作者：千习

参考 Langchain 的这篇文章 https://blog.langchain.com/introducing-ambient-agents/，面对目前我们常见 Chat 模式的 Agent 形态以外，还可以充分发挥 Agent 新的运行形态：

自主持续运行 Agent：突破目前大部分 AI 应用依赖用户主动发起对话（Chat）聊天模式的限制。Agent 通过监听环境信号（如：定时运行、消息事件、上下文变化），Agent 作为智能体，按计划定时运行的特性在实际业务场景中非常有用。
Agent 发起人机交互：关键点在于部分任务需通过“人工确认”机制（如通知、提问、审核）确保与用户目标一致，Agent 在自主运行过程中需要一个人机交互窗口，支持人工介入机制，从而在自主性与可控性间取得平衡。

Spring AI Alibaba（以下简称 SAA）为开发上述形态的 Agent 提供了相应的框架支持，方便业务快速实现上述场景需求下的 Agent 开发。

为什么需要自主运行 Agent

通过自主运行的 Agent 可以充分发挥其执行效率，让其具备按预设规划自主工作的能力，无需每次都等待人类指令运行，可将 Agent 作为一个能替代你部分工作自主运行的“人”来看待。

由此我们可以看到，随着 Agent 的能力增强，以及 Agent 自主能力的提升，应该会出现以下局面：

个体创业者的能力边界将被大幅度拓宽。
在工程领域多人协同的工作可拆解到由一个人+多 Agent 来完成，以提高生产效率。

从业务需求的角度看，可以有以下一些场景可探索挖掘。

自动化周期性业务：面向企业经营的业务系统，可构建周期性地自动收集分析数据、提取数据核心要素、可视化经营报表生成等场景。通过定时运行的 Agent 可实现无人值守的自动化执行，显著提升数据分析整理效率。相较于传统经营报表，通过模型对非结构化数据的分析总结能力，可显著提升报告质量。
批量清算处理：部署多个 Agent，每个 Agent 可同时批量并行处理不同维度的数据信息。在金融行业智能投研领域，AI Agent 可批量处理来自于不同数据源渠道的海量金融数据、新闻资讯和社交媒体信息，借助大模型充分挖掘行业投资机遇和风险事件。
事件应急预案响应：在物联网、安全监控等场景中，系统需对突发消息事件（如设备报警、用户行为、危险事件识别触发）做出自动响应。后台常驻 Agent 可通过监听消息队列或定时巡检扫描的方式运行，分析识别事件等级做出响应级别的告警消息发布。
人类参与决策判断：Agent 自动处理，人只在需要时进入决策判断以提升效率。比如 Agent 每天固定时间自动采集汇总供应商的新闻、舆情及社交平台讨论，并进行风险分类与情绪分析；遇到高风险负面事件（如食品安全事故）时，Agent 能通知管理人员人工介入判断，选择采取下一步行动策略，比如生成自检报告、批量通知各网点下架对应供应商产品等。
复杂长周期任务：现阶段大批量基于模型进行数据分析处理的场景下，往往执行较慢，就不适合构建 Chat 模式交互。通过任务固定周期触发、涉及跨域和多模态数据分析，Agent 在后台将数据做预制加工处理，最终交互上即可提供给用户加工完成后的数据信息。
周期性任务记忆管理：定时后台运行的 Agent，在每个周期执行后可以管理其对应的多个周期的执行记忆。通过周期执行记录信息，可分析随时间周期变化，借助模型来解读数据的变化过程。比如出现舆论舆情时，可根据周期变化来分析事件是再持续发酵还是逐步消退，根据变化趋势来智能路由下一步决策。

如何构建定时运行 Agent

目前市面上定时 AI Task 相关的应用，主要分为以下几类：

接下来重点说明下 SAA 中的定时 Agent 设计构想，为了支持后台自主执行的 Agent，在 CompiledGraph上提供的 schedule(ScheduleConfig config)方法可自由设置该 Agent 定时执行。对于后台定时运行的 Agent 任务在设计上都通过 ScheduledAgentManager来进行任务的注册管理，目前开源默认实现提供了单机应用进程内的 Agent 任务运行管理实现。

