SpringAI 搭建智能體（二）：搭建客服系統智能體

在現代人工智能應用中，智能體（Agent） 是一個重要的概念，它的核心能力是自主性與靈活性。一個智能體不僅能夠理解用戶的需求，還能拆解任務、調用工具完成具體操作，并在復雜場景中高效運行。在本篇博客中，我們將圍繞一個基于 Spring AI 的智能體實現，深入探討智能體的概念、構建流程以及實際應用場景。

1. 什么是智能體？

智能體是一種能夠根據目標自主執行任務的系統。與傳統的 AI 模型生成內容的模式不同，智能體通過整合語義理解、任務分解和工具調用等功能，具備以下特征：

目標驅動：智能體能夠根據輸入指令明確任務目標。
任務拆解：將復雜任務分解為多個子任務。
工具調用：根據任務需求動態選擇并調用工具。
自適應性：根據上下文調整行為，處理動態變化的環境。

智能體 vs 傳統 AI

傳統 AI 通常專注于單一功能（如文本生成、分類任務等），而智能體是一個更高層次的概念，它整合了多個功能模塊，能夠在復雜場景中完成多步驟任務。

2. 智能體的核心功能

在一個智能體系統中，核心功能包括：

語義解析：理解用戶輸入，明確任務目標。
工具管理：維護一組工具及其描述，供智能體調用。
任務執行：動態調用工具完成任務，并整合結果。
結果生成：將工具返回的結果組合成易于理解的輸出。

3. 基于 Spring AI 的智能體架構

我們基于 Spring AI 實現了一個完整的智能體系統，其架構如下：

3.1 核心組件

工具接口（Tool Interface）
每個工具都實現一個統一的接口，包含名稱、描述、支持狀態和執行邏輯等。
工具管理器（Tool Manager）
用于維護工具列表并提供工具調用的功能。
語義分析模塊（Semantic Analysis）
調用 ChatGPT 等語言模型，解析任務并生成格式化的任務步驟。
智能體核心（Agent Core）
負責任務拆解、工具調用和結果整合，是智能體的“大腦”。

3.2 智能體執行流程

用戶輸入：
用戶通過系統輸入任務描述，例如：
```
查詢北京的天氣，并獲取推薦的景點信息。
```
工具列表生成：
系統將工具的名稱、描述和支持狀態提供給語義分析模塊。
任務解析：
語義分析模塊（基于 ChatGPT）解析任務，并生成 JSON 格式的任務步驟，例如：
```
[{"toolName": "weather", "input": "Beijing"},{"toolName": "tourism", "input": "Beijing"}
]
```
工具調用：
智能體根據任務步驟依次調用對應工具，并獲取結果。
結果整合：
將工具返回的結果整合成最終輸出，返回給用戶。

4. 實際應用場景

4.1 智能客服

智能體可以根據用戶問題調用多個工具完成復雜的客服任務。

示例：用戶輸入：

查詢上海今天的天氣，并推薦適合的活動。

工具調用：
1. WeatherTool 查詢天氣。
2. ActivityRecommendationTool 提供活動推薦。

輸出結果：

上海今天晴天，氣溫 26°C。推薦的活動有：游覽外灘、參觀上海博物館。

4.2 數據處理與分析

在數據處理場景中，智能體可以調用數據清洗、分析和可視化工具，完成復雜的數據管道任務。

示例：用戶輸入：

對銷售數據進行清洗，然后計算過去一年的月度增長率。

工具調用：
1. DataCleaningTool 處理數據。
2. GrowthAnalysisTool 計算增長率。

輸出結果：

數據已清洗。過去 12 個月的月度增長率為：10%、12%、8%...

