当前位置： 首页 > news >正文

spring ai如何实现Agent工作流编排，支持多轮对话，上下文记忆，工具自动调用？

news 2026/4/15 1:55:34

Spring AI（核心基于Spring AI Alibaba Agent Framework）通过ReAct范式+工作流编排+对话记忆+Function Calling四大核心能力，完整实现Agent的多轮对话、上下文记忆、工具自动调用与工作流编排。下面从工作流编排、多轮对话、上下文记忆、工具自动调用四个维度，分别讲清原理、核心组件、实现方式与代码示例。

一、Agent工作流编排：如何组织多Agent/多步骤执行

核心原理

基于ReAct（Reasoning+Acting）推理-行动循环+ 内置编排模式（顺序/并行/路由/循环）+ 基于图的工作流，实现复杂任务的分步拆解、动态路由、迭代执行。

核心组件

  1. ReactAgent：基础Agent单元，负责单轮思考-行动-观察循环，是编排的最小执行单元
  2. 编排Agent（工作流容器）：
    • SequentialAgent：顺序执行多个子Agent，适合流水线任务（如：查天气→查景点→生成计划）
    • ParallelAgent：并行执行多个子Agent，适合独立任务并发（如：同时查机票+酒店）
    • LlmRoutingAgent：LLM动态决策路由，根据用户问题选择对应Agent（如：用户问天气→路由到天气Agent，问旅游→路由到攻略Agent）
    • LoopAgent：循环执行Agent，直到满足终止条件（如：工具调用失败重试、多轮推理直到答案完整）
    • GraphWorkflow：基于有向无环图（DAG）的复杂编排，支持条件分支、嵌套、状态管理，适合企业级复杂流程
  3. State/OverAllState：全局状态对象，在工作流各步骤间传递上下文、工具结果、对话历史，实现数据共享

实现示例（顺序工作流）

// 1. 定义多个原子AgentReactAgentweatherAgent=ReactAgent.builder().name("weather").model(chatModel).tools(List.of(weatherTool))// 天气查询工具.instruction("查询指定城市天气").build();ReactAgentplanAgent=ReactAgent.builder().name("travel_plan").model(chatModel).instruction("基于天气生成旅游计划").build();// 2. 构建顺序工作流：先查天气→再生成计划SequentialAgenttravelWorkflow=SequentialAgent.builder().name("travel_workflow").subAgents(List.of(weatherAgent,planAgent))// 顺序执行.build();// 3. 执行工作流，传入用户问题+会话ID（关联上下文）OverAllStateresult=travelWorkflow.invoke(UserMessage.builder("6月去青海旅游，帮我做计划").build(),RunnableConfig.builder().threadId("user_1001").build());

二、多轮对话：如何实现连续交互、上下文连贯

核心原理

LLM本身无状态，多轮对话的本质是：每次请求都把历史对话（用户问题+AI回复）作为上下文，一起发给LLM，让模型感知对话历史，实现连贯交互。

核心组件

  1. ChatMemory（对话记忆管理器）：负责存储、追加、截断、格式化对话历史，Spring AI提供多种实现：
    • InMemoryChatMemory：内存存储，适合开发/单实例
    • RedisChatMemory：Redis持久化，适合分布式、跨实例
    • MongoChatMemory：MongoDB存储，适合长期记忆
  2. Message/Conversation：统一消息模型，区分UserMessage、AssistantMessage、ToolResponseMessage，按轮次有序存储
  3. ChatClient/Agent：自动将Memory中的历史消息，注入到每次LLM请求的Prompt中

实现流程

  1. 用户发起第1轮提问 → 保存UserMessage到Memory
  2. Agent调用LLM，传入当前问题+空历史→ 返回AssistantMessage → 保存到Memory
  3. 用户发起第2轮提问 → 保存新UserMessage → Agent自动读取Memory中前2轮历史+当前问题→ 发给LLM → 生成连贯回复
  4. 循环往复，实现多轮对话