通过上述方式，后续可支持在分布式部署场景下的定时 Agent 任务运行，同时为自定义 Agent 任务可视化管理和运行监控提供扩展点。

基于 SAA 自主运行 Agent 展示

Spring AI Alibaba 作为 Agent 开发框架，可方便地为业务开发 Agent 提供了对应解决方案，同时在框架侧也提供了构建定时运行的 Agent 能力。后续将通过框架提供的定时调度、人工节点功能，实现两个实践案例：店铺经营分析 Agent、评价舆情分析 Agent。

店铺经营日报 Agent

通过 SAA 框架可以方便的开发出自定义的 Agent（Workflow Agent），相比于低代码平台的流程构建，通过编码方式定义 Agent 流程会更适合高度定制的场景。比如当前的这个 Agent 我们需要从多个维度（交易订单、产品说明、客户画像信息、门店基础信息、客户评价反馈等）去提取对应的数据信息，通过业务编码再结合 Prompt 模版提供给 LLM 进行分析处理在实现上更具灵活性和可控性。

通过这个方式，让业务报表既能保持关键数据的准确性，又可结合发挥模型对非结构化数据分析，提炼总结出报告的核心要点和下一步行动方案。

参考代码：

@Bean
public CompiledGraph dailyReportAgent(ChatModel chatModel) throws GraphStateException {
    ChatClient chatClient = ChatClient.builder(chatModel).defaultAdvisors(new SimpleLoggerAdvisor()).build();
    AsyncNodeAction dataLoaderNode = node_async(
        (state) -> {
            /*
             * 业务报告元数据读取，如：指定周期的订单销量数据、
             * 门店产品信息、订单用户反馈信息
             */
        }       
    );
    // 定义一个经营日报生成节点，根据提供的原始数据信息结合Prompt生成报告
    LlmNode llmDataAnalysisNode = LlmNode.builder().chatClient(chatClient)
            .paramsKey("data_summary")
            .outputKey("summary_message_to_sender")
            .userPromptTemplate(DAILY_REPORT)
            .build();
    // Agent流程：提取原始数据-->生成经营日报-->发送日报信息
    StateGraph stateGraph = new StateGraph("OperationAnalysisAgent", () -> {
        Map<String, KeyStrategy> strategies = new HashMap<>();
        strategies.put("data_summary", new ReplaceStrategy());
        strategies.put("summary_message_to_sender", new ReplaceStrategy());
        strategies.put("message_sender_result", new ReplaceStrategy());
        strategies.put("access_token", new ReplaceStrategy());
        return strategies;
    }).addNode("data_loader", dataLoaderNode)
            .addNode("data_analysis", node_async(llmDataAnalysisNode))
            .addNode("message_sender", node_async(generateMessageSender()))
            .addEdge(START, "data_loader")
            .addEdge("data_loader", "data_analysis")
            .addEdge("data_analysis", "message_sender")
            .addEdge("message_sender", END);
    CompiledGraph compiledGraph = stateGraph.compile();
    compiledGraph.setMaxIterations(100);
    // 设定当前Agent每天8点执行
    ScheduleConfig scheduleConfig = ScheduleConfig.builder()
        .cronExpression("0 0 8 */1 * ?") // 每天8点
        .build();
    compiledGraph.schedule(scheduleConfig);
    return compiledGraph;
}

评价舆情分析 Agent

当前案例主要体现 Agent 自主定时运行，仅在分析发现必要时提示用户进入“人工决策”。相比较于传统的基于数值比较、关键词匹配等监控方式，通过 LLM 接入可增加业务监控新的维度，让监控面向更加泛化的数据场景，包括非结构化的文本数据、图片、影像等等，通过各类型结构数据充分挖掘出潜在风险。

