Spring AI Alibaba Agent Framework：Java工程化构建AI智能体的完整指南

最近在几个项目里，我反复被问到同一个问题：“我们想用Java把大模型能力接进来，但不想只是做个简单的问答接口，而是希望它能像‘智能员工’一样，根据我们的指令去调用工具、查询数据、完成一个完整的任务链。有没有现成的、能快速上手的框架？”

如果你也面临类似的场景，比如想用Java构建一个能自动处理工单、分析报表、生成代码或进行复杂决策的AI应用，那么你很可能已经接触到了“AI Agent”这个概念。但概念归概念，从“知道Agent”到“用Java写出一个稳定、可维护的Agent应用”，中间隔着一道巨大的工程鸿沟。你需要处理模型调用、工具编排、记忆管理、流程控制等一系列问题，而不仅仅是发个HTTP请求。

这时，Spring AI Alibaba Agent Framework（后文简称Alibaba Agent）就进入了视野。它不是一个独立的全新发明，而是构建在Spring AI这个官方项目之上，由阿里云贡献的一套针对Agent场景的增强框架。它的核心价值，在我看来，不是提供了某个惊天动地的独家功能，而是把构建生产级Java AI Agent的“最佳实践”和“常见模式”进行了框架化封装，让你能在一个熟悉、规范的Spring生态里，快速搭建起一个职责清晰、易于扩展的智能体系统。

很多人一上来就研究各种炫酷的ReAct、Plan-and-Execute模式，却忽略了最基础的工程问题：代码怎么组织？工具（Skill）怎么定义和管理？上下文（Context）如何在不同步骤间传递和持久化？异常怎么处理？这些才是决定一个Agent项目能否从Demo走向生产的关键。

本文不会只停留在介绍Alibaba Agent有哪些注解和接口。我会结合一个具体的“多模态RAG（检索增强生成）Agent”场景，带你走完从零搭建、定义技能、集成外部工具、到最终部署上线的完整路径。你会看到，如何用Java思维，而不仅仅是Prompt工程思维，来构建一个真正可用的AI应用。

1. 为什么是“Spring AI Alibaba Agent Framework”？

在深入代码之前，我们需要先达成一个共识：选择任何一个技术栈，首先要看它解决的核心痛点是什么，以及它是否与你现有的技术体系平滑融合。

1.1 从“大模型调用”到“智能体系统”的跃迁

最初，我们接入大模型的方式很简单：封装一个HTTP客户端，向OpenAI或通义千问的API发送Prompt，然后解析返回的文本。这解决了“有无”的问题。

但随着需求复杂化，问题接踵而至：

1. 任务分解：用户说“帮我分析一下上季度的销售数据，并写一份总结报告”。这包含了“查询数据”、“分析趋势”、“生成文本”等多个子任务。一个简单的问答接口无法处理。
2. 工具调用：查询数据需要连接数据库，生成图表需要调用绘图库。大模型本身不会这些操作，它需要“手”（工具）。
3. 状态管理：一个多轮对话中，Agent需要记住之前的对话历史、已经执行过的操作结果，作为后续决策的依据。
4. 流程控制：是先查数据还是先确认时间范围？某个工具调用失败了是重试还是换种方式？这需要可编程的流程逻辑。

这就是从“大模型调用”升级到“智能体系统”需要跨越的鸿沟。你需要一个框架来帮你管理这些复杂度，而不是把所有逻辑都堆在一个Controller里。

1.2 Spring AI 的定位与 Alibaba Agent 的补充

Spring AI 项目旨在为Spring生态提供一套统一的大模型抽象。它定义了ChatClient、EmbeddingClient、ImageClient等核心接口，让开发者可以像切换数据库驱动一样，在OpenAI、Azure、Ollama（本地模型）、通义千问等不同模型提供商间切换，而业务代码几乎不变。这是其最大的价值——标准化和可移植性。

然而，Spring AI 初期更侧重于“客户端”层面的抽象，对于更高阶的“Agent”模式，虽然提供了基础支持（如ChatClient调用），但缺乏一套开箱即用的、面向生产的最佳实践框架。这正是 Alibaba Agent Framework 要填补的空白。

Alibaba Agent 做了什么？它基于Spring AI，提供了一套更上层的、面向Agent开发的编程模型和基础设施：

• 声明式的Skill定义：通过注解（如@Tool,@Action）将你的Java方法暴露为Agent可调用的工具，框架负责参数的序列化、反序列化以及与大模型的自然语言理解进行桥接。
• 统一的上下文（Context）管理：提供了AgentContext等对象，用于在Agent执行的不同阶段（规划、执行、观察）之间传递数据，管理对话历史和工具调用结果。
• 内置的Agent执行器（Executor）：封装了ReAct等经典Agent执行循环，你只需要关注定义Skill和提供Prompt，框架负责驱动“思考->行动->观察”的迭代过程。
• 与Spring生态无缝集成：它本身就是一个Spring Boot Starter。这意味着你可以天然地使用Spring的依赖注入、AOP、事务管理、配置外部化等所有特性来构建你的Agent。你的Agent可以方便地注入Repository来访问数据库，注入RestTemplate来调用外部API。

简单说，Spring AI 让你能方便地“问”模型，而 Alibaba Agent Framework 让你能方便地“使唤”模型去干活。

1.3 技术选型对比：为什么是Java？

你可能会问，现在Agent开发不是Python的天下吗？LangChain, LlamaIndex 如火如荼。没错，Python在原型验证、学术研究上速度更快。但当我们谈论企业级、生产环境的AI应用时，Java的优势就凸显出来：

• 工程化与稳定性：Java强大的类型系统、成熟的工程实践（设计模式、单元测试）、以及JVM的健壮性，对于构建需要7x24小时运行、逻辑复杂的商业系统至关重要。
• 现有资产整合：大量企业的核心业务系统（ERP, CRM, 金融交易系统）都是用Java写的。用Java开发Agent，可以最低成本地复用这些系统的业务逻辑和数据访问层，直接将其“工具化”。
• 团队与运维：很多企业拥有庞大的Java开发团队和成熟的Spring Cloud微服务运维体系。引入一个Java技术栈的AI框架，学习成本和运维风险远低于引入一套全新的Python技术栈。
• 性能与并发：对于高并发场景下的Agent服务（如客服机器人），Java成熟的线程池、NIO等机制能提供更可靠的服务能力。

因此，如果你的团队背景是Java，你的系统主体是Java，那么选择Spring AI Alibaba Agent Framework是一个顺理成章、降低总拥有成本（TCO）的决策。它让你在享受AI能力的同时，不必离开你熟悉的、可靠的主场。

2. 实战：构建一个多模态RAG智能体

概念讲得再多，不如一行代码。我们一起来构建一个具体的智能体：“多模态技术文档分析助手”。

场景：公司内部有一个知识库，里面不仅有Markdown/PDF格式的技术文档，还有大量的架构图、流程图截图（PNG/JPG）。新员工或开发者遇到问题时，可以向这个助手提问，例如：“我们系统的支付模块在异常情况下是如何降级的？把相关的流程图也找出来给我看。”

这个助手需要完成：

1. 理解问题（文本）。
2. 检索相关文档和图片（多模态检索）。
3. 综合文本和图片信息，生成答案（多模态生成）。
4. 在答案中，可能需要描述或引用图片内容。

我们将这个任务拆解给Agent执行，它会自主决定何时调用“检索工具”，何时调用“图片理解工具”。

2.1 环境搭建与基础配置

首先，创建一个标准的Spring Boot 3.x项目。

1. 添加依赖 (pom.xml):核心是spring-ai-alibaba-spring-boot-starter。为了演示多模态，我们还需要通义千问的VL（视觉语言）模型依赖，以及向量数据库（这里用内存型的SimpleVectorStore做演示）。

<dependency> <groupId>com.alibaba.cloud.ai</groupId> <artifactId>spring-ai-alibaba-spring-boot-starter</artifactId> <version>最新版本</version> <!-- 请查看官方仓库获取最新版本 --> </dependency> <!-- 通义千问VL模型支持 --> <dependency> <groupId>com.alibaba.cloud.ai</groupId> <artifactId>spring-ai-alibaba-tongyi-vl-spring-boot-starter</artifactId> <version>最新版本</version> </dependency> <!-- Spring AI 向量存储抽象（内存实现） --> <dependency> <groupId>org.springframework.ai</groupId> <artifactId>spring-ai-simple-vector-store</artifactId> </dependency> <!-- 文本嵌入模型（用于将文本转为向量） --> <dependency> <groupId>com.alibaba.cloud.ai</groupId> <artifactId>spring-ai-alibaba-tongyi-embedding-spring-boot-starter</artifactId> <version>最新版本</version> </dependency>

