用 Spring Boot、LangChain4j 和 Claude 搭智能虚拟助手：多代理协作篇 - 文章 - 开发者社区

引言

picture.image

随着生成式 AI 的快速发展，构建智能应用已不再仅仅是接入大型语言模型（LLM）那么简单。真正的机遇在于设计领域特定智能体—— 这些智能体能够自主推理、决策并执行操作。

picture.image

本文将介绍一种基于 Spring Boot 和 Spring AI 构建多智能体 AI 系统的模块化方法，借助该方法你可以实现以下目标：

构建面向特定任务（如旅行规划、购物推荐等）的自主智能体
集成 OpenAI、Azure OpenAI 或 AWS Bedrock 等主流 LLM 服务
在云原生系统中实现 AI 功能的规模化部署

无论你是开发工程师、架构师还是 CTO，本指南都将展示如何在企业级 Java 环境中合理应用生成式 AI（GenAI）技术，打造稳定可靠的 AI 应用。

架构概览

我们设计的多智能体架构支持即插即用型智能体，每个智能体对应一个业务领域。系统通过一个控制器（Controller）基于 HTTP 协议对所有智能体进行协调管理。

picture.image

每个智能体具备以下核心特性：

拥有专属的领域特定提示词（Domain-Specific Prompt）
支持借助外部工具进行推理计算
使用 Spring AI 的 ChatClient 组件与 LLM 模型交互

技术栈与伪代码

3.1 基础智能体接口（Base Agent Interface）

该接口为所有智能体定义了简单的约定：每个智能体必须实现 handle 方法，用于处理用户输入。

  
public interface IAgent {  
    String handle(String input);  
}

3.2 旅行智能体示例（Travel Agent Example）

TravelAgent类专门处理旅行规划相关的提示词，并可调用外部工具（如天气查询、酒店推荐工具）辅助决策。

  
@Component("travelAgent")  
public class TravelAgent implements IAgent {  
    @Autowired private WeatherTool weatherTool;  
    @Autowired private HotelTool hotelTool;  
    @Autowired private ChatClient chatClient;  
    public String handle(String input) {  
        String prompt = """  
        你是一名旅行规划师。  
        输入内容：%s  
        可使用工具：getWeather(城市)、recommendHotel(城市)  
        """.formatted(input);  
        return chatClient.call(new Prompt(prompt)).getResult().getOutput().getContent();  
    }  
}

3.3 工具示例（Tool Example）

此类模拟智能体可调用的外部工具，实际应用中可在此处接入真实 API（如第三方天气服务 API）。

  
@Component  
public class WeatherTool {  
    public String getWeather(String city) {  
        // 此处可替换为真实API调用逻辑，或返回模拟数据  
    }  
}

3.4 智能体注册器（Agent Registry）

该组件负责扫描系统中所有智能体实现类，并按名称进行注册管理。

  
@Component  
public class AgentRegistry {  
    private final Map<String, IAgent> agents;  
    public AgentRegistry(List<IAgent> agentBeans) {  
        this.agents = agentBeans.stream()  
            .collect(Collectors.toMap(  
                agent -> agent.getClass().getSimpleName().toLowerCase(),  
                Function.identity()  
            ));  
    }  
    // 根据名称获取智能体（返回Optional，避免空指针）  
    public Optional<IAgent> getAgent(String name) {  
        return Optional.ofNullable(agents.get(name.toLowerCase()));  
    }  
    // 返回所有已注册智能体的名称集合  
    public Set<String> listAgents() {  
        return agents.keySet();  
    }  
}

3.5 统一 API 控制器（Unified API Controller）

该控制器提供 REST 接口，供外部系统与智能体进行交互。

  
@RestController  
@RequestMapping("/agents")  
public class AgentController {  
    @Autowired private AgentRegistry registry;  
    // 调用指定智能体处理输入（POST请求）  
    @PostMapping("/{agentName}")  
    public ResponseEntity<String> handle(@PathVariable String agentName, @RequestBody String input) {  
        return registry.getAgent(agentName)  
            .map(agent -> ResponseEntity.ok(agent.handle(input)))  
            .orElse(ResponseEntity.status(HttpStatus.NOT_FOUND).body("未找到指定智能体"));  
    }  
    // 列出所有已注册的智能体（GET请求）  
    @GetMapping  
    public Set<String> listAgents() {  
        return registry.listAgents();  
    }  
}

3.6 元智能体（协调层）（Meta Agent (Orchestration Layer)）

元智能体是系统的 “调度中枢”，负责判断给定输入应由哪个领域智能体处理。

  
@Component("metaAgent")  
public class MetaAgent implements IAgent {  
    @Autowired private AgentRegistry registry;  
    @Autowired private ChatClient chatClient;  
    public String handle(String input) {  
        // 系统提示词：明确元智能体的决策职责  
        String systemPrompt = "判断输入应由哪个智能体（travelAgent、restaurantAgent、shoppingAgent）处理。";  
        // 调用LLM获取目标智能体名称  
        String agentName = chatClient.call(new Prompt(systemPrompt + " 输入内容：" + input))  
                                     .getResult().getOutput().getContent();  
        // 调用目标智能体处理输入，若无匹配则返回提示  
        return registry.getAgent(agentName.trim().toLowerCase())  
            .map(agent -> agent.handle(input))  
            .orElse("抱歉，未找到可处理该请求的智能体。");  
    }  
}

3.7 云 LLM 提供商配置（Cloud LLM Provider Configs）

借助 Spring AI，只需通过 YAML 配置即可轻松切换不同的 LLM 服务提供商。

Azure OpenAI 配置：

  
spring.ai.openai.api-key = ${AZURE_OPENAI_KEY}  
spring.ai.openai.endpoint = https://<你的资源名称>.openai.azure.com/  
spring.ai.openai.model = gpt-35-turbo

AWS Bedrock 配置：

  
spring.ai.bedrock.anthropic.api-key = ${AWS_ACCESS_KEY}  
spring.ai.bedrock.anthropic.region = us-east-1  
spring.ai.bedrock.anthropic.model = anthropic.claude-v2

OpenAI 配置：

  
spring.ai.openai.api-key = