前言
随着大语言模型(LLM)技术的快速发展，构建智能Agent应用变得越来越简单。本文将通过两个实际的代码示例，展示如何使用Spring AI Alibaba框架构建功能丰富的天气查询Agent，从基础的测试实现到生产级的完整应用。
技术栈概述
- Spring AI Alibaba: 阿里巴巴开源的AI应用开发框架
- DashScope: 阿里云的AI模型服务平台
- React Agent: 基于ReAct(Reasoning and Acting)范式的智能代理
示例一：SimpleTest - 快速入门
添加核心依赖
<dependencies>
<!-- Spring AI Alibaba Agent Framework -->
<dependency>
<groupId>com.alibaba.cloud.ai</groupId>
<artifactId>spring-ai-alibaba-agent-framework</artifactId>
<version>1.1.2.0</version>
</dependency>
<!-- DashScope ChatModel 支持（如果使用其他模型，请跳转 Spring AI 文档选择对应的 starter） -->
<dependency>
<groupId>com.alibaba.cloud.ai</groupId>
<artifactId>spring-ai-alibaba-starter-dashscope</artifactId>
<version>1.1.2.0</version>
</dependency>
</dependencies>
代码结构分析
@Test
void agentTest() throws GraphRunnerException {
// 1. 初始化 DashScope API
DashScopeApi dashScopeApi = DashScopeApi.builder()
.apiKey(System.getenv("AliQwen_API"))
.build();
// 2. 创建 ChatModel
ChatModel chatModel = DashScopeChatModel.builder()
.dashScopeApi(dashScopeApi)
.build();
// 3. 定义天气工具
ToolCallback weatherTool = FunctionToolCallback.builder("get_weather", new WeatherTool())
.description("获取某个城市的天气")
.inputType(String.class)
.build();
// 4. 构建React Agent
ReactAgent agent = ReactAgent.builder()
.name("weather_agent")
.model(chatModel)
.tools(weatherTool)
.systemPrompt("你是一个非常有帮助的助手")
.saver(new MemorySaver())
.build();
// 5. 调用Agent
AssistantMessage response = agent.call("上海今天天气怎么样？");
System.out.println(response.getText());
}
核心特性
- 简洁的配置: 通过Builder模式快速构建Agent
- 工具集成: 使用
FunctionToolCallback将自定义函数包装为Agent可调用的工具 - 内存存储: 使用
MemorySaver保存对话历史 - 中文支持: 完整的中文提示词和工具描述
自定义工具实现
class WeatherTool implements BiFunction<String, ToolContext, String> {
@Override
public String apply(String city, ToolContext toolContext) {
return city + "今天天气非常好！";
}
}
这个简单的工具类展示了如何将业务逻辑封装为Agent可调用的函数。
示例二：RealAgent - 真实的智能体
高级特性概览
相比SimpleTest，RealAgent展示了更多生产级特性：
- 精细的模型配置
- 多工具协同
- 结构化输出
- 对话上下文管理
核心代码解析
1. 系统提示词设计
String SYSTEM_PROMPT = """
你是一位擅长说**天气冷笑话/谐音梗**的专业天气预报员。
你可以使用两个工具：
- **get_weather_for_location**：用于获取指定地点的天气
- **get_user_location**：用于获取用户当前所在位置
如果用户询问天气，**必须先确认地点**。
如果从问题中能判断出他们指的是**自己所在的地方**，
就使用 **get_user_location** 工具获取他们的位置。
""";
这个提示词体现了几个重要设计原则：
- 角色定位: 明确Agent的身份和特色
- 工具说明: 清晰描述可用工具的功能
- 行为约束: 规定了工具使用的逻辑顺序
2. 模型参数优化
ChatModel chatModel = DashScopeChatModel.builder()
.dashScopeApi(dashScopeApi)
.defaultOptions(DashScopeChatOptions.builder()
.model(DashScopeChatModel.DEFAULT_MODEL_NAME)
.temperature(0.5) // 平衡创造性和准确性
.maxToken(1000) // 控制响应长度
.build())
.build();
3. 多工具协同
// 天气查询工具
ToolCallback getWeatherTool = FunctionToolCallback
.builder("getWeatherForLocation", new WeatherForLocationTool())
.description("获取一个给定城市的天气")
.inputType(String.class)
.build();
// 用户定位工具
ToolCallback getUserLocationTool = FunctionToolCallback
.builder("getUserLocation", new UserLocationTool())
.description("根据User Id获取用户位置")
.inputType(String.class)
.build();
4. 结构化输出配置
ReactAgent agent = ReactAgent.builder()
// ... 其他配置
.outputType(ResponseFormat.class) // 指定输出格式
.hooks(humanInTheLoopHook)
.build();
5. 对话上下文管理
RunnableConfig runnableConfig = RunnableConfig.builder()
.threadId(Thread.currentThread().getId() + "")
.build();
// 第一次调用
AssistantMessage response1 = agent.call("上海今天天气怎么样", runnableConfig);
// 第二次调用（保持上下文）
AssistantMessage response2 = agent.call("明天天气怎么样", runnableConfig);
通过RunnableConfig的threadId实现多轮对话的上下文保持。
总结
通过这两个示例，我们可以看到Spring AI Alibaba框架在构建智能Agent应用方面的强大能力：
- SimpleTest展示了快速原型开发的能力，适合概念验证和学习
- RealAgent则创建了一个基础的 ReactAgent，接下来可以：
- 探索更多的工具集成
- 学习如何使用不同的 Checkpoint 实现对话持久化
- 了解如何使用 Hooks 扩展 agent 功能
- 学习如何创建多 agent 系统
