从 Jev 范式决策模型接入,到参与 Team 协作的完整实践

简介: 本文将以一个工单分诊助手为例,把开发、打包和上线的过程串起来:用 AgentScope Java 与百炼决策模型(国内网络无法使用 Jev)实现分诊,通过代码包部署到阿里云 AgentCore,再验证普通调用和流式调用。文章最后,再看这个助手如何加入 Team,参与任务分工与报告审核。

作者:濯光


我们在《让 Agent 学会判断:从 JEV 接入到完整 Harness 决策流程》分享过,如何在 AgentScope Java 接入 Jev 决策模型,将类型化请求、结果解析和校验封装在 JevClient 中。


本文将以一个工单分诊助手为例,把开发、打包和上线的过程串起来:用 AgentScope Java 与百炼决策模型(国内网络无法使用 Jev)实现分诊,通过代码包部署到阿里云 AgentCore[1],再验证普通调用和流式调用。文章最后,再看这个助手如何加入 Team,参与任务分工与报告审核。

Agent 在本地跑通后,准备运行环境、发布更新、排查线上问题仍然需要投入精力。AgentCore 同时支持代码包和容器镜像部署,并提供后续的运行管理。选择代码包部署,开发者将应用和运行期依赖一起打包,基础运行环境由平台提供,无需再为这个 Agent 单独制作和维护镜像。


本文已收录到开源项目 Alibaba Cloud AI Agent Handbook,您可通过下方获得更佳的阅读体验:https://aliyun.github.io/ai-agent-handbook/cases/jev/


工单分诊场景与业务需求

在企业常见的业务场景中,一个工单队列里,可能同时有登录故障和发票申请。处理人员要先判断问题类别、影响范围和紧急程度,再交给相应团队跟进。比如下面两张工单:

生产登录接口全部返回 502,所有用户无法登录,十分钟前开始,尚未确认根因。

申请补开上月发票,没有服务中断。


登录故障需要尽快排查,发票申请则要核对账期、订单主体和发票状态。排好轻重缓急之后,还得查询工单记录、找到对应的处理手册,才能给出具体建议。


工单助手可以先把这部分信息准备好。百炼专用决策模型负责判断类别与优先级,助手再结合工单记录和处理手册整理建议,交给处理人员复核。分级条件、结果校验和查询工具都需要按企业规则调整,还要接入已有工单系统,因此这里采用高代码方式,在业务工程中维护这些逻辑。


整个应用的分工如下:AgentScope Java 组织模型与工具调用,百炼提供决策与生成能力,AgentCore 负责部署和运行。代码包连接起本地工程与云上服务,Team 则是后续按需接入的协作扩展。

1795082082081_0b50ae77dba5ee7e4dafd66ed44ce65fdaf46deaf73b997d133aabaac644b765.png

图 1:代码包部署贯穿开发与上线;百炼提供运行时模型能力,

Team 是按业务需要接入的协作扩展。

工单分诊 Agent 开发

开发工单助手时,AgentScope Java 负责定义 Agent、组织模型与业务工具的调用。需要使用 AgentCore 管理的模型、MCP 工具或 Skill 时,再通过 AgentCore SDK 访问平台资源,并适配到框架中。


AgentCore SDK 提供 Python、JavaScript / TypeScript 和 Java 版本,也适配了常用 Agent 框架。已有工程可以继续使用原来的技术栈,按需接入平台上的模型、MCP 工具、Skill、记忆和凭证。下表列出了各语言的框架适配情况:


开发语言 已提供适配的框架
Java[2] AgentScope Java、Spring AI、LangChain4j
Python[3] AgentScope、LangChain / LangGraph、Google ADK、Pydantic AI、CrewAI
JavaScript / TypeScript[4] LangChain / LangGraph、Google ADK、Mastra、AI SDK


这些 SDK 均已开源:Java[5]、Python[6]、JavaScript / TypeScript[7]。工单助手使用基础 SDK 和 AgentScope 适配模块,依赖示例如下:


<properties>
    <agentcore.version>0.1.3</agentcore.version>
</properties>
<dependencies>
    <dependency>
        <groupId>io.github.ai-agentcore</groupId>
        <artifactId>agentcore-sdk</artifactId>
        <version>${agentcore.version}</version>
    </dependency>
    <dependency>
        <groupId>io.github.ai-agentcore</groupId>
        <artifactId>agentcore-sdk-agentscope</artifactId>
        <version>${agentcore.version}</version>
    </dependency>
</dependencies>