2. 配置文件 (application.yml):配置通义千问的API密钥和基础URL。切记，密钥不要提交到代码仓库！

spring: ai: alibaba: tongyi: chat: api-key: ${TONGYI_API_KEY:your-api-key-here} base-url: https://dashscope.aliyuncs.com/compatible-mode/v1 embedding: api-key: ${TONGYI_API_KEY} vl: # 多模态模型配置 api-key: ${TONGYI_API_KEY} # 可以配置Agent执行的一些默认参数，如最大迭代次数 alibaba: ai: agent: max-iterations: 10

3. 初始化向量数据库（一次性脚本）:我们需要一个地方存储文档和图片的“向量索引”。在实际生产中，你会用Milvus、Elasticsearch等，这里我们用内存存储演示原理。

@Component public class VectorStoreInitializer { @Autowired private VectorStore vectorStore; // 由Spring AI自动注入（SimpleVectorStore） @Autowired private EmbeddingClient embeddingClient; // 文本嵌入客户端 @PostConstruct public void init() { // 1. 准备文本文档（模拟从文件系统或数据库读取） List<Document> textDocs = List.of( new Document("支付模块降级方案：当第三方支付接口超时，系统自动切换至备用通道A，并记录日志。", Map.of("source", "payment_guide.md", "type", "text")), new Document("用户登录流程图描述了从前端发起请求到后端验证的完整过程。", Map.of("source", "login_flow.md", "type", "text")) ); // 2. 为文本生成向量并存储 vectorStore.add(textDocs); // 3. 准备图片文档（这里存储的是图片的路径或Base64描述，实际生产需用VL模型生成图片向量） // 注意：SimpleVectorStore 和标准EmbeddingClient通常只处理文本。 // 真正的多模态检索需要专门的“多模态嵌入模型”将图片和文本映射到同一向量空间。 // 此处为简化，我们用文本描述代替图片向量。 List<Document> imageDocs = List.of( new Document("这是一张支付系统降级流程的架构图，展示了主备切换的逻辑。", Map.of("source", "/images/payment_fallback.png", "type", "image")), new Document("这是一张用户登录的序列图，包含了前端、网关、认证服务的交互。", Map.of("source", "/images/login_sequence.png", "type", "image")) ); vectorStore.add(imageDocs); System.out.println("向量数据库初始化完成，共加载 " + (textDocs.size() + imageDocs.size()) + " 个文档。"); } }

关键点：真正的多模态RAG，需要像qwen-vl-plus这样的模型，既能理解图片内容生成文本描述（用于检索），也能根据图片回答问题。上述代码的图片处理是简化版。生产环境中，你需要用VL模型的嵌入接口来处理图片。

2.2 定义Agent的“技能”（Skill）

Skill是Agent能力的基石。我们将定义两个核心技能：RetrievalSkill（检索技能）和ImageAnalysisSkill（图片分析技能）。

1. 检索技能 (RetrievalSkill.java):这个技能负责根据用户问题，从向量库中查找最相关的文本和图片（描述）。

@Component @AgentSkill // 关键注解：声明这是一个Agent可用的技能 public class RetrievalSkill { @Autowired private VectorStore vectorStore; /** * 根据查询语句检索相关文档。 * @Tool 注解将方法暴露为工具，name和description很重要，大模型靠它来决定是否以及如何调用。 */ @Tool(name = "retrieve_documents", description = "根据用户问题检索相关的技术文档和图片描述。输入是一个查询字符串。") public List<Document> retrieve(@ToolParam(description = "用于检索的查询语句") String query) { // 设置返回最相关的5条记录 int topK = 5; List<Document> results = vectorStore.similaritySearch(query, topK); // 格式化结果，方便Agent阅读 if (results.isEmpty()) { return List.of(new Document("未找到相关文档。")); } return results; } }

2. 图片分析技能 (ImageAnalysisSkill.java):这个技能在Agent决定需要深入理解某张图片时被调用。它调用通义千问VL模型。

@Component @AgentSkill public class ImageAnalysisSkill { @Autowired private TongYiVlChatClient vlChatClient; // 注入多模态聊天客户端 @Tool(name = "analyze_image", description = "深入分析一张图片的内容。输入是图片的URL或本地路径，以及一个具体的问题。") public String analyzeImage( @ToolParam(description = "图片的路径或URL") String imageUrl, @ToolParam(description = "关于这张图片的具体问题") String question) { // 构建多模态消息 UserMessage userMessage = new UserMessage(question, List.of(new ImageUrl(imageUrl))); ChatResponse response = vlChatClient.call(new Prompt(List.of(userMessage))); if (response != null && response.getResults() != null && !response.getResults().isEmpty()) { return response.getResult().getOutput().getContent(); } return "无法分析该图片。"; } }

