadata人工决策与恢复您的应用程序向用户展示中断信息。用户做出决策例如“批准”后您构建一个包含该决策的反馈并再次调用 Agent 以恢复执行。// 假设用户批准了 InterruptionMetadata approvalMetadata buildApprovalFeedback(interruptionMetadata); RunnableConfig resumeConfig RunnableConfig.builder() .threadId(threadId) // 必须使用相同的 threadId .addMetadata(RunnableConfig.HUMAN_FEEDBACK_METADATA_KEY, approvalMetadata) .build(); // 第二次调用以恢复执行 OptionalNodeOutput finalResult agent.invokeAndGetOutput(, resumeConfig);消息压缩 (Summarization)当对话历史接近 Token 限制时自动调用 LLM 压缩总结旧消息防止上下文溢出。这是处理长期对话和多轮交互的关键能力可以确保 Agent 在保持对话上下文的同时不会因为消息历史过长而超出模型的上下文窗口限制。适用场景超出上下文窗口的长期对话具有大量历史记录的多轮对话需要保留完整对话上下文的应用程序使用示例import com.alibaba.cloud.ai.graph.agent.hook.summarization.SummarizationHook; import com.alibaba.cloud.ai.graph.checkpoint.savers.MemorySaver; // 创建消息压缩 Hook SummarizationHook summarizationHook SummarizationHook.builder() .model(chatModel) // 用于生成摘要的 ChatModel可以使用更便宜的模型 .maxTokensBeforeSummary(4000) // 触发摘要之前的最大 token 数 .messagesToKeep(20) // 摘要后保留的最新消息数 .build(); // 使用 ReactAgent agent ReactAgent.builder() .name(my_agent) .model(chatModel) .hooks(summarizationHook) .saver(new MemorySaver()) // 需要配置 Saver 来持久化状态 .build();配置选项model用于生成摘要的 ChatModel可以使用更便宜的模型来降低成本maxTokensBeforeSummary触发摘要之前的最大 token 数当消息历史达到此阈值时自动触发压缩messagesToKeep摘要后保留的最新消息数确保最近的对话内容完整保留Planning规划在执行工具之前强制执行一个规划步骤以概述 Agent 将要采取的步骤。这对于需要执行复杂、多步骤任务的 Agent 特别有用可以提高执行透明度并便于调试错误。适用场景需要执行复杂、多步骤任务的 Agent通过在执行前显示 Agent 的计划来提高透明度通过检查建议的计划来调试错误import com.alibaba.cloud.ai.graph.agent.interceptor.todolist.TodoListInterceptor; ReactAgent agent ReactAgent.builder() .name(planning_agent) .model(chatModel) .tools(myTool) .interceptors(TodoListInterceptor.builder().build()) .build();模型调用限制Model Call Limit限制模型调用次数以防止无限循环或过度成本。这是生产环境中成本控制的重要手段。适用场景防止失控的 Agent 进行太多 API 调用在生产部署中强制执行成本控制在特定调用预算内测试 Agent 行为import com.alibaba.cloud.ai.graph.agent.hook.modelcalllimit.ModelCallLimitHook; import com.alibaba.cloud.ai.graph.checkpoint.savers.MemorySaver; ReactAgent agent ReactAgent.builder() .name(my_agent) .model(chatModel) .hooks(ModelCallLimitHook.builder().runLimit(5).build()) // 限制模型调用次数为5次 .saver(new MemorySaver()) .build();工具重试Tool Retry自动重试失败的工具调用具有可配置的指数退避策略。这对于处理外部 API 调用中的瞬态故障特别有用可以提高依赖网络的工具的可靠性。适用场景处理外部 API 调用中的瞬态故障提高依赖网络的工具的可靠性构建优雅处理临时错误的弹性 Agentimport com.alibaba.cloud.ai.graph.agent.interceptor.toolretry.ToolRetryInterceptor; ReactAgent agent ReactAgent.builder() .name(resilient_agent) .model(chatModel) .tools(searchTool, databaseTool) .interceptors(ToolRetryInterceptor.builder() .maxRetries(2) .onFailure(ToolRetryInterceptor.OnFailureBehavior.RETURN_MESSAGE) .build()) .build();LLM Tool SelectorLLM 工具选择器使用一个 LLM 来决定在多个可用工具之间选择哪个工具。当多个工具可以实现相似目标时可以根据细微的上下文差异进行智能选择。适用场景当多个工具可以实现相似目标时需要根据细微的上下文差异进行工具选择动态选择最适合特定输入的工具import com.alibaba.cloud.ai.graph.agent.interceptor.toolselection.ToolSelectionInterceptor; ReactAgent agent ReactAgent.builder() .name(smart_selector_agent) .model(chatModel) .tools(tool1, tool2) .interceptors(ToolSelectionInterceptor.builder().build()) .build();LLM Tool EmulatorLLM 工具模拟器在没有实际执行工具的情况下使用 LLM 模拟工具的输出。