借助Spring AI實現智能體代理模式：從理論到實踐

前言

在人工智能領域，大語言模型（LLM）的應用愈發廣泛，如何高效構建基于LLM的系統成為眾多開發者關注的焦點。Anthropic的研究報告《構建高效代理》為我們提供了新的思路，其強調的簡單性和可組合性原則，與Spring AI相結合，能為開發者帶來強大的工具，用于構建實用且高效的AI應用。本文將深入探討智能體代理模式在Spring AI中的實現，幫助開發者理解并運用這些概念來打造更出色的AI系統。

一、智能體代理模式基礎概念

（一）智能體的定義

智能體的定義較為寬泛，從完全自主、能長時間獨立完成復雜任務的系統，到遵循預定義工作流程的指令性實施方案都可涵蓋。Anthropic對工作流程和智能體在架構上做了區分：工作流是通過預定義代碼路徑協調LLM和工具的系統；智能體則是LLM能動態指導自身流程和工具使用，掌控任務完成方式的系統。在實際應用中，對于定義明確的任務，工作流能提供更好的可預測性和一致性，這與企業對系統可靠性和可維護性的要求相契合。

（二）代理系統構建原則

在利用LLM構建應用程序時，應優先尋找最簡單的解決方案，僅在必要時增加復雜性。因為智能系統雖然能提升任務性能，但往往伴隨著延遲和成本的增加，所以要謹慎權衡這種取舍是否合理。對于定義明確的任務，工作流程是不錯的選擇；而當需要大規模的靈活性和基于模型的決策時，智能體更為合適。不過，對于許多應用，優化單個LLM調用通常就能滿足需求。

二、Spring AI實現的五種智能體代理模式

（一）鏈式工作流

鏈式工作流類似于工廠流水線，將復雜任務拆分成多個小工序，前一工序的結果自動傳遞給下一工序。它基于“責任鏈”設計模式，便于隨時添加新的處理環節。適用于需要分步驟完成的復雜任務（如先查天氣再規劃行程最后生成攻略）、對準確率要求高且愿意花費時間的任務（如重要文件的多級審批）以及后一步依賴前一步結果的任務（如做菜的流程）。

以下是Spring AI實現的示例代碼：

public class ChainWorkflow {private final ChatClient chatClient;private final String[] systemPrompts;// 通過一系列提示處理輸入，其中每一步的輸出成為鏈中下一個步驟的輸入。public String chain(String userInput) {String response = userInput;for (String prompt : systemPrompts) {// 將系統提示與上一個響應結合String input = String.format("{%s}\n {%s}", prompt, response);// 通過大語言模型處理并捕獲輸出response = chatClient.prompt(input).call().content();}return response;}
}

（二）并行化工作流

并行化工作流如同同時打開多個窗口工作，可讓多個大模型同時處理任務并匯總結果。有分片處理（將大任務拆分成小任務，分配給不同大模型同時處理）和投票機制（讓多個大模型處理同一任務，通過投票選出最佳結果）兩種方式。適用于處理多個相似且互不干擾的任務（如同時分析多個用戶群體的數據）、任務需獨立運行（類似工廠流水線作業）以及能快速拆解并并行執行的任務（如同時生成多個產品描述）。

例如，使用Spring AI分析市場變化對四類利益群體的影響：

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

路由工作流類似于智能分診臺，能自動識別問題類型并將其轉給最適合的處理流程。它通過LLM分析輸入內容，將其路由到專門的提示或處理程序。適用于處理多種不同類型問題的場景（如客服系統同時處理咨詢、投訴、技術問題）、不同問題需要不同專業人員處理的情況（類似醫院的科室分類）以及需要精準分類輸入內容的任務（如快遞自動分揀系統）。

使用Spring AI的基本示例如下：

@Autowired private ChatClient chatClient;// 創建工作流
RoutingWorkflow workflow = new RoutingWorkflow(chatClient);// 為不同類型的輸入定義專門的提示
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..."
);// 處理輸入
String input = "My account was charged twice last week";
String response = workflow.route(input, routes);

（四）協調者 - 執行者

協調者 - 執行者模式類似電影拍攝現場，協調者（導演）負責分鏡頭，執行者（各工種）專注于自己的專業領域。采用“中央指揮部 + 特種部隊”的架構，既保持靈活性又確保可控。適用于任務復雜無法提前拆解（如應對突發事件的應急小組）、需要不同專業視角（如建筑設計需要多方面配合）以及解決方案需要動態調整（如軍事行動中的實時戰術變化）的場景。

Spring AI實現示例代碼：

public class OrchestratorWorkersWorkflow {public WorkerResponse process(String taskDescription) {// 1. 協調器分析任務并確定子任務OrchestratorResponse orchestratorResponse = //...// 2. 工作器并行處理子任務List<String> workerResponses = //...// 3. 結果合并為最終響應return new WorkerResponse(/*...*/);}
}ChatClient chatClient = //... 初始化聊天客戶端
OrchestratorWorkersWorkflow workflow = new OrchestratorWorkersWorkflow(chatClient);// 處理任務
WorkerResponse response = workflow.process("Generate both technical and user-friendly documentation for a REST API endpoint"
);// 訪問結果
System.out.println("Analysis: " + response.analysis());
System.out.println("Worker Outputs: " + response.workerResponses());

（五）評估者 - 優化者

評估者 - 優化者模式就像作家與編輯的協作，生成者大語言模型負責創作初稿，評估者大語言模型分析響應并提供改進反饋，通過“創作 - 反饋”循環機制，直到輸出達到滿意標準。適用于有明確品質標準（如學術論文的同行評審）、迭代改進能顯著提升價值（如廣告文案的AB測試）以及追求完美輸出（如電影劇本的多次修訂）的任務。

Spring AI實現示例代碼：

public class EvaluatorOptimizerWorkflow {public RefinedResponse loop(String task) {// 1. 生成初始解決方案Generation generation = generate(task, context);// 2. 評估解決方案EvaluationResponse evaluation = evaluate(generation.response(), task);// 3. 如果通過，返回解決方案// 4. 如果需要改進，結合反饋并生成新的解決方案// 5. 重復直到滿意return new RefinedResponse(finalSolution, chainOfThought);}
}ChatClient chatClient = //... 初始化聊天客戶端
EvaluatorOptimizerWorkflow workflow = new EvaluatorOptimizerWorkflow(chatClient);// 處理任務
RefinedResponse response = workflow.loop("Create a Java class implementing a thread-safe counter"
);// 訪問結果
System.out.println("Final Solution: " + response.solution());
System.out.println("Evolution: " + response.chainOfThought());

總結

Anthropic的研究見解為構建高效的基于大語言模型的系統指明了方向，而Spring AI則提供了切實可行的實現方式。通過上述五種智能體代理模式，開發者能夠根據不同的應用場景，構建出健壯、可維護且高效的AI應用程序。在實踐過程中，應始終牢記以簡單性為出發點，充分理解應用場景的需求，避免不必要的復雜性。只有在復雜的設計能夠顯著提升系統性能或功能時，才進行相應的架構調整。相信隨著對這些模式和原則的深入理解與應用，開發者們能夠在AI領域創造出更多具有實際價值的創新成果。