Skill设计的核心思想：

• 单一职责：每个Skill只做一件事，并且做好。retrieve只负责检索，analyzeImage只负责读图。
• 描述清晰：@Tool的description和@ToolParam的description是给大模型看的“说明书”，必须准确、清晰，这直接决定了Agent能否正确调用它。
• 强类型接口：用Java方法定义，参数和返回值类型明确，框架会处理与LLM之间的类型转换。

2.3 组装并运行你的第一个Agent

有了Skill，我们需要一个“大脑”来协调它们。我们将创建一个PlanAndExecuteAgent，这是一种经典模式：先规划步骤，再执行。

@Service public class MultimodalRagAgentService { @Autowired private AgentExecutor agentExecutor; // Alibaba Agent 的核心执行器 @Autowired private RetrievalSkill retrievalSkill; @Autowired private ImageAnalysisSkill imageAnalysisSkill; // 这里不直接注入Skill，而是通过Executor自动发现。注入是为了演示。 public String chat(String userMessage) { // 1. 构建系统提示词，定义Agent的角色和能力 String systemPrompt = """ 你是一个专业的技术文档分析助手。你的目标是准确、全面地回答用户关于技术系统的问题。 你可以使用以下工具： 1. retrieve_documents: 当你需要从知识库中查找相关的技术文档和图片信息时使用。 2. analyze_image: 当用户问题涉及图片内容，或者检索结果中提到图片，你需要深入理解图片时使用。 请遵循以下步骤思考： - 首先，理解用户的问题。 - 其次，使用retrieve_documents工具查找相关知识。 - 查阅检索结果，如果结果中包含图片（type为'image'）且对回答问题关键，使用analyze_image工具分析它。 - 最后，综合所有文本和图片信息，组织成一个清晰、完整的答案回复给用户。 如果检索结果为空或与问题无关，请如实告知用户。 """; // 2. 构建消息链 List<Message> messages = new ArrayList<>(); messages.add(new SystemMessage(systemPrompt)); messages.add(new UserMessage(userMessage)); // 3. 创建Prompt并执行Agent Prompt prompt = new Prompt(messages); // AgentExecutor会自动发现所有@AgentSkill注解的Bean，并根据Prompt驱动模型进行思考-行动循环 ChatResponse response = agentExecutor.execute(prompt); // 4. 返回最终结果 return response.getResult().getOutput().getContent(); } }

最后，创建一个简单的REST端点来暴露服务：

@RestController @RequestMapping("/api/agent") public class AgentController { @Autowired private MultimodalRagAgentService agentService; @PostMapping("/chat") public String chat(@RequestBody ChatRequest request) { return agentService.chat(request.getMessage()); } public record ChatRequest(String message) {} }

现在，启动你的Spring Boot应用。向POST /api/agent/chat发送一个请求：

{"message": "支付模块异常降级的流程是怎样的？相关的架构图能说明什么？"}

你的Agent将会开始工作：

1. 模型（如Qwen）看到提示词和问题，决定调用retrieve_documents。
2. RetrievalSkill.retrieve("支付模块异常降级的流程是怎样的？相关的架构图能说明什么？")被调用，返回包含文本和图片描述的文档列表。
3. 模型收到检索结果，发现其中有图片（type: image），决定调用analyze_image，传入图片路径和具体问题。
4. ImageAnalysisSkill.analyzeImage被调用，VL模型分析图片并返回描述。
5. 模型综合文本检索结果和图片分析结果，生成最终答案返回给用户。

整个过程，你只需要在Skill中写好业务逻辑，在Prompt中定义好规则，框架会自动完成复杂的工具调用编排和上下文管理。

3. 超越Demo：生产环境的关键考量

让一个Agent在本地跑起来，只完成了10%的工作。剩下的90%是让它稳定、可靠、高效地运行在真实环境中。以下是几个必须面对的关键问题。

3.1 性能、成本与稳定性

• Token消耗与成本控制：Agent的ReAct模式会产生大量的中间思考过程，这些都会消耗Token。你需要：

  • 设置最大迭代次数：在配置中alibaba.ai.agent.max-iterations，防止Agent陷入死循环。
  • 优化Prompt：清晰的指令可以减少模型的“迷惑”和无效思考。让系统提示词尽可能简洁、精准。
  • 上下文管理：Alibaba Agent的AgentContext可以帮助你管理历史。对于长对话，需要设计摘要策略，只将最相关的历史信息放入上下文，而不是无脑拼接全部历史。
  • 选择合适模型：对于工具调用、规划等任务，不一定需要最强大、最贵的模型。可以尝试较小、较快的模型，将文本生成等任务交给大模型。