参考代码：

@Bean
public CompiledGraph evaluationAnalysisAgent(ChatModel chatModel,
                 FeedbackMapper feedbackMapper) throws GraphStateException {
    ChatClient chatClient = ChatClient.builder(chatModel).defaultAdvisors(new SimpleLoggerAdvisor()).build();
    EvaluationClassifierNode sessionAnalysis = EvaluationClassifierNode.builder()
            .chatClient(chatClient)
            .inputTextKey("iterator_item")
            .outputKey("session_analysis_result")
            .categories(List.of("yes", "no"))
            .classificationInstructions(List.of("要求返回纯JSON字符串，禁止包含非JSON格式内容，包含字段:user、time、complaint、satisfaction、summary。",
                            "complaint: 表示当前评价是否为店铺或产品投诉，取值范围（yes or no）.",
                            "satisfaction: 表示用户实际的消费满意度",
                            "summary: 提炼本条核心吐槽点，以及可以改进的方向"))
            .build();
    StateGraph sessionAnalysisGraph = new StateGraph("session_analysis", subFactory1)
            .addNode("iterator", node_async(sessionAnalysis))
            .addEdge(StateGraph.START, "iterator")
            .addEdge("iterator", StateGraph.END);
    AsyncNodeAction sessionLoaderNode = node_async((state) -> {
        // 舆情和评价数据加载... ...
        return result;
    });
    // 舆情评价结果分析汇总
    AsyncNodeAction sessionResultSummaryNode = node_async((state) -> {
        // 舆情评价结果分析汇总... ...
        return Map.of();
    });
    // 通过LLM生成告警报告
    LlmNode llmNode = LlmNode.builder().chatClient(chatClient)
            .paramsKey("summary_message")
            .outputKey("summary_message_to_sender")
            .systemPromptTemplate("自定义Prompt")
            .build();
    // 构建Agent运行流程
    StateGraph stateGraph = new StateGraph("ReviewAnalysisAgent", () -> {
        Map<String, KeyStrategy> strategies = new HashMap<>();
        ... ...
        return strategies;
    }).addNode("session_loader_node", sessionLoaderNode)
            .addNode("iteration_session_analysis_node", iterationNode)
            .addNode("session_result_summary_node", sessionResultSummaryNode)
            .addNode("message_parse", node_async(llmNode))
            .addNode("message_sender", node_async(generateMessageSender()))
            .addNode("human_feedback", node_async(new HumanFeedbackNode()))
            .addNode("human_action", node_async(new HumanActionNode()))
            .addEdge(START, "session_loader_node")
            .addEdge("session_loader_node", "iteration_session_analysis_node")
            .addEdge("iteration_session_analysis_node", "session_result_summary_node")
            .addConditionalEdges("session_result_summary_node", AsyncEdgeAction.edge_async(state -> {
                Integer complaint = state.value("complaint", 0);
                return complaint > 0 ? "message_parse" : StateGraph.END;
            }), Map.of("message_parse", "message_parse", StateGraph.END, StateGraph.END))
            .addEdge("message_parse", "message_sender")
            .addEdge("message_sender", "human_feedback")
            .addConditionalEdges("human_feedback", AsyncEdgeAction.edge_async(state -> {
                boolean ignore = state.value("ignore", true);
                return ignore ? StateGraph.END : "human_action";
            }), Map.of("human_action", "human_action", StateGraph.END, StateGraph.END))
            .addEdge("message_sender", END);
    CompiledGraph compiledGraph = stateGraph.compile();
    compiledGraph.setMaxIterations(1000);
    // 设定当前Agent每小时执行检测一次
    ScheduleConfig scheduleConfig = ScheduleConfig.builder()
        .cronExpression("0 0 */1 * * ?") // 每小时执行检测一次
        .build();
    compiledGraph.schedule(scheduleConfig);
    return compiledGraph;
}