4.3 自動化運維

在運維場景中，智能體可以調用狀態檢查、日志分析和自動化腳本執行工具。

示例：用戶輸入：

檢查所有服務器的狀態，如果有異常，重新啟動服務。

工具調用：
1. HealthCheckTool 檢查服務器狀態。
2. RestartServiceTool 重新啟動異常服務。

輸出結果：

檢查完成。服務器 2 和 5 狀態異常，已成功重啟服務。

5. 智能體的優勢

5.1 靈活性

通過語義解析和動態工具調用，智能體能夠靈活處理多樣化的任務。

5.2 可擴展性

新增工具只需實現工具接口并注冊到工具管理器，無需改動核心邏輯。

5.3 可解釋性

每個工具調用和結果整合過程都清晰透明，便于調試和改進。

6. 示例代碼

以下是客服智能體實現的核心代碼示例：

工具接口與實現

public interface Tool {String getName();String getDescription();boolean isSupported();String execute(String input);
}@Component
public class WeatherTool implements Tool {@Overridepublic String getName() {return "weather";}@Overridepublic String getDescription() {return "查詢指定城市的天氣";}@Overridepublic boolean isSupported() {return true;}@Overridepublic String execute(String input) {return "The weather in " + input + " is sunny and 25°C.";}
}

語義分析模塊

@Component
public class ChatGPTService {// 調用 ChatGPT API 的邏輯public String analyze(String task, String toolsList) {// 調用 OpenAI 接口返回任務步驟return "[{\"toolName\": \"weather\", \"input\": \"Beijing\"}]";}
}

智能體核心邏輯

@Component
public class Agent {private final ToolManager toolManager;private final ChatGPTService chatGPTService;@Autowiredpublic Agent(ToolManager toolManager, ChatGPTService chatGPTService) {this.toolManager = toolManager;this.chatGPTService = chatGPTService;}public String execute(String task) {String toolsList = toolManager.getToolsDescription();String stepsJson = chatGPTService.analyze(task, toolsList);List<TaskStep> steps = parseSteps(stepsJson);List<String> results = new ArrayList<>();for (TaskStep step : steps) {results.add(toolManager.executeTool(step.getToolName(), step.getInput()));}return String.join("\n", results);}
}

代碼實現

import org.springframework.stereotype.Component;
import org.springframework.beans.factory.annotation.Autowired;import java.util.ArrayList;
import java.util.List;@Component
public class AdvancedSemanticAgent {private final ToolManager toolManager;private final ChatGPTService chatGPTService;@Autowiredpublic AdvancedSemanticAgent(ToolManager toolManager, ChatGPTService chatGPTService) {this.toolManager = toolManager;this.chatGPTService = chatGPTService;}// 核心執行邏輯public String execute(String task) {// 使用 ChatGPT 進行語義解析，生成任務步驟List<TaskStep> steps = parseTaskWithChatGPT(task);// 執行每一步任務List<String> results = new ArrayList<>();for (TaskStep step : steps) {String result = toolManager.executeTool(step.getToolName(), step.getInput());results.add(result);}// 整合結果return combineResults(results);}// 使用 ChatGPT 解析任務private List<TaskStep> parseTaskWithChatGPT(String task) {String toolList = generateToolListDescription();String prompt = "以下是可用工具列表及其描述，請根據任務選擇合適的工具并生成任務步驟。" +"返回結果為 JSON 數組，每個對象包含工具名稱（toolName）和輸入參數（input）。" +"忽略工具列表中標注為不支持的工具。\n\n" +"任務描述：" + task + "\n\n" +"工具列表：" + toolList;String response = chatGPTService.generateResponse(prompt);// 解析 ChatGPT 返回的 JSONreturn parseStepsFromResponse(response);}// 生成工具列表的描述private String generateToolListDescription() {List<Tool> tools = toolManager.getAvailableTools();StringBuilder toolListBuilder = new StringBuilder();for (Tool tool : tools) {toolListBuilder.append("- 工具名稱: ").append(tool.getName()).append(", 描述: ").append(tool.getDescription()).append(", 示例入參: ").append(tool.getExampleInput()).append(", 是否支持: ").append(tool.isSupported() ? "支持" : "不支持").append("\n");}return toolListBuilder.toString();}// 解析 ChatGPT 返回的 JSONprivate List<TaskStep> parseStepsFromResponse(String response) {List<TaskStep> steps = new ArrayList<>();try {ObjectMapper mapper = new ObjectMapper();steps = mapper.readValue(response, new TypeReference<List<TaskStep>>() {});} catch (Exception e) {throw new RuntimeException("解析任務步驟失敗：" + e.getMessage(), e);}return steps;}// 整合結果private String combineResults(List<String> results) {return String.join("\n", results);}// 定義子任務步驟static class TaskStep {private String toolName;private String input;// Getters 和 Setterspublic String getToolName() {return toolName;}public void setToolName(String toolName) {this.toolName = toolName;}public String getInput() {return input;}public void setInput(String input) {this.input = input;}}
}

