| 本站(springdoc.cn)中的内容来源于 spring.io ，原始版权归属于 spring.io。由 springdoc.cn 进行翻译，整理。可供个人学习、研究，未经许可，不得进行任何转载、商用或与之相关的行为。 商标声明：Spring 是 Pivotal Software, Inc. 在美国以及其他国家的商标。 |
在 Anthropic 最新研究论文 构建有效的智能体 中，团队分享了关于大型语言模型（LLM）智能体开发的重要洞见。这项研究的独特价值在于其推崇简约性与可组合性，而非复杂框架。以下探讨如何通过 Spring AI 实现这些原则：
虽然模式描述和图表源自 Anthropic 的原版论文，但我们将重点介绍如何利用 Spring AI 的模型可移植性和结构化输出特性来实现这些模式。建议先阅读原始论文。
spring-ai-examples 代码库中的 agentic-patterns 目录包含后续示例的所有实现代码。
智能体系统
该研究论文对两类智能体系统作出重要架构区分：
-
工作流系统（Workflows）：通过预定义代码路径编排 LLM 和工具（例如规范性系统）
-
智能体系统（Agents）：LLM 动态自主控制流程及工具使用
核心观点在于：尽管全自主智能体看似吸引人，但工作流系统能为明确任务提供更优的可预测性和一致性。这完全契合企业对可靠性和可维护性的关键需求。
以下展示 Spring AI 通过五大基础模式实现这些概念，每个模式对应特定场景：
1. 链式工作流
链式工作流模式践行了 “化繁为简” 的原则，将复杂任务拆解为更易管理的步骤。
适用场景：
-
具有明确顺序步骤的任务
-
愿以延迟换取更高准确率
-
每个步骤依赖前序步骤输出
以下是 Spring AI 实现中的实际示例：
public class ChainWorkflow {
private final ChatClient chatClient;
private final String[] systemPrompts;
public String chain(String userInput) {
String response = userInput;
for (String prompt : systemPrompts) {
String input = String.format("{%s}\n {%s}", prompt, response);
response = chatClient.prompt(input).call().content();
}
return response;
}
}该实现体现以下关键原则：
-
每个步骤职责单一明确
-
前序步骤输出作为后续步骤输入
-
链式结构易于扩展和维护
2. 并行工作流模式
LLM 可并行处理多个任务，并通过编程方式聚合输出结果。
适用场景：
-
处理大批量相似但独立的条目
-
需要获取多视角独立分析的任务
-
处理时效要求高且可并行化的任务
List<String> parallelResponse = new ParallelizationWorkflow(chatClient)
.parallel(
"Analyze how market changes will impact this stakeholder group.",
List.of(
"Customers: ...",
"Employees: ...",
"Investors: ...",
"Suppliers: ..."
),
4
);3. 路由工作流
路由模式实现智能任务分发，支持针对不同输入类型的专业化处理。
适用场景：
-
含明确输入分类的复杂任务
-
需差异化处理的多样化输入
-
可确保分类准确性的情况
@Autowired
private ChatClient chatClient;
RoutingWorkflow workflow = new RoutingWorkflow(chatClient);
Map<String, String> routes = Map.of(
"billing", "You are a billing specialist. Help resolve billing issues...",
"technical", "You are a technical support engineer. Help solve technical problems...",
"general", "You are a customer service representative. Help with general inquiries..."
);
String input = "My account was charged twice last week";
String response = workflow.route(input, routes);4. 协调工作流
适用场景：
-
子任务无法预先确定的复杂任务
-
需多方法或多视角处理的任务
-
需要适应性解决问题的场景
public class OrchestratorWorkersWorkflow {
public WorkerResponse process(String taskDescription) {
// 1. Orchestrator analyzes task and determines subtasks
OrchestratorResponse orchestratorResponse = // ...
// 2. Workers process subtasks in parallel
List<String> workerResponses = // ...
// 3. Results are combined into final response
return new WorkerResponse(/*...*/);
}
}用例：
ChatClient chatClient = // ... initialize chat client
OrchestratorWorkersWorkflow workflow = new OrchestratorWorkersWorkflow(chatClient);
WorkerResponse response = workflow.process(
"Generate both technical and user-friendly documentation for a REST API endpoint"
);
System.out.println("Analysis: " + response.analysis());
System.out.println("Worker Outputs: " + response.workerResponses());5. 评估优化模式
适用场景：
-
存在明确评估标准
-
迭代优化能带来可衡量的提升
-
需多轮评审改进的任务
public class EvaluatorOptimizerWorkflow {
public RefinedResponse loop(String task) {
Generation generation = generate(task, context);
EvaluationResponse evaluation = evaluate(generation.response(), task);
return new RefinedResponse(finalSolution, chainOfThought);
}
}用例：
ChatClient chatClient = // ... initialize chat client
EvaluatorOptimizerWorkflow workflow = new EvaluatorOptimizerWorkflow(chatClient);
RefinedResponse response = workflow.loop(
"Create a Java class implementing a thread-safe counter"
);
System.out.println("Final Solution: " + response.solution());
System.out.println("Evolution: " + response.chainOfThought());Spring AI 的实现优势
Spring AI 的这些模式实现具有多项优势，完全符合 Anthropic 的建议：
模型可移植性
<dependency>
<groupId>org.springframework.ai</groupId>
<artifactId>spring-ai-openai-spring-boot-starter</artifactId>
</dependency>结构化输出
EvaluationResponse response = chatClient.prompt(prompt)
.call()
.entity(EvaluationResponse.class);一致性 API
-
统一接口支持多种大语言模型提供商
-
内置错误处理与自动重试机制
-
灵活的提示词管理功能
最佳实践与建议
从简单入手：
-
先构建基础工作流，再逐步增加复杂度
-
采用满足需求的最简模式
-
仅在必要时添加复杂功能
为可靠性而设计：
-
实现清晰的错误处理机制
-
尽可能采用类型安全的响应格式
-
在每个环节内置验证流程
权衡考量：
-
平衡延迟与准确性
-
评估并行处理的适用场景
-
在固定工作流与动态智能体间择优选择