这对于演示、测试和开发阶段特别有用可以在不产生实际成本或副作用的情况下测试 Agent 逻辑。适用场景在演示或测试期间模拟 API在开发过程中为工具提供占位符行为在不产生实际成本或副作用的情况下测试 Agent 逻辑import com.alibaba.cloud.ai.graph.agent.interceptor.toolemulator.ToolEmulatorInterceptor; ReactAgent agent ReactAgent.builder() .name(emulator_agent) .model(chatModel) .tools(simulatedTool) .interceptors(ToolEmulatorInterceptor.builder().model(chatModel).build()) .build();Context Editing上下文编辑在将上下文发送给 LLM 之前对其进行修改以注入、删除或修改信息。这是上下文工程的核心能力之一可以动态调整传递给模型的信息。适用场景向 LLM 提供额外的上下文或指令从对话历史中删除不相关或冗余的信息动态修改上下文以引导 Agent 的行为import com.alibaba.cloud.ai.graph.agent.interceptor.contextediting.ContextEditingInterceptor; ReactAgent agent ReactAgent.builder() .name(context_aware_agent) .model(chatModel) .interceptors(ContextEditingInterceptor.builder() .trigger(120000) // 当上下文超过120000 tokens时触发 .clearAtLeast(60000) // 至少清理60000 tokens .build()) .build();Hooks 与 InterceptorsHooks (钩子) 和 Interceptors (拦截器) 是实现“上下文工程”的核心机制。它们允许您在 Agent 执行的每一步进行监控、修改、控制和强制执行。Hooks (AgentHook**,ModelHook)**在 Agent 或模型生命周期的特定节点如beforeModel,afterModel_插入_自定义逻辑如日志记录或消息修剪。Interceptors (ModelInterceptor**,ToolInterceptor)**_包裹_模型或工具的调用允许您拦截和_修改_请求/响应或实现重试、缓存、安全护栏等。Hook 与 Interceptor 能力强大具体使用方式和工作原理请参考官方文档https://java2ai.com/docs/frameworks/agent-framework/tutorials/hooks示例 1内容审核 Interceptorpublic class ContentModerationInterceptor extends ModelInterceptor { private static final ListString BLOCKED_WORDS List.of(敏感词1, 敏感词2, 敏感词3); Override public ModelResponse interceptModel(ModelRequest request, ModelCallHandler handler) { // 检查输入 for (Message msg : request.getMessages()) { String content msg.getText().toLowerCase(); for (String blocked : BLOCKED_WORDS) { if (content.contains(blocked)) { return ModelResponse.blocked( 检测到不适当的内容请修改您的输入 ); } } } // 执行模型调用 ModelResponse response handler.call(request); // 检查输出 String output response.getContent(); for (String blocked : BLOCKED_WORDS) { if (output.contains(blocked)) { // 清理输出 output output.replaceAll(blocked, [已过滤]); return response.withContent(output); } } return response; } Override public String getName() { return ContentModerationInterceptor; } }示例 2性能监控 - 使用 Interceptor使用ModelInterceptor和ToolInterceptor监控模型和工具调用的性能public class ModelPerformanceInterceptor extends ModelInterceptor { Override public ModelResponse interceptModel(ModelRequest request, ModelCallHandler handler) { // 请求前记录 System.out.println(发送请求到模型: request.getMessages().size() 条消息); long startTime System.currentTimeMillis(); // 执行实际调用 ModelResponse response handler.call(request); // 响应后记录 long duration System.currentTimeMillis() - startTime; System.out.println(模型响应耗时: duration ms); return response; } Override public String getName() { return ModelPerformanceInterceptor; } } // 工具调用性能监控 public class ToolPerformanceInterceptor extends