工具接口與管理器

工具接口擴展

擴展工具接口，增加工具描述和支持狀態。

public interface Tool {String getName();String getDescription(); // 返回工具的描述String getExampleInput(); // 返回工具的示例入參boolean isSupported(); // 工具是否被支持String execute(String input);
}

工具實現示例

假設我們有三個工具：WeatherTool（支持）、DatabaseTool（支持）、UnsupportedTool（不支持）。

WeatherTool

@Component
public class WeatherTool implements Tool {@Overridepublic String getName() {return "weather";}@Overridepublic String getDescription() {return "查詢指定城市的天氣信息";}@Overridepublic String getExampleInput() {return "城市名稱，例如 'New York'";}@Overridepublic boolean isSupported() {return true;}@Overridepublic String execute(String input) {return "The weather in " + input + " is sunny and 25°C.";}
}

DatabaseTool

@Component
public class DatabaseTool implements Tool {@Overridepublic String getName() {return "database";}@Overridepublic String getDescription() {return "查詢數據庫中的相關記錄";}@Overridepublic String getExampleInput() {return "查詢條件，例如 'customer:12345'";}@Overridepublic boolean isSupported() {return true;}@Overridepublic String execute(String input) {return "Query result for input [" + input + "]: {id: 1, name: 'Spring AI'}";}
}

UnsupportedTool

@Component
public class UnsupportedTool implements Tool {@Overridepublic String getName() {return "unsupported";}@Overridepublic String getDescription() {return "這是一個不支持的工具";}@Overridepublic String getExampleInput() {return "無";}@Overridepublic boolean isSupported() {return false;}@Overridepublic String execute(String input) {throw new UnsupportedOperationException("This tool is not supported.");}
}

工具管理器擴展

@Component
public class ToolManager {private final List<Tool> tools;@Autowiredpublic ToolManager(List<Tool> toolList) {this.tools = toolList;}public List<Tool> getAvailableTools() {return tools;}public String executeTool(String toolName, String input) {return tools.stream().filter(tool -> tool.getName().equals(toolName)).findFirst().orElseThrow(() -> new IllegalArgumentException("Tool not found: " + toolName)).execute(input);}
}

示例執行流程

工具列表

通過工具管理器提供給 ChatGPT 的工具列表如下：

工具列表：
- 工具名稱: weather, 描述: 查詢指定城市的天氣信息, 示例入參: 城市名稱，例如 'New York', 是否支持: 支持
- 工具名稱: database, 描述: 查詢數據庫中的相關記錄, 示例入參: 查詢條件，例如 'customer:12345', 是否支持: 支持
- 工具名稱: unsupported, 描述: 這是一個不支持的工具, 示例入參: 無, 是否支持: 不支持

輸入任務

用戶輸入任務：

獲取紐約的天氣，并查詢與天氣相關的數據庫記錄。

ChatGPT 返回的結果

[{"toolName": "weather", "input": "New York"},{"toolName": "database", "input": "weather:New York"}
]

工具調用結果

智能體調用工具并返回結果：

The weather in New York is sunny and 25°C.
Query result for input [weather:New York]: {id: 1, name: 'Spring AI'}

7. 未來展望

隨著 AI 模型和工具生態的不斷發展，智能體將進一步擴展到以下領域：

多模態任務：支持文本、圖像、語音等多種輸入與輸出。
學習與優化：通過強化學習優化任務拆解和工具調用策略。
全局規劃：在任務間建立依賴關系，優化多任務執行流程。

智能體是 AI 應用發展的重要方向，其靈活性和擴展性為解決復雜問題提供了強大的工具。

8. 總結

通過引入智能體的概念和實踐，我們展示了如何構建一個靈活、高效的系統，完成復雜任務。智能體結合 Spring AI 提供的工具管理和語義分析能力，成為連接用戶需求和執行邏輯的橋梁。未來，智能體將在更多場景中展現其強大的應用潛力，為智能化發展注入新動力。