关键配置（自动历史注入）

// 初始化带记忆的ChatClientChatClientchatClient=ChatClient.builder(chatModel).defaultSystem("你是旅游助手，记住对话历史").chatMemory(redisChatMemory)// 绑定Redis记忆.build();// 多轮对话调用（自动携带历史）ChatResponseresponse1=chatClient.prompt().user("青海6月天气").call();ChatResponseresponse2=chatClient.prompt().user("那适合穿什么衣服").call();// 自动带上上一轮历史

三、上下文记忆：如何持久化、管理短期/长期记忆

核心原理

记忆分为短期会话记忆（多轮对话历史）和长期记忆（跨会话知识/用户偏好），通过Memory+State+Checkpoint+Store四层管理，实现上下文的自动传递、持久化、检索与截断（防止Token溢出）。

核心能力与实现

1. 短期会话记忆（多轮对话上下文）
  • 作用：单会话内，保存用户与AI的每一轮交互，保证对话连贯
  • 实现：ChatMemory + ThreadId（会话唯一标识）
    • 每个会话分配唯一threadId，Memory按threadId隔离存储历史
    • 自动截断：超过Token上限时，自动保留最近N轮历史，丢弃最早历史（避免LLM上下文溢出）
    • 持久化：Redis/Mongo实现，重启/扩容不丢失会话
2. 长期记忆（跨会话/全局知识）
  • 作用：保存用户偏好、历史任务结果、知识库，跨会话可用
  • 实现：VectorStore（向量存储）+ RAG检索
    • 将长期知识（如用户常去城市、历史计划）向量化存入向量库
    • Agent每次执行时，自动检索相关长期记忆，注入上下文
3. 工作流状态记忆（跨步骤数据）
  • 作用：在工作流的多个Agent/步骤间，共享工具结果、中间变量、全局状态
  • 实现：OverAllState + CheckpointSaver
    • State存储所有中间数据（如天气结果、景点列表）
    • CheckpointSaver（RedisSaver/MongoSaver）持久化State，支持断点续跑、故障恢复

代码示例（Redis会话记忆+状态持久化）

// 1. 配置Redis会话记忆（短期）@BeanpublicChatMemoryredisChatMemory(RedisConnectionFactoryfactory){returnRedisChatMemory.builder().redisTemplate(redisTemplate).maxHistorySize(10)// 保留最近10轮对话.build();}// 2. 配置状态持久化（工作流记忆）CheckpointSaversaver=newRedisSaver(redisTemplate);ReactAgentagent=ReactAgent.builder().model(chatModel).chatMemory(redisChatMemory).saver(saver)// 持久化工作流状态.build();// 3. 按threadId关联记忆，实现跨请求上下文agent.invoke(userMsg,RunnableConfig.builder().threadId("user_1001").build());

四、工具自动调用：如何让Agent自主选择、执行外部工具

核心原理

基于LLM Function Calling（函数调用）能力：

  1. 向LLM注册可用工具（函数名、参数、描述）
  2. LLM推理判断：是否需要调用工具、调用哪个、传什么参数
  3. Spring AI自动解析LLM返回的工具调用指令 → 执行对应Java方法 → 获取结果
  4. 将工具结果作为新上下文，再次发给LLM → LLM整合结果，生成最终回答或继续调用工具（ReAct循环）

核心组件

  1. Tool/FunctionCallback：工具定义接口，将Java方法封装为LLM可调用的工具，包含：
    • 名称、描述（告诉LLM工具用途）
    • 输入参数（JSON Schema，LLM按格式传参）
    • 执行逻辑（Java业务代码，如查天气、查数据库、调API）
  2. ToolCallingAgent/ReactAgent：自动处理工具调用流程，无需手动解析
  3. ToolExecutor：工具执行器，负责参数解析、方法调用、异常捕获

实现步骤（自动调用天气工具）

1. 定义工具（Java方法→Tool）
// 定义天气查询工具，实现FunctionCallback@ComponentpublicclassWeatherToolimplementsFunctionCallback<WeatherRequest,WeatherResponse>{@OverridepublicStringgetName(){return"get_weather";// 工具名，LLM调用时使用}@OverridepublicStringgetDescription(){return"查询指定城市的实时天气，参数：city城市名";// 描述，LLM判断是否调用}@OverridepublicTypeReference<WeatherRequest>getInputTypeReference(){returnnewTypeReference<WeatherRequest>(){};}@OverridepublicWeatherResponseapply(WeatherRequestrequest){// 实际调用天气API/数据库returnweatherService.getWeather(request.getCity());}}// 工具入参DTOpublicrecordWeatherRequest(Stringcity){}
2. 注册工具到Agent，开启自动调用
// 构建支持自动工具调用的ReactAgentReactAgentagent=ReactAgent.builder().model(chatModel).tools(List.of(weatherTool))// 注册可用工具.instruction("你可以调用get_weather工具查询天气，必要时自主调用").chatMemory(redisChatMemory)// 绑定上下文记忆.build();
3. 自动调用流程（用户问天气）
  1. 用户：“青海西宁6月天气怎么样？”
  2. Agent将问题+工具列表发给LLM
  3. LLM推理：需要调用get_weather，参数{“city”:“西宁”}
  4. Spring AI自动执行WeatherTool → 返回天气结果
  5. Agent将天气结果+原问题，再次发给LLM
  6. LLM整合结果，生成自然语言回答：“西宁6月平均温度15-25℃，适合出行…”

五、四大能力整合：完整Agent工作流（一句话总结）

  1. 工作流编排：用Sequential/Parallel/Graph组织多个ReactAgent，按步骤/条件执行任务
  2. 多轮对话：通过ChatMemory保存历史，每次请求自动注入上下文，实现连贯交互
  3. 上下文记忆：ThreadId隔离会话、State共享步骤数据、VectorStore存储长期知识，持久化不丢失
  4. 工具自动调用：注册Tool→LLM决策调用→Spring AI执行→结果回传→LLM整合，完成ReAct循环
http://www.jsqmd.com/news/642353/

相关文章：

  • 保姆级教程：PVE/Proxmox VE拔掉独显后网络失联？一招搞定网卡名绑定（Debian系通用）
  • **发散创新：基于Python的文件API深度封装与实战应用**在现代软件开发中，**文
  • ubuntu的lazarus的Tline/TeaLine组件的构思
  • KEBA DI325数字输入模块卡
  • Kafka 的 ISR 是什么
  • 团队任务管理软件哪个好？trello、Worktile、Todoist等10大产品对比
  • 提高文本表达清晰度指令
  • 3步终极解锁：中兴光猫工厂模式与Telnet服务完全指南
  • ESP32驱动1.8寸TFT屏幕（ST7735）避坑指南：从User_Setup.h配置到显示时钟的完整流程
  • **发散创新：基于Go语言的协同计算框架设计与实践**在现代分布式系统中，**协同计算（Collaborative
  • 记忆的遗忘与压缩：Harness 的上下文维护
  • 如何5分钟快速上手抖音批量下载神器：douyin-downloader完整指南
  • 安庆口碑好的健身房有哪些
  • 身份证OCR识别系统完整搭建指南
  • 高速纸机脱水元件，为何氧化锆成首选
  • 3个理由告诉你为什么League Akari是英雄联盟玩家的必备智能助手
  • pytest自动化测试框架从0到1实战
  • 互联网大厂Java面试全场景技术栈解析与模拟问答
  • HarmonyOS StateStore 全局状态管理实战
  • 终极指南：如何免费解锁Cursor AI编辑器的完整Pro功能
  • Oracle监听程序配置全攻略：从ORA-12541错误到完美解决（附PLSQL连接技巧）
  • 双叶家具联系方式查询：在山西大同选购实木家具时如何通过官方渠道联系与实地探访 - 品牌推荐
  • **发散创新：基于 OpenTelemetry 的分布式链路追踪实战与性能
  • 网盘直链下载助手：八大网盘一键解析，告别限速烦恼的终极解决方案
  • 无线充电电动牙刷设计解析：瑞萨R7F0C807与PWM驱动技术
  • 性能测试项目中遇到的20个问题以及解决方法
  • KAWASAKI 50999-2145R10控制卡
  • Python学习日志（二）：基础语法
  • 教你怎样搭建自动化测试框架？
  • 精准力控安全夹持，力控夹爪厂家品控与售后体系全解析 - 品牌2026