构建高效智能体
尽管模式描述和图表源自Anthropic的原始出版物，我们将重点关注如何利用Spring AI的特性来实现这些模式，以实现模型的可移植性和结构化输出。建议您先阅读原始论文。
agentic-patterns 目录位于 spring-ai-examples 仓库中，包含了接下来所有示例的代码。
智能体系统
该研究出版物在两种类型的代理系统之间做出了重要的架构区分：
-
工作流（Workflows）：通过预定义代码路径编排 LLM 与工具的系统（例如描述性系统）
-
智能体（Agents）：LLM 动态自主控制其流程与工具使用的系统
关键在于，尽管完全自主的智能体看似诱人，但对于定义明确的任务，工作流往往能提供更好的可预测性和一致性。这与企业的需求完美契合，因为可靠性和可维护性至关重要。
让我们通过五大基本模式来探讨Spring AI是如何实现这些概念的，每个模式都服务于特定的使用场景：
1.
Chain Workflow 模式体现了将复杂任务分解为更简单、更易于管理的步骤这一原则。
适用场景：
- 具有明确顺序步骤的任务
- 当您希望以延迟换取更高准确性时
- 当每个步骤都基于前一步骤的输出时
以下是来自 Spring AI 实现的一个实际示例：
public class ChainWorkflow {
private final ChatClient chatClient;
private final String[] systemPrompts;
public String chain(String userInput) {
String response = userInput;
for (String prompt : systemPrompts) {
String input = String.format("{%s}\n {%s}", prompt, response);
response = chatClient.prompt(input).call().content();
}
return response;
}
}
此实现展示了几个关键原则：
-
每个步骤具有明确的职责
-
一个步骤的输出成为下一个步骤的输入
-
该链易于扩展和维护
2.
LLMs 能够同时处理多个任务，并通过编程方式聚合它们的输出。
适用场景： - 处理大量相似但独立的项目 - 需要多个独立视角的任务 - 处理时间至关重要且任务可并行化时
List<String> parallelResponse = new ParallelizationWorkflow(chatClient)
.parallel(
"Analyze how market changes will impact this stakeholder group.",
List.of(
"Customers: ...",
"Employees: ...",
"Investors: ...",
"Suppliers: ..."
),
4
);
3.
路由模式实现智能任务分配，能够针对不同类型的输入进行专门化处理。
何时使用： - 具有明显不同输入类别的复杂任务 - 当不同的输入需要专门的处理时 - 当分类可以被准确处理时
@Autowired
private ChatClient chatClient;
RoutingWorkflow workflow = new RoutingWorkflow(chatClient);
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..."
);
String input = "My account was charged twice last week";
String response = workflow.route(input, routes);
4.
适用场景：
- 复杂任务，其子任务无法提前预测
- 需要不同方法或视角的任务
- 需要适应性解决问题的情况
public class OrchestratorWorkersWorkflow {
public WorkerResponse process(String taskDescription) {
// 1. Orchestrator analyzes task and determines subtasks
OrchestratorResponse orchestratorResponse = // ...
// 2. Workers process subtasks in parallel
List<String> workerResponses = // ...
// 3. Results are combined into final response
return new WorkerResponse(/*...*/);
}
}
使用示例：
ChatClient chatClient = // ... initialize chat client
OrchestratorWorkersWorkflow workflow = new OrchestratorWorkersWorkflow(chatClient);
WorkerResponse response = workflow.process(
"Generate both technical and user-friendly documentation for a REST API endpoint"
);
System.out.println("Analysis: " + response.analysis());
System.out.println("Worker Outputs: " + response.workerResponses());
5. 评估器优化器
何时使用： - 存在明确的评估标准 - 迭代优化能带来可衡量的价值 - 任务受益于多轮评估
public class EvaluatorOptimizerWorkflow {
public RefinedResponse loop(String task) {
Generation generation = generate(task, context);
EvaluationResponse evaluation = evaluate(generation.response(), task);
return new RefinedResponse(finalSolution, chainOfThought);
}
}
用法示例：
ChatClient chatClient = // ... initialize chat client
EvaluatorOptimizerWorkflow workflow = new EvaluatorOptimizerWorkflow(chatClient);
RefinedResponse response = workflow.loop(
"Create a Java class implementing a thread-safe counter"
);
System.out.println("Final Solution: " + response.solution());
System.out.println("Evolution: " + response.chainOfThought());
Spring AI 的实现优势
Spring AI 对这些模式的实现带来了多重优势，这些优势与 Anthropic 的建议相一致：
<dependency>
<groupId>org.springframework.ai</groupId>
<artifactId>spring-ai-openai-spring-boot-starter</artifactId>
</dependency>
EvaluationResponse response = chatClient.prompt(prompt)
.call()
.entity(EvaluationResponse.class);
-
跨不同大语言模型提供商的统一接口
-
内置错误处理和重试机制
-
灵活的提示词管理
最佳实践与建议
-
从简单开始
-
添加复杂性之前，先从基础工作流开始
-
使用能满足需求的最简单模式
-
仅在需要时增加复杂度
-
为可靠性而设计
-
实施清晰的错误处理
-
尽可能使用类型安全的响应
-
在每个步骤中构建验证机制
-
权衡利弊
-
平衡延迟与准确性
-
评估何时使用并行处理
-
在固定工作流与动态智能体之间做出选择
未来工作
这些指南将不断更新，以探索如何构建更高级的智能体，将基础模式与复杂功能相结合：
模式组合 - 结合多种模式以创建更强大的工作流 - 构建能利用每种模式优势的混合系统 - 创建能够适应不断变化需求的灵活架构
高级智能体记忆管理 - 跨对话实现持久性记忆 - 高效管理上下文窗口 - 制定长期知识保留策略
工具与模型上下文协议（MCP）集成 - 通过标准化接口利用外部工具 - 实现MCP以增强模型交互 - 构建可扩展的智能体架构
结论
Anthropic的研究洞察与Spring AI的实践实现相结合，为构建高效的基于大语言模型（LLM）的系统提供了强大框架。
遵循这些模式和原则，开发者能够构建出稳健、可维护且高效的人工智能应用程序，这些程序在提供实际价值的同时，避免了不必要的复杂性。
关键在于记住，有时最简单的解决方案就是最有效的。从基础模式开始，透彻理解你的使用场景，并且只有在能明确证明它能提升系统性能或能力时，才增加复杂性。