接入 SDK 后,原有的工单查询工具可以继续使用,再与平台管理的模型、MCP 或 Skill 组合。上面列出的是 SDK 依赖,模型 Provider 等仍按业务需要引入;协作模块会在后文用到。

决策模型接入与分诊判断

判断一张工单属于“技术类”还不够。“全部用户无法登录”和“个别用户登录缓慢”都属于技术问题,处理优先级却不同。因此,除了类别选项,还需要把影响范围对应的分级条件告诉模型。


决策模型适合处理这类有明确选项和判断标准的任务。它面向分类、评分和是非判断,返回结构化结果及概率信息。应用拿到类别和优先级后,就可以安排后续的查询与处理。


AgentScope Java 已提供 Jev 决策模型扩展[8],将类型化请求、结果解析和校验封装在 JevClient 中。开发者也可以选用 TypeSafe 的 Jev,按扩展文档配置服务凭据和模型,把决策能力接入现有 Agent 流程。


本例选用百炼决策模型[9]decision-model-preview,在工程中封装 DecisionClient 调用其 System One 接口,将工单描述与分类条件一起提交,获得结构化的类别和优先级结果。


这里将全部用户或核心业务中断列为 P1,普通咨询或无服务中断的请求列为 P3。收到决策结果后,助手还会校验类别和优先级是否属于预设选项,再进入后续处理。

业务工具接入与处理建议生成

确定了优先级,接下来要找到处理依据。工单查询和手册检索分别封装为两个 AgentScope 工具:lookup_ticket 提供影响范围、日志线索和近期发布记录,lookup_runbook 提供对应的处理方法。qwen-plus 再结合这些资料和决策结果生成建议,并列出需要人工确认的事项。


下面这段代码把两个环节接在一起:decisionClient 先取得分诊结果,Agent 再调用 toolkit 中的查询工具生成报告。报告需要引用哪些资料、保留哪些待确认事项,由 prompt 约束:


var decision = decisionClient.classify(input);
String content = input
    + "\n百炼决策模型分诊结果(分类不是根因结论):" + Main.json(decision);
var agent = ReActAgent.builder().name("triage")
    .model(model).toolkit(toolkit)
    .sysPrompt(prompt).maxIters(6).build();
String text = agent.call(List.of(new UserMessage(content)), context)
    .block(Duration.ofSeconds(150)).getTextContent();


其中,model 通过 AgentScope 原生客户端访问 AgentCore 工作空间中的模型连接,调用 qwen-plus。生成的建议交由处理人员复核。


工单助手对外提供兼容 OpenAI Chat Completions 的 HTTP 接口。本地验证通过后,就可以将它发布到 AgentCore,供工单系统调用。


AgentCore 代码包部署

发布这个助手,不必先为它准备一套镜像构建流程。AgentCore 的代码包部署提供 Python、Node.js 和 Java 运行环境,基础镜像由平台维护。开发者沿用已有的构建方式,将应用与运行期依赖打成代码包,就能交给平台部署。


如果已有成熟的镜像流水线,或需要定制系统组件,也可以选择容器镜像部署[10]。这个工单助手使用平台提供的 Java 环境即可运行,因此选择代码包部署。


打包仍然使用 Maven:将业务代码、AgentScope 和 SDK 等运行期依赖一起打入 app.jar,再把 JAR 放到 ZIP 根目录。这份 ZIP 就是要发布的代码包。


这次实践直接上传本地 ZIP。如果代码已经通过流水线构建,也可以将产物存入 OSS,再从 OSS 导入。无论采用哪种来源,交付的都是应用本身的构建产物。

1795082001171_62896b763c1c3a8ebbdd1209d239fbdbc72b04e9dc4e9a6fcf090d1f9a0fe191.png

图 2:代码包创建入口,支持选择运行环境、本地上传和 OSS 来源。


上传后,应用仍按原来的命令启动。这个助手选择 Java 17,启动命令为 java -jar app.jar,服务端口为 8080。AgentCore 负责解压代码包、启动应用,并通过健康检查确认服务状态。

1795081977018_d6d0a97b98f7f58357ed8f9d41cc5487c3a1086dbf163d645656242760cf4e1d.png

图 3:工单助手的部署配置,集中展示代码包、运行环境和应用启动参数。


应用就绪后,在 AgentCore 配置服务入口,工单系统便可以通过相应的访问地址和鉴权信息发起请求。原先在本地验证的分诊逻辑,现在有了可供业务调用的服务入口。


服务调用与分诊效果验证

部署完成后,再把开头的登录故障和发票申请交给助手,看看实际输出。验证覆盖了两种调用方式:普通调用一次返回完整报告,方便后端接收后继续处理;流式调用逐步返回内容,用户可以在工单页面中边生成边查看建议。