ToolInterceptor { Override public ToolCallResponse interceptToolCall(ToolCallRequest request, ToolCallHandler handler) { String toolName request.getToolName(); long startTime System.currentTimeMillis(); System.out.println(执行工具: toolName); try { ToolCallResponse response handler.call(request); long duration System.currentTimeMillis() - startTime; System.out.println(工具 toolName 执行成功 (耗时: duration ms)); return response; } catch (Exception e) { long duration System.currentTimeMillis() - startTime; System.err.println(工具 toolName 执行失败 (耗时: duration ms): e.getMessage()); return ToolCallResponse.of( request.getToolCallId(), request.getToolName(), 工具执行失败: e.getMessage() ); } } Override public String getName() { return ToolPerformanceInterceptor; } } // 使用示例 ReactAgent agent ReactAgent.builder() .name(monitored_agent) .model(chatModel) .tools(tools) .interceptors(new ModelPerformanceInterceptor()) .interceptors(new ToolPerformanceInterceptor()) .build();示例 3工具缓存 Interceptorpublic class ToolCacheInterceptor extends ToolInterceptor { private MapString, ToolCallResponse cache new ConcurrentHashMap(); private final long ttlMs; public ToolCacheInterceptor(long ttlMs) { this.ttlMs ttlMs; } Override public ToolCallResponse interceptToolCall(ToolCallRequest request, ToolCallHandler handler) { String cacheKey generateCacheKey(request); // 检查缓存 ToolCallResponse cached cache.get(cacheKey); if (cached ! null !isExpired(cached)) { System.out.println(缓存命中: request.getToolName()); return cached; } // 执行工具 ToolCallResponse response handler.call(request); // 缓存结果 cache.put(cacheKey, response); return response; } Override public String getName() { return ToolCacheInterceptor; } private String generateCacheKey(ToolCallRequest request) { return request.getToolName() : request.getArguments(); } private boolean isExpired(ToolCallResponse response) { // 实现 TTL 检查逻辑 return false; } }Memory 与状态管理Spring AI Alibaba 将短期记忆作为 Agent 状态的一部分进行管理。通过将这些存储在 Graph 的状态中Agent 可以访问给定对话的完整上下文同时保持不同对话之间的分离。状态使用 checkpointer 持久化到数据库或内存以便可以随时恢复线程。短期记忆在调用 Agent 或完成步骤如工具调用时更新并在每个步骤开始时读取状态。记忆带来的上下文过长问题保留所有对话历史是实现短期记忆最常见的形式。但较长的对话对历史可能会导致大模型 LLM 上下文窗口超限导致上下文丢失或报错。即使你在使用的大模型上下文长度足够大大多数模型在处理较长上下文时的表现仍然很差。因为很多模型会被过时或偏离主题的内容”分散注意力”。同时过长的上下文还会带来响应时间变长、Token 成本增加等问题。在 Spring AI ALibaba 中ReactAgent 使用messages记录和传递上下文其中包括指令SystemMessage和输入UserMessage。在 ReactAgent 中消息Message在用户输入和模型响应之间交替导致消息列表随着时间的推移变得越来越长。由于上下文窗口有限许多应用程序可以从使用技术来移除或”忘记”过时信息中受益即 “上下文工程”。启用记忆要启用会话级持久化您只需在创建 Agent 时指定一个checkpointer(保存器)。import com.alibaba.cloud.ai.graph.checkpoint.savers.MemorySaver; import com.alibaba.cloud.ai.graph.RunnableConfig; // 1. 配置内存存储 ReactAgent agent ReactAgent.builder() .name(chat_agent) .model(chatModel) .saver(new MemorySaver()) // .build(); // 2. 使用 thread_id 维护对话上下文 RunnableConfig config RunnableConfig.builder() .threadId(user_123) // .build(); agent.call(我叫张三, config); agent.call(我叫什么名字, config); // Agent 会回答: 你叫张三在生产环境中您可以轻松换成RedisSaver或MongoSaver等持久化存储。