Lzh on GitHub

构建高效智能体

在最近的一篇研究出版物《构建高效智能体》中，Anthropic 分享了关于构建高效大型语言模型（LLM）智能体的宝贵见解。这项研究特别有趣的地方在于，它强调简单性和可组合性，而不是复杂的框架。下面让我们探讨这些原则如何通过 Spring AI 转化为实际的实现。

在最近的一篇研究出版物《构建高效智能体》中，Anthropic 分享了关于构建高效大型语言模型（LLM）智能体的宝贵见解。这项研究特别有趣的地方在于，它强调简单性和可组合性，而不是复杂的框架。下面让我们探讨这些原则如何通过 Spring AI 转化为实际的实现。

虽然模式描述和图表来源于 Anthropic 的原始出版物，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功能来实现这些模式。建议先阅读原始论文。

spring-ai-examples 仓库中的 agentic-patterns 目录包含以下示例所需的所有代码。

智能体系统

该研究出版物在架构上对两类智能体系统做了重要区分：

  1. 工作流（Workflows）：通过预定义代码路径（例如规范化系统）对 LLM 和工具进行编排的系统
  2. 智能体（Agents）：LLM 动态管理自身流程和工具使用的系统

关键见解是，虽然完全自主的智能体看起来很有吸引力，但对于定义明确的任务，工作流通常能提供更好的可预测性和一致性。这与企业对可靠性和可维护性的需求完全契合。

下面让我们看看 Spring AI 如何通过五种基本模式实现这些概念，每种模式服务于特定的用例：

链式工作流

链式工作流模式（Chain Workflow）体现了将复杂任务拆解为更简单、可管理步骤的原则。

提示链工作流（Prompt Chaining Workflow） 适用场景：

  • 具有清晰顺序步骤的任务
  • 希望以延迟换取更高准确性的场景
  • 每一步依赖于前一步的输出

以下是 Spring AI 实现的一个实际示例：

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;
    }
}

该实现展示了几个关键原则：

  • 每一步都有明确的职责
  • 一步的输出成为下一步的输入
  • 链条易于扩展和维护

并行工作流

LLM 可以同时处理多个任务，并将它们的输出通过程序进行汇总。

并行工作流（Parallelization Workflow） 适用场景：

  • 处理大量相似但相互独立的项目
  • 需要多个独立视角的任务
  • 当处理时间关键且任务可并行化时
List<String> parallelResponse = new ParallelizationWorkflow(chatClient)
    .parallel(
        "分析市场变化将如何影响该利益相关者群体。",
        List.of(
            "客户: ...",
            "员工: ...",
            "投资者: ...",
            "供应商: ..."
        ),
        4
    );

路由工作流

路由模式（Routing Pattern）实现了智能任务分配，使不同类型的输入能够得到专业化处理。

路由工作流（Routing Workflow） 适用场景：

  • 具有不同类别输入的复杂任务
  • 不同输入需要专门处理
  • 当分类可以被准确处理时
@Autowired
private ChatClient chatClient;

RoutingWorkflow workflow = new RoutingWorkflow(chatClient);

Map<String, String> routes = Map.of(
    "billing", "你是账单专员，帮助解决账单问题…",
    "technical", "你是技术支持工程师，帮助解决技术问题…",
    "general", "你是客户服务代表，帮助处理一般咨询…"
);

String input = "我的账户上周被重复扣费了";
String response = workflow.route(input, routes);

协调器-工作者模式

适用场景：

  • 复杂任务，其子任务无法提前预测
  • 需要不同方法或视角的任务
  • 需要自适应问题解决的情况
public class OrchestratorWorkersWorkflow {
    public WorkerResponse process(String taskDescription) {
        // 1. 协调器分析任务并确定子任务
        OrchestratorResponse orchestratorResponse = // ...

        // 2. 工作者并行处理子任务
        List<String> workerResponses = // ...

        // 3. 将结果汇总为最终响应
        return new WorkerResponse(/*...*/);
    }
}

使用示例：

ChatClient chatClient = // ... 初始化 chat client
OrchestratorWorkersWorkflow workflow = new OrchestratorWorkersWorkflow(chatClient);

WorkerResponse response = workflow.process(
    "为一个 REST API 端点生成技术文档和面向用户的友好文档"
);

System.out.println("分析结果: " + response.analysis());
System.out.println("工作者输出: " + response.workerResponses());

评估器-优化器模式

适用场景：

  • 存在明确的评估标准
  • 迭代优化能够提供可衡量的价值
  • 任务通过多轮批评和改进能够受益
public class EvaluatorOptimizerWorkflow {
    public RefinedResponse loop(String task) {
        Generation generation = generate(task, context);
        EvaluationResponse evaluation = evaluate(generation.response(), task);
        return new RefinedResponse(finalSolution, chainOfThought);
    }
}

使用示例：

ChatClient chatClient = // ... 初始化 chat client
EvaluatorOptimizerWorkflow workflow = new EvaluatorOptimizerWorkflow(chatClient);

RefinedResponse response = workflow.loop(
    "创建一个实现线程安全计数器的 Java 类"
);

System.out.println("最终方案: " + response.solution());
System.out.println("演进过程: " + response.chainOfThought());

Spring AI 的实现优势

Spring AI 对这些模式的实现提供了多个优势，与 Anthropic 的建议高度契合：

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);

一致的 API

  • 不同 LLM 提供商之间的统一接口
  • 内置错误处理和重试机制
  • 灵活的提示管理

最佳实践与建议

  • 从简单开始
    • 从基础工作流入手，再逐步增加复杂性
    • 使用最简单的模式以满足需求
    • 仅在必要时增加复杂性
  • 以可靠性为设计目标
    • 实现明确的错误处理
    • 尽可能使用类型安全的响应
    • 在每个步骤中加入验证
  • 考虑权衡
    • 平衡延迟与准确性
    • 评估何时使用并行处理
    • 在固定工作流与动态智能体之间进行选择

未来工作

这些指南将会更新，以探讨如何构建更高级的智能体，将这些基础模式与复杂功能结合起来：

模式组合

  • 组合多种模式以创建更强大的工作流
  • 构建利用各模式优势的混合系统
  • 创建能够适应不断变化需求的灵活架构

高级智能体记忆管理

  • 在对话中实现持久记忆
  • 高效管理上下文窗口
  • 制定长期知识保留策略

工具与模型-上下文协议（MCP）集成

  • 通过标准化接口利用外部工具
  • 实现 MCP 以增强模型交互
  • 构建可扩展的智能体架构

结论

将 Anthropic 的研究见解与 Spring AI 的实际实现相结合，为构建高效的基于 LLM 的系统提供了一个强大的框架。

通过遵循这些模式和原则，开发者可以创建稳健、可维护且高效的 AI 应用，能够提供实际价值，同时避免不必要的复杂性。

关键在于记住，有时最简单的解决方案才是最有效的。从基础模式入手，充分理解你的使用场景，只有在明确能提升系统性能或能力时才增加复杂性。