以下结果来自实际调用,工单和处理手册均为演示数据。


对于“所有用户无法登录”的工单,助手给出“技术类、P1”的判断,并引用工单记录和故障处理手册。以下摘编自实际生成的报告:

工单类别与优先级:技术故障,P1。已知事实:登录接口返回 502,影响全部用户;日志线索为 upstream_connect_error,近期有应用发布。排查建议:检查上游健康、连接池、超时设置和近期发布,保留请求 ID 与相关日志。人工确认事项:上游当前是否可达,近期变更是否有关联,是否需要由值班负责人授权修复或回退。


换成“申请补开上月发票、无服务中断”,助手给出的判断是“计费类、P3”,引用的也变成了发票处理手册。建议围绕账期、订单主体和发票状态展开。这样,处理人员拿到的除了优先级,还有与这类问题相匹配的处理依据。


弹性运行与可观测

登录服务发生故障时,相关工单可能短时间内集中涌入;恢复后,请求量又会回落。AgentCore 支持按需弹性伸缩,可以根据业务并发需求配置策略,在高峰时扩展资源,负载回落后收回空闲资源,减少长期按高峰预留资源的压力。了解 AgentCore 弹性运行能力[11]。


一次分诊迟迟没有返回时,排查也需要有入口。AgentCore 将实例与 Session、基础监控和运行日志放在同一个 Agent 下,方便先确认运行状态,再沿着应用日志追查具体请求。高代码 Agent 运行与排障说明[12]。

1795081932505_b026a5620e16381309ba100b37f55221af01eb4e3f078660c924cfd09ab0804b.png

图 4:工单助手的运行实例与 Session 数,便于了解当前运行状态和会话占用。


为工单助手启用日志采集并配置 SLS 日志库(Logstore)后,团队就能在 AgentCore 控制台查看运行日志,追查异常请求。


工单助手会记录请求 ID、执行耗时、决策结果和工具调用。以登录故障为例,日志中可以核对它查了哪张工单、用了哪份手册,以及最终采用的类别与优先级。如果建议不符合预期,就能带着这些记录回到业务代码中排查。


分诊规则迭代与代码包更新

如果要接入真实工单接口,或调整登录故障的分级条件,仍然回到原有工程中修改和测试。验证通过后,重新构建代码包,通过 AgentCore 更新 Agent,新的逻辑就可以投入使用。


使用 OSS 来源时,上传新包和更新 Agent 是两个独立动作。AgentCore 会在创建或更新时保存代码包快照,因此覆盖 OSS 源文件不会改变正在运行的代码。只有发起 Agent 更新,才会读取新包并部署,发布时机仍由团队决定。


小进阶实践:AgentCore Team 原生协作

到这里,工单助手已经能独立提供分诊服务。但一张高优先级故障工单,往往还需要有人分派工作、补充信息、审核报告。任务交给了谁、分析进行到哪一步、结果是否通过验收,也需要留下记录。这时可以再接入 AgentCore Team,让已有助手参与后续协作。


注:高代码 Agent 协作能力目前采用白名单开放机制。有体验需求的客户,可提交工单联系支持团队申请开通。

Team 任务分工与交付审核

在 Team 中,Leader 安排工作,Worker 承担具体分析,用户可以查看进展、补充要求并验收结果。子任务、执行记录和报告文件都关联在同一任务下,接手的人能看到前面的处理过程,也能直接针对报告提出修改意见,减少反复转述和追问进度的工作。了解 Team 任务[13]。


这次登录故障任务采用以下分工,工单助手复用前文已部署的 Agent:


参与者 职责
托管 Agent,担任 Leader 分派登录故障分析任务,审核 Worker 提交的报告
工单助手(高代码 Agent),担任 Worker 查询故障工单与处理手册,完成分诊并提交报告
用户 补充任务要求、参与复核,验收最终报告

1795081863543_7b9d9b828f92834d20bf78b7ac9182a1487a067de52e5ea3363242aa4e518a74.png

图 5:登录故障工单的任务记录,呈现子任务分派、

Worker 提交结果、Leader 审核和用户验收的过程。

协作 SDK 接入

这个助手沿用了原有分诊逻辑,通过协作 SDK 增加领取任务和交付文件的工具,并加入已开通协作的 Workspace 下的 Team。工程新增的依赖如下,基础 SDK 与 AgentScope 适配模块仍使用前文的 0.1.3:


<dependency>
    <groupId>io.github.ai-agentcore</groupId>
    <artifactId>agentcore-collaboration</artifactId>
    <version>0.1.0</version>
</dependency>