• 超时与重试：网络调用、模型服务都可能不稳定。

  • 为工具调用设置超时：在调用外部API（如数据库、第三方服务）的Skill中，务必使用@Timeout注解或配置RestTemplate的超时参数。
  • 实现重试机制：对于可重试的失败（如网络抖动），可以在Skill方法上使用Spring Retry等机制。注意：对于非幂等操作（如创建订单），慎用重试。
  • Agent执行超时：整个Agent的执行也需要设置全局超时，避免一个用户请求长时间占用资源。

• 流式输出与用户体验：最终答案可能很长，让用户等待十几秒体验很差。考虑使用Spring AI支持的流式响应（Streaming），将模型生成的内容逐步推送到前端。

3.2 可观测性与调试

Agent系统的“黑盒”特性比普通服务更强，可观测性至关重要。

• 结构化日志：在Skill方法、Agent执行器的关键节点打入详细的日志。记录：请求ID、用户输入、模型思考过程、工具调用详情（输入/输出）、最终响应。使用MDC（Mapped Diagnostic Context）来串联一个请求的所有日志。
• 监控与告警：监控关键指标：
  • Token消耗速率与费用。
  • Agent请求量、平均响应时间、错误率。
  • 各Skill调用次数、成功/失败率、平均耗时。
  • 模型API的延迟和错误率。
• “思考过程”持久化：将Agent执行过程中的完整链条（包括模型的中间推理、工具调用记录）存储到数据库。这在排查错误、优化Prompt、分析用户意图时是无价之宝。Alibaba Agent框架的事件机制可能为此提供钩子。

3.3 安全与权限

将企业内部能力暴露给AI调用，安全是底线。

• Skill的权限控制：不是所有登录用户都能调用所有Skill。例如，“执行数据库删除”的Skill只能给管理员使用。可以在Skill方法上结合Spring Security的@PreAuthorize注解进行方法级权限校验。
• 输入验证与净化：对所有从用户输入传递到Skill参数的数据进行严格的验证和净化，防止注入攻击。
• 输出审查与过滤：对模型生成的最终答案，可以考虑增加一层安全审查（例如调用内容安全API），防止生成不当内容。
• 访问限流：对Agent端点进行限流，防止恶意刷接口消耗Token和计算资源。

3.4 架构演进：从单体到智能体服务网格

当你的智能体越来越多，能力越来越复杂，一个单体应用会变得难以维护。可以考虑的演进方向：

• Skill即服务：将复杂的、独立的Skill拆分成独立的微服务（例如，“数据查询Skill”背后是一个专门的数据服务）。Agent通过RPC或HTTP调用这些服务。这提高了Skill的复用性和可维护性。
• 专用Agent：不要试图打造一个“全能Agent”。根据业务域拆分：客服答疑Agent、代码生成Agent、报表分析Agent。每个Agent有自己专用的Skill和优化过的Prompt。
• 编排层：在最上层，可以有一个“路由Agent”或基于规则的网关，根据用户意图将请求分发给最合适的专用Agent处理。

4. 思维框架：如何设计一个好的Java AI Agent？

通过上面的实践，我们可以沉淀出一个设计Java AI Agent的通用思维框架。它不止适用于Alibaba Agent Framework，也适用于任何类似的Agent构建场景。

4.1 设计四层模型

我将一个生产级Agent系统的构建分为四个层次：

| 表现层 (Presentation) | -> REST API, WebSocket, 消息队列接入点 | 智能层 (Intelligence) | -> Agent Executor, Prompt工程， 流程编排 | 能力层 (Capability) | -> @AgentSkill, 工具方法， 业务逻辑封装 | 资源层 (Resource) | -> 数据库， 外部API， 文件系统， 向量库， 模型服务