示例在工具中读取/写入短期记忆使用ToolContext参数在工具中访问短期记忆状态。public class UserInfoTool implements BiFunctionString, ToolContext, String { Override public String apply(String query, ToolContext toolContext) { // 从上下文中获取用户信息 RunnableConfig config (RunnableConfig) toolContext.getContext().get(config); String userId (String) config.metadata(user_id).orElse(); if (user_123.equals(userId)) { return 用户是 John Smith; } else { return 未知用户; } } } // 创建工具 ToolCallback getUserInfoTool FunctionToolCallback .builder(get_user_info, new UserInfoTool()) .description(查找用户信息) .inputType(String.class) .build(); // 使用 ReactAgent agent ReactAgent.builder() .name(my_agent) .model(chatModel) .tools(getUserInfoTool) .saver(new MemorySaver()) .build(); RunnableConfig config RunnableConfig.builder() .threadId(1) .addMetadata(user_id, user_123) .build(); AssistantMessage response agent.call(获取用户信息, config); System.out.println(response.getText());示例二在工具中读取长期记忆下面的示例展示了如何创建一个工具让 Agent 能够查询用户信息。// 定义请求和响应记录 public record GetMemoryRequest(ListString namespace, String key) {} public record MemoryResponse(String message, MapString, Object value) {} // 创建内存存储 MemoryStore store new MemoryStore(); // 向存储中写入示例数据 MapString, Object userData new HashMap(); userData.put(name, 张三); userData.put(language, 中文); StoreItem userItem StoreItem.of(List.of(users), user_123, userData); store.putItem(userItem); // 创建获取用户信息的工具 BiFunctionGetMemoryRequest, ToolContext, MemoryResponse getUserInfoFunction (request, context) - { OptionalStoreItem itemOpt store.getItem(request.namespace(), request.key()); if (itemOpt.isPresent()) { MapString, Object value itemOpt.get().getValue(); return new MemoryResponse(找到用户信息, value); } return new MemoryResponse(未找到用户, Map.of()); }; ToolCallback getUserInfoTool FunctionToolCallback.builder(getUserInfo, getUserInfoFunction) .description(查询用户信息) .inputType(GetMemoryRequest.class) .build(); // 创建Agent ReactAgent agent ReactAgent.builder() .name(memory_agent) .model(chatModel) .tools(getUserInfoTool) .saver(new MemorySaver()) .build(); // 运行Agent RunnableConfig config RunnableConfig.builder() .threadId(session_001) .addMetadata(user_id, user_123) .build(); agent.invoke(查询用户信息namespace[users], keyuser_123, config);}示例三使用 ModelHook 管理长期记忆下面的示例展示了如何使用 ModelHook 在模型调用前后自动加载和保存长期记忆。// 创建内存存储 MemoryStore memoryStore new MemoryStore(); // 预先填充用户画像 MapString, Object profileData new HashMap(); profileData.put(name, 王小明); profileData.put(age, 28); profileData.put(email, wangexample.com); profileData.put(preferences, List.of(喜欢咖啡, 喜欢阅读)); StoreItem profileItem StoreItem.of(List.of(user_profiles), user_001, profileData); memoryStore.putItem(profileItem); // 创建记忆拦截器 ModelHook memoryInterceptor new ModelHook() { Override public String getName() { return memory_interceptor; } Override public HookPosition[] getHookPositions() { return new