Apache Flink 社区很高兴地宣布 Apache Flink Agents 0.2.0 版本正式发布，您可以通过以下方式获取 Flink Agents 0.2.0：
请注意，Agents 0.2.0 是一个预览版本（Preview Version），这意味着：
部分功能可能存在已知或未知的缺陷。您可以通过 Github Issues 查看已知问题列表及其解决状态。
当前的 API 和配置选项处于实验阶段，在未来版本中可能会发生不向后兼容的变更。
我们非常感谢您的任何反馈，无论是分享您的使用案例、建议新功能、帮助定位和修复漏洞，还是其他任何想法。您的见解对我们至关重要。
您可以通过以下方式联系我们：
加入 Apache Flink Slack 并在
#flink-agents-user频道寻求帮助。在 Github Issues 提交功能需求和漏洞报告。
在 Github Discussions 分享您的使用案例和想法。
什么是 Apache Flink Agents？
Apache Flink Agents 是 Apache Flink 的一个新子项目，直接在Apache Flink 的流式运行时（streaming runtime）上构建事件驱动的 AI 智能体（Event-driven AI Agents）。它将流处理与自主智能体统一在同一个框架中，将Apache Flink 经受过实战检验的优势——大规模扩展性、低延迟、容错性和状态管理，与智能体的核心能力——大语言模型（LLMs）、工具、记忆和动态编排有机结合。
为什么 Apache Flink Agents 至关重要？
虽然 AI 智能体在chatbots和copilots等交互式应用中取得了飞速进展，但这些系统通常以同步、一次性交互的方式运行。然而，许多业务场景不能等待用户输入指令后才采取行动。在电子商务、金融、物联网和物流等场景中，必须在感知到实时事件（如支付失败、传感器异常或用户点击）时立即做出关键决策。
要在生产环境中取得成功，企业级Agents必须具备以下能力：
处理实时、高吞吐的事件流，如交易流、传感器异常或用户行为轨迹。
持续且自主地运行，而不仅仅是在收到提示词（prompt）时才运行。
保证安全性、可审计性，并在发生故障时能够恢复。
这些工作不仅需要智能，更需要大规模扩展能力、毫秒级延迟、容错性以及有状态的协调能力。而这些正是 Apache Flink 的核心强项。
此前，尚未有一个统一的框架能将Agentic AI 模式引入 Flink 成熟的流处理生态系统中。Apache Flink Agents 填补了这一空白，将Agents视为始终在线、可靠且可扩展的事件驱动微服务。
核心特性
Apache Flink是流计算领域的事实标准，Apache Flink Agents 继承了分布式、大规模、高可用的结构化数据处理和成熟的状态管理能力，并为Agentic AI 的构建和功能增加了自由的抽象，包括：大语言模型（LLMs）、提示词（prompts）、工具（tools）、记忆（memory）、动态编排、可观测性等。
Apache Flink Agents 的关键特性包括：
大规模扩展与毫秒级延迟：利用 Flink 的分布式处理引擎，实时处理大规模事件流。
无缝的数据与 AI 集成：Agents直接与 Flink 的 DataStream 和 Table API 交互进行输入和输出，实现结构化数据处理与语义 AI 能力在 Flink 内部的平滑集成。
Exactly-Once 一致性：通过外置的 Action State Store 扩展 Flink 原本的 Checkpoint 机制，从而确保 Agent 中 Action 执行、模型推理、工具调用及其影响的精确一直一致性
成熟的Agent抽象：利用广为人知的 AI Agent概念，使具有Agent系统开发经验的开发者能够快速上手并构建应用，无需陡峭的学习曲线。
多语言支持：提供 Python 和 Java 的原生 API，能够无缝集成到不同的开发环境中，允许团队使用其偏好的编程语言。
丰富的生态系统：原生支持对主流模型服务与向量存储的集成，，以及托管在 MCP 服务器上的工具或提示词，同时支持自定义扩展。
可观测性：采用以事件为中心的编排方法，所有智能体行为都由事件连接和控制，从而能够通过事件日志观察和理解智能体的行为。
0.2 版本有哪些新变化？
Java API 功能对齐
在 Flink Agents 0.1 中，部分功能仅在 Python API 中可用。0.2 版本通过在 Java 中增加以下能力的完整支持，弥补了这一差距：