SDK 将领取任务、文件交付等能力作为工具接入现有 Agent,并补充 Worker 协作规则。下面的 toolkit 保留业务查询工具,businessPrompt 保留分诊与报告要求;collaboration 随应用复用,并在关闭时释放:


var workspace = Path.of(".");
var collaboration = Collaboration.auto(workspace);
var workerTools = new ArrayList<>(collaboration.tools().block());
Skill.tools(collaboration.skills().block(), workspace).stream()
    .filter(tool -> !"execute_command".equals(tool.name()))
    .forEach(workerTools::add);
workerTools.forEach(tool ->
    toolkit.registerAgentTool(AgentCoreAgentScope.tool(tool)));
var worker = ReActAgent.builder().name("ticket-worker")
    .model(model).toolkit(toolkit)
    .sysPrompt(collaboration.composePrompt(businessPrompt))
    .maxIters(18).build();


任务上下文随本次调用传入,让分析和报告归属正确的任务。以下 trustedHeaders 来自可信的平台请求,普通调用与流式调用采用同样的传递方式:


var taskContext = CollaborationContext.fromHeaders(trustedHeaders);
var contextBuilder = RuntimeContext.builder().sessionId(sessionId);
if (taskContext != null) {
    contextBuilder.put(CollaborationContext.KEY, taskContext);
}
var context = contextBuilder.build();
var response = worker.call(List.of(new UserMessage(input)), context)
    .block(Duration.ofSeconds(150));
// 流式调用使用 worker.streamEvents(new UserMessage(input), context)


接入后,仍通过重新构建代码包、更新 Agent 来发布。完整接口见 Java 协作 SDK[14]。


任务最终交付的报告如下。P1 分级的依据、已知的工单事实、建议的排查步骤和待人工确认的事项都列在其中。Leader 和用户可以对照报告复核,不必再从多轮对话里拼凑结论。


1795081803088_48348f0bc5445abac695661be369d85c72000a6d494f55ae734c1dab8552d590.png

图 6:任务中交付的 report.md,审核人员可以直接预览并核对分诊依据与处理建议。

总结

回到开头的两张工单,助手要帮助处理人员尽快识别登录故障的紧急程度,也要为发票申请找到合适的处理依据。分级规则和业务工具会随着实际使用不断调整,发布这些改进也应当成为日常开发的一部分。


AgentCore 代码包部署让团队沿用原有工程,将验证后的应用与依赖交付到平台,省去为每个 Agent 单独维护镜像的工作。运行环境和服务管理由 AgentCore 承接,开发者可以把精力留给分诊规则、查询工具和实际处理效果;需要跨角色跟进复杂工单时,再用 Team 扩展协作。


欢迎前往阿里云 AgentCore 控制台[15],将自己的业务 Agent 以代码包方式部署运行。


相关链接:

[1] AgentCore

https://help.aliyun.com/zh/agentcore/agentcore-product-overview

[2] Java

https://help.aliyun.com/zh/agentcore/agentcore-java-sdk-usage-guide

[3] Python

https://help.aliyun.com/zh/agentcore/agentcore-python-sdk-user-guide

[4] JavaScript / TypeScript

https://help.aliyun.com/zh/agentcore/agentcore-node-js-sdk-user-guide

[5] Java

https://github.com/ai-agentcore/agentcore-sdk-java

[6] Python

https://github.com/ai-agentcore/agentcore-sdk-python

[7] JavaScript / TypeScript

https://github.com/ai-agentcore/agentcore-sdk-nodejs

[8] Jev 决策模型扩展

https://github.com/agentscope-ai/agentscope-java/blob/main/docs/v2/zh/jev/guides/client.md

[9] 百炼决策模型

https://help.aliyun.com/zh/model-studio/decision-model-api

[10] 容器镜像部署

https://help.aliyun.com/zh/agentcore/high-code-agent-deployment-guide

[11] AgentCore 弹性运行能力

https://www.aliyun.com/product/agentcore

[12] 高代码 Agent 运行与排障说明

https://help.aliyun.com/zh/agentcore/high-code-agent-deployment-guide

[13] Team 任务

https://help.aliyun.com/zh/agentcore/using-team-tasks

[14] Java 协作 SDK

https://github.com/ai-agentcore/agentcore-sdk-java/blob/main/collaboration/README.md