HookPosition[]{HookPosition.BEFORE_MODEL, HookPosition.AFTER_MODEL}; } Override public CompletableFutureMapString, Object beforeModel(OverAllState state, RunnableConfig config) { // 从配置中获取用户ID String userId (String) config.metadata(user_id).orElse(null); if (userId null) { return CompletableFuture.completedFuture(Map.of()); } // 从记忆存储中加载用户画像 OptionalStoreItem itemOpt memoryStore.getItem(List.of(user_profiles), userId); if (itemOpt.isPresent()) { MapString, Object profileData itemOpt.get().getValue(); // 将用户上下文注入系统消息 String userContext String.format( 用户信息姓名%s, 年龄%s, 邮箱%s, 偏好%s, profileData.get(name), profileData.get(age), profileData.get(email), profileData.get(preferences) ); // 获取消息列表 ListMessage messages (ListMessage) state.value(messages).orElse(new ArrayList()); ListMessage newMessages new ArrayList(); // 查找是否已存在 SystemMessage SystemMessage existingSystemMessage null; int systemMessageIndex -1; for (int i 0; i messages.size(); i) { Message msg messages.get(i); if (msg instanceof SystemMessage) { existingSystemMessage (SystemMessage) msg; systemMessageIndex i; break; } } // 如果找到 SystemMessage更新它否则创建新的 SystemMessage enhancedSystemMessage; if (existingSystemMessage ! null) { // 更新现有的 SystemMessage enhancedSystemMessage new SystemMessage( existingSystemMessage.getText() \n\n userContext ); } else { // 创建新的 SystemMessage enhancedSystemMessage new SystemMessage(userContext); } // 构建新的消息列表 if (systemMessageIndex 0) { // 如果找到了 SystemMessage替换它 for (int i 0; i messages.size(); i) { if (i systemMessageIndex) { newMessages.add(enhancedSystemMessage); } else { newMessages.add(messages.get(i)); } } } else { // 如果没有找到 SystemMessage在开头添加新的 newMessages.add(enhancedSystemMessage); newMessages.addAll(messages); } return CompletableFuture.completedFuture(Map.of(messages, newMessages)); } return CompletableFuture.completedFuture(Map.of()); } Override public CompletableFutureMapString, Object afterModel(OverAllState state, RunnableConfig config) { // 可以在这里实现对话后的记忆保存逻辑 return CompletableFuture.completedFuture(Map.of()); } }; // 创建带有记忆拦截器的Agent ReactAgent agent ReactAgent.builder() .name(memory_agent) .model(chatModel) .hooks(memoryInterceptor) .saver(new MemorySaver()) .build(); RunnableConfig config RunnableConfig.builder() .threadId(session_001) .addMetadata(user_id, user_001) .build(); // Agent会自动加载用户画像信息 agent.invoke(请介绍一下我的信息。, config);}多智能体 (Multi-agent)当单个 Agent 难以处理复杂任务时多智能体架构允许您将任务分解为多个协同工作的专业化 Agent。Spring AI Alibaba 支持两种核心模式模式一工具调用 (Agent as a Tool)这是一种集中式控制流一个“控制器” (Controller) Agent 将其他“子 Agent” (Sub-agent) 作为工具来调用。子 Agent 独立执行任务并返回结果但不直接与用户对话。import com.alibaba.cloud.ai.graph.agent.tool.AgentTool; // 1. 创建子 Agent (作家) ReactAgent writerAgent ReactAgent.builder() .name(writer_agent) .model(chatModel) .description(擅长写作可以写文章) .build(); // 2. 