嵌入模型（Embedding Models）
向量存储（Vector Stores）
MCP 服务器（MCP Server）
异步执行（Asynchronous Execution）
至此，Java API 在功能上已与 Python API 完全对齐。
扩展的生态集成
Flink Agents 0.2 引入了对更广泛的模型服务和向量数据库的原生支持：
对话模型（Chat Models）：
Python API 现支持 Azure OpenAI。
Java API 增加了对 Azure AI、Anthropic 和 OpenAI 的支持。
嵌入模型（Embedding Models）：
- Java API 现支持 Ollama。
向量数据库（Vector Stores）：
- Java API 现支持 Elasticsearch。
此外，0.2 版本现支持跨语言资源访问。用户可以在一种语言编写的智能体中，调用另一种语言提供的集成支持。例如：在 Python 智能体中调用 Java 支持的 Azure AI 对话模型。
(注：跨语言资源访问目前不支持在异步执行代码块中使用。使用跨语言集成时，框架内置动作将回退到同步执行。)
记忆系统重构
Flink Agents 0.2 对其记忆管理系统进行了全面升级。相比之前仅支持短期记忆，新版本引入了三种不同的记忆类型：
感官记忆（Sensory Memory）： 在单次智能体运行中维护状态并传递上下文。
短期记忆（Short-Term Memory）： 在多次智能体运行之间保留精确的上下文信息。
长期记忆（Long-Term Memory）： 实现大规模上下文信息的近似语义检索，并提供初步的信息摘要和压缩支持。
持久化执行（Durable Execution）
Flink Agents 0.1 提供了Action级的精确一次执行。在 0.2 版本中，这一能力被精细化到了更小的颗粒度。你现在可以在一个Action内指定特定的代码块进行持久化执行。在故障恢复时，即使整个Action尚未完成，任何已成功执行的持久化代码块都不会重新运行。
这有助于避免：
冗余的模型调用（节省时间、Token 并减少不可预测性）。
重复工具调用产生的副作用（例如：重复付款或重复发送电子邮件通知）。
多版本 Flink 兼容性
Flink Agents 0.1 仅兼容 Apache Flink 1.20.3。
Flink Agents 0.2 现支持更广泛的 Flink 版本：1.20, 2.0, 2.1 和 2.2。
(注：建议始终使用所选 Flink 小版本（x.y）的最新补丁版本（x.y.z），以获得更多已知问题的修复。)
破坏性变更（Breaking Changes）
Python API
创建
ResourceDescriptor的 API 已更改。在之前版本中，用户通过clazz=Type[Resource]指定资源提供者；在 0.2 版本中，应通过clazz=ResourceName指定，我们为内置集成提供了常量字符串。RunnerContext.execute_async方法已更名为durable_execute_async。MCPTool、MCPPrompt和MCPServer不再被视为 API，已从api模块中移出。
配置
ERROR_HANDLING_STRATEGY现在不仅影响 ReAct Agent，而是影响所有智能体。它已从ReActAgentConfigOptions移至AgentExecutionOptions。
Java Ollama 对话模型
对话模型设置中的
extract_reasoning参数类型从string更改为boolean，默认值从false更改为true。引入了新参数
think用于控制是否启用思考模式。extract_reasoning不再影响此行为。
贡献者名单
Apache Flink 社区感谢以下每一位为本次发布努力的贡献者：
Alan Z., Eugene, Ioannis Stavrakantonakis, Liu Jiangang, Marcelo Colomer, Shekharrajak, Weiqing Yang, Wenjin Xie, Xiang Li, Xintong Song, Xuannan, Yash Anand, chouc, dependabot[bot], tsaiggo, twosom
阿里云的 Flink Agents 团队正在北京、上海招聘！如果你对实时计算、AI 数据基础设施充满热情，欢迎加入我们，点击链接或直接邮箱投递！
邮箱：xintong.sxt@alibaba-inc.com