[15] 阿里云 AgentCore 控制台

https://agentcore.console.aliyun.com/

相关文章
|
5天前
|
Linux Go 开发工具
手机上跑 DeepSeek 智能体:开源安卓客户端 DSH Go 安装与使用指南
DSH Go 是一款开源安卓客户端,将 DeepSeek Harness 智能体引擎装进手机:免 Root、免 Termux,一键安装即用;支持本机运行(内置 Ubuntu+Node.js)或远程接管电脑会话;具备插话打断、过程折叠、屏幕操控、端到端加密分享等特色功能,真正实现智能体“口袋化”。
6844 15
|
5天前
|
弹性计算 人工智能 API
Codex超详细入门指南(下载·安装·登录·上手,全版本覆盖,2026最新版)
建议收藏本教程,2026 全年各版本更新随时回来查阅。如果你在搭建过程中遇到任何问题,欢迎结合 阿里云工单系统 提交技术支持请求,或在 阿里云开发者社区 搜索 Codex 相关话题交流。 祝你编码愉快,效率翻倍!
2293 8
|
8天前
|
人工智能 前端开发 API
阿里云Qwen4-Max 大模型详解:定位、特征、能力、适用场景与相对Qwen3-Max差异解析
2026年11月11日,阿里发布第四代旗舰模型Qwen4-Max预览版,首发千问AI平台Token Plan并接入千问办公、Qoder等入口。该版本聚焦知识理解、世界感知、编程与Agentic四项升级,主打复杂编程、专业办公、前端设计与专业软件操作等真实任务。预览期为11月11日10:00至11月25日24:00,仅支持Token Plan调用,到期后模型标识下线;限时2折、新用户再享5折,最低1折可体验。
|
8天前
|
JSON 前端开发 API
阿里云最新Qwen4-Max大模型介绍:模型定位、特征、能力、适用场景解析
2026 年 11 月 11 日,阿里发布第四代旗舰模型Qwen4-Max预览版,首发千问 AI 平台 Token Plan,并同步接入千问办公、Qoder 等入口。该版本聚焦知识理解、世界感知、编程与 Agentic 四项升级,主打复杂编程、专业办公、前端设计与专业软件操作。预览期至 11 月 25 日 24:00,到期后模型标识下线;限时 2 折、新用户再享 5 折,最低 1 折可体验。
|
3天前
|
传感器 安全 区块链
Windows 电脑运行安卓应用教程:开源工具 ApkStart 双击 APK 即装、独立窗口运行
ApkStart 是一款开源Windows工具,让安卓APP像原生软件一样运行:双击APK即安装、生成真实图标、独立窗口启动、开始菜单可搜索。无需传统模拟器,内置QEMU运行时,支持数据互通、ARM兼容与命令行操作。(239字)
|
21天前
|
Linux 开发工具 iOS开发
Codex保姆级教程(下载+安装+登录+使用,含所有版本,2026最新)
Codex是OpenAI推出的开源AI编程智能体,本地运行,可理解整个代码库,支持自然语言指令改代码、执行命令、跑测试、修Bug,兼容Win/macOS/Linux。(239字)
10167 59
|
4天前
|
人工智能 弹性计算 开发工具
零成本玩各大模型!DeepSeek Harness dsh-our-free-model 插件,13 个厂商模型直接用
总结一下:装这个插件,你不用注册、不用绑卡、不用填一个 Key,就能在 DeepSeek Harness 里用上 DeepSeek V4.1 Flash、Kimi K3 这一批前沿模型,而且是白嫖的、还不限量。三步搞定:下载插件,复制包含 `package.json` 的插件目录路径,在「添加插件」里粘贴路径安装并重启。无论是在阿里云 ECS 上通过命令行部署的 Web 版,还是本地的 Electron 桌面端,都能顺利跑通,快速搭建一套零成本的免费模型使用环境。
1047 0
|
7天前
|
Linux API iOS开发
【DSH】DeepSeek Harness新手保姆教程(下载+安装+配置+使用,2026最新实测)
DeepSeek Harness(dsh)是DeepSeek AI开源的智能体框架,秉持“一切皆插件”理念,支持读文件、改代码、跑命令、处理表格、联网搜索等操作。免费开源,兼容Windows/macOS/Linux,提供桌面端与网页端,可灵活安装插件扩展能力。
|
15天前
|
Linux 开发工具 iOS开发
2026最新codex下载安装保姆级使用教程(下载+安装+登录+使用,含所有历史版本)
本文详解OpenAI Codex国内快速上手指南:提供Win/macOS/Linux全平台免安装包、npm/Homebrew等多方式安装、账号/API Key双登录、简体中文切换,覆盖下载、安装、汉化、使用及高频避坑(如微软商店失败、npm超时等),10分钟即可跑通。
3480 9