1. 资源层：这是你的数据和服务基础。包括数据库连接、外部系统API、文件存储、向量数据库以及大模型服务本身。这一层要保证稳定、高效。
2. 能力层：这是最核心的编码层。你的主要工作就是设计Skill。每个Skill应该：
   • 对应一个原子能力：如“查询用户订单”、“发送邮件”、“生成图表”。
   • 有清晰的输入输出契约：用Java方法签名和@ToolParam描述来定义。
   • 包含完整的错误处理：资源层可能出错，Skill要能捕获异常，并返回结构化的错误信息供Agent理解。
   • 可独立测试：无需启动整个Agent，就能对Skill进行单元测试。
3. 智能层：这是“大脑”所在。你通过编写系统提示词来定义Agent的角色、目标、行为规范和可用工具列表。你还可以选择不同的Agent Executor（如ReAct, Plan-and-Execute）来调整推理模式。这一层的核心是Prompt工程和流程设计。
4. 表现层：如何暴露你的Agent。可以是同步的HTTP API，也可以是异步的消息队列消费者，或者集成到聊天界面中。这一层要处理协议转换、认证鉴权、限流熔断。

开发时，应该自底向上：先确保资源层和能力层的Skill稳定可靠，再设计智能层的Prompt，最后暴露表现层接口。

4.2 Skill设计的“三要三不要”

• 要“单一职责”：一个Skill只做一件事。getUserProfile和updateUserProfile应该分成两个Skill。这能让模型更准确地理解何时调用它。
• 要“描述精准”：@Tool的description是给模型看的API文档。避免模糊词汇。对比：
  • 差：“处理用户数据”。
  • 好：“根据用户ID，从‘users’表中查询并返回用户的姓名、邮箱和注册日期。”
• 要“防御性编程”：假设模型的输入可能是奇怪的、不完整的。在Skill方法内部做好参数校验、空值处理、异常捕获，并返回对模型友好的错误信息（例如，“错误：未找到用户ID为‘abc’的记录”）。
• 不要“过于复杂”：避免在一个Skill里实现冗长的业务流程。如果流程复杂，应该拆分成多个Skill，让Agent来协调调用。
• 不要“依赖隐式上下文”：Skill方法参数应尽可能明确。如果需要会话状态，应通过@ToolParam显式传递，或从AgentContext中获取。
• 不要“忽略成本”：如果Skill内部需要调用昂贵的操作（如全表扫描、调用高额API），要在设计时考虑缓存、限流或异步化。

4.3 Prompt工程的核心：为确定性而设计

在Agent开发中，Prompt的目标是降低模型行为的不确定性，引导它按照你设定的可靠路径执行。

• 明确指令：清晰告诉Agent“你是谁”、“你的目标是什么”、“你可以用什么工具”、“步骤是什么”。使用编号列表、示例（Few-shot）来强化理解。
• 输出格式约束：要求模型以特定格式（如JSON）返回工具调用的思考过程，这能极大简化框架的解析逻辑。Alibaba Agent框架通常已经处理了这部分。
• 设定边界：明确告诉Agent“什么不能做”。例如，“你只能使用我提供的工具，不能编造工具。”“你不能执行任何删除数据的操作，除非用户明确确认。”
• 迭代优化：将Agent在实际对话中犯的错（如错误调用工具、忽略关键信息）作为负面样本，补充到系统提示词中，进行修正。这是一个持续的过程。

4.4 测试策略：从单元到集成

• Skill单元测试：像测试普通Service一样测试每个Skill，Mock掉外部依赖（数据库、API）。确保在各种正常和异常输入下，Skill都能返回预期结果。
• Agent集成测试：模拟完整的用户输入，启动一个轻量级的测试上下文（使用内存向量库、Mock模型客户端），验证Agent能否正确调用Skill并生成合理输出。重点测试流程是否通畅。
• 端到端测试：在接近生产的环境中进行测试，使用真实的模型（但可能是较低成本的模型），验证整个链路的性能和效果。这类测试成本高，主要用于关键场景。
• “对抗性”测试：故意输入模糊、矛盾、有歧义的问题，观察Agent的行为，用于发现Prompt和Skill设计的盲区。

回到我们最初的问题。Spring AI Alibaba Agent Framework 的价值，在于它提供了一条用Java工程化思维构建AI Agent的清晰路径。它没有消除AI应用固有的不确定性，而是通过框架的约束和引导，将这种不确定性控制在一个可管理、可调试、可迭代的范围内。

它可能不是最快上手的框架，但很可能是最适合在既有Java体系中构建严肃AI应用的那个选择。你的重点，不应该再是纠结于如何解析模型的JSON响应，而是如何设计好一个个职责清晰的Skill，如何编写能稳定引导模型的Prompt，以及如何让这个智能体系统融入你现有的运维、监控和安全体系。

开始行动的最佳方式，就是从定义一个最小的、有价值的Skill开始。比如，先让你的Agent学会查询公司内部的知识库。当它跑通的那一刻，你会对“智能体”有完全不同的、更实在的理解。