创建主 Agent (控制器) ReactAgent blogAgent ReactAgent.builder() .name(blog_agent) .model(chatModel) .instruction(使用写作工具来完成用户的文章创作请求。) // 将子 Agent 封装为工具 .tools(AgentTool.getFunctionToolCallback(writerAgent)) // .build(); blogAgent.invoke(帮我写一篇关于西湖的散文);您还可以通过在子 Agent 上设置inputType和outputType来精细化控制 Agent 间传递的上下文结构。模式二工作流编排 (Handoffs / Flow)这是一种去中心化控制流控制权从一个 Agent “交接”给下一个 Agent。框架内置了多种流程型 AgentSequentialAgent按预定义顺序依次执行 Agent (A - B - C)。每个 Agent 的输出通过outputKey指定会传递给下一个。ParallelAgent将相同的输入同时发送给所有子 Agent 并行处理然后使用MergeStrategy合并结果。LlmRoutingAgent使用 LLM 根据用户输入和子 Agent 的description_智能_地选择一个最合适的子 Agent 来处理请求。示例LlmRoutingAgent在路由模式中使用大语言模型LLM动态决定将请求路由到哪个子 Agent。这种模式非常适合需要智能选择不同专家 Agent 的场景。LLM 会根据用户输入和子 Agent 的description智能地选择最合适的 Agent 来处理请求。import com.alibaba.cloud.ai.graph.agent.flow.agent.LlmRoutingAgent; // 创建多个专家 Agent ReactAgent writerAgent ReactAgent.builder() .name(writer_agent) .model(chatModel) .description(擅长创作各类文章包括散文、诗歌等文学作品) .instruction(你是一个知名的作家擅长写作和创作。请根据用户的提问进行回答。) .outputKey(writer_output) .build(); ReactAgent codeAgent ReactAgent.builder() .name(code_agent) .model(chatModel) .description(专门处理编程相关问题包括代码编写和调试) .instruction(你是一个资深的软件工程师擅长编写和调试代码。) .outputKey(code_output) .build(); // 创建路由 Agent LlmRoutingAgent routingAgent LlmRoutingAgent.builder() .name(content_routing_agent) .description(根据用户需求智能路由到合适的专家Agent) .model(chatModel) // 路由需要一个 LLM 来进行智能选择 .subAgents(List.of(writerAgent, codeAgent)) .build(); // 使用 - LLM 会自动选择最合适的 Agent // LLM 会路由到 writerAgent OptionalOverAllState result1 routingAgent.invoke(帮我写一篇关于春天的散文); // LLM 会路由到 codeAgent OptionalOverAllState result2 routingAgent.invoke(帮我写一个 Java 排序算法);模式三Agent as Workflow Node在复杂的工作流场景中可以将ReactAgent作为 Node 集成到 StateGraph 中实现更强大的组合能力。Agent 作为 Node 可以利用其推理和工具调用能力处理需要多步骤推理的任务。ReactAgent可以通过asNode()方法转换为可以嵌入到父 Graph 中的 Nodepublic class AgentWorkflowExample { public StateGraph buildWorkflowWithAgent(ChatModel chatModel) { // 创建专门的数据分析 Agent ReactAgent analysisAgent ReactAgent.builder() .name(data_analyzer) .model(chatModel) .instruction(你是一个数据分析专家负责分析数据并提供洞察) .tools(dataAnalysisTool, statisticsTool) .build(); // 创建报告生成 Agent ReactAgent reportAgent ReactAgent.builder() .name(report_generator) .model(chatModel) .instruction(你是一个报告生成专家负责将分析结果转化为专业报告) .tools(formatTool, chartTool) .build(); // 构建包含 Agent 的工作流 StateGraph workflow new StateGraph(multi_agent_workflow, keyStrategyFactory); // 将 Agent 作为 SubGraph Node 添加 workflow.addNode(analysis, analysisAgent.asNode( true, // includeContents: 是否传递父图的消息历史 false, // returnReasoningContents: 是否返回推理过程 analysis_result // outputKeyToParent: 输出键名 )); workflow.addNode(reporting, reportAgent.asNode( true, false, final_report )); // 定义流程 workflow.addEdge(StateGraph.START, analysis); workflow.addEdge(analysis, reporting); workflow.addEdge(reporting, StateGraph.END); return workflow; } }总结Spring AI Alibaba 1.1 提供了一个从简单到复杂的完整 Agent 开发框架。它以ReactAgent为核心通过先进的“上下文工程”理念利用 Hooks 和 Interceptors 提供了强大的可控性。借助 Memory 和 Human-in-the-Loop 等生产级特性以及灵活的多智能体编排能力开发者可以构建出真正可靠、智能、可扩展的企业级 AI 应用。