ai agent框架spring ai/alibaba 源码原理分析(六) agent和组件

简介

saa是java的ai agent框架，本系列将深入剖析 Spring AI Alibaba 的源码实现与核心原理，不仅可以指导agent的开发，更可以改造框架，增加新特性

系列内容：

系列(一)架构完成

系列(三)调用

I工具完成

II MCP

1 MCP MCP能力，工具，资源，Prompts，sampling，。。。；springboot自动配置完成

2分布式MCP

3 MCP security

III skills完成

系列(四) RAG完成

I知识库，文档读取，分块；嵌入，向量store

II检索，增强生成，模块化；混合检索，融合重排

系列(二)模型model模型完成

chat模型，消息，提示词，结构化输出，记忆

chat client，advisor组件

系列(五) graph

I图结构，节点和边；StateGraph；外部介入

推理框架graph映射: ReAct，relection，CoT，Plan-And-Execute

II图编译CompiledGraph，扁平化图结构，邻接表结构

III图执行，检查点，回溯/回放，中断和恢复，容错

系列(六) agent及组件ReactAgent，AgentLlmNode，AgentToolNode，钩子和拦截器，记忆，结构化输出

系列(七) MAS

I MAS模式flow模式编排器-子智能体，智能体团队；简单介绍agentic模式消息总线，共享状态；数据交接

II分布式MAS，远程通讯，负载均衡，注册发现，容错

系列(八) I观测：观测组件(micrometer-observation)；观测点：chatClient，chat模型，工具

II评估

系列(九) agent管理平台agent发现(a2a/nacos，local)，agent列表

提示词管理，skill管理，MCP管理；聊天ui；会话(thread)

本文分析agent和agent组件，ReactAgent，AgentLlmNode，AgentToolNode，钩子和拦截器，记忆，结构化输出

based spring ai alibaba v1.1.2.2

关键词

agent

缩写

spring ai缩写sa

spring ai alibaba本文缩写saa

参考资料

https://java2ai.com/docs/overview spring ai alibaba官网文档

https://docs.spring.io/spring-ai/reference/index.html spring ai官方文档

SAA概览

上图是saa原理源码分析场景视图，每个包对应着saa/sa组件或特性，是本文分析的目录

model大模型的封装，模型包括Chat，嵌入，audio，image等类型，其中chat模型包括，advisor组件，提示词，记忆等

agent/graphagent和图紧密相关，可以认为agent是一种既定的”图”形，开发人员可以使用graph底层api直接构建graph，使用agent获得既定的图形，简化agent的开发

外部调用(calling)工具，MCP，skills

RAG检索增强生成

MASMAS模式 flow模式 编排器-子智能体，智能体团队；数据交接

studio简易的agent管理工具，嵌入到agent，带有agent面板，列表agent；提供chat界面，用于调试agent，是开发agent的便利工具

admin管理台， agent的发布，列表，管理，执行；提示词工程，评估和数据集，观测

agent

agent = 推理框架 + 上下文 + 工具

agent是推理框架的封装，saa是flow模式，推理框架映射成图，那么saa agent可以认为是特定的图。saa的agent实现有ReactAgent，ReAct推理框架。ReactAgent可以作为通用的组件，构建其他更复杂的推理框架，复杂工作，可分成多个小任务完成，每个小任务适用思考-动作-观测的闭环。

本节分析ReactAgent，以及agent组件，包括AgentLlmNode，AgentToolNode，钩子和拦截器，记忆，结构化输出

上图是agent，agent组件类图

instruction指令，字符串属性，最终转成UserPrompt，但不是sa ChatClient的UserPrompt的替代，instruction主要用途， MAS消息交接，即前面的agent结果消息放入下一个agent的输入消息，instruction设置占位符用来做模板

AgentLlmNode/ModelInterceptorAgentLlmNode构建和初始ChatClient组件，负责大模型调用，实现了NodeActionWithConfig接口，可作为图节点。AgentLlmNode核心是构建和初始化ChatClient，其原理源码分析可参看系统-模型

ModelInterceptorAgentLlmNodes使用函数式构建大模型调用ModelCallHandler，使用函数式构建function与ModelInterceptor连成调用链

AgentToolNode/ToolInterceptor负责工具调用，实现NodeActionWithConfig接口，作为图的节点，放在AgentLlmNode后，根据大模型的返回调用工具；工具调用依赖sa 的ToolCallbackResolver和ToolCallback，关于工具调用参看 系列-调用I 工具

ToolInterceptor与ModelInterceptor类似，函数式构建方法构建ToolCallHandler，与ToolInterceptor连成调用链

Hookhook映射为图节点，因此可以在agent层实现图的能力，agent开发者无需到底层的图，例如，KeyStrategys设置，中断和恢复；hook在agent层和model层，适合引入和初始化组件，如，skills

下面介绍几个常用的hook

SummarizationHook使用大模型对历史对话摘要，减少提示词，避免提示词超限

SkillsAgentHook支持skills，参看系列-skills的源码原理分析

InterruptionHookagent层实现中断功能，无需到底层的graph，参看系统-graph分析中断和恢复

ReactAgent主要逻辑在图形构建，参看系列-graph I 状态图，分析图的结构；系列-graph II 编译图，分析图编译；系列-graph III执行图，分析图执行

记忆

saa提供短期记忆和长期记忆，短期记忆是graph组件的检查点组件Checkpoint，在系列-图结构介绍过，Checkpoint保存全局的状态，支持多轮记忆，支持中断回复，容错。

长期记忆是Store组件，主要是agent使用，存取用户的profile。

另外，spring ai的记忆组件，ChatMomery在系列-模型分析

示例

下面示例组合多个ReactAgent实现复杂的场景：“竞品分析报告生成智能体”

业务场景：分析一款新产品，例如“c909公务机”，评估其产品力，整个流水线包含以下步骤：

1. 研究agent：思考如何查资料 ->动作（调用搜索工具） ->观测（获取原始数据）
2. 起草agent：思考如何写文章 ->动作（撰写初稿） ->观测（生成草稿）。
3. 主编agent：思考草稿质量 ->动作（审阅打分） ->观测（输出反馈）。如果打分不及格，工作流会触发循环，将反馈交还给起草专家重新思考。

整体使用SequentialAgent，研究 -> (起草 <->反思)，起草<->反思使用LoopAgent

上图构建3个角色agent，研究agent使用modelscope的必应搜索MCP服务

上图flow agent构建，整合角色agent

上图是整个agent映射图

测试：输入 "c909公务机"

研究agent搜索c909产品资料

起草Agent使用资料，赞写产品研究报告

主编Agent审核报告，同意在审核意见写入APPROVED，循环结束，否则审核意见回到起草agent，考虑审核意见重写报告

总结：研究agent、起草Agent 和 主编Agent 是 ReactAgent，各自的节点内部经历完整的 Thought（思考） -> Action（调用工具/生成文本） -> Observation（获取结果） 循环，ReactAgent是组成复杂agent的通用组件。

NEXT

MAS MAS模式，数据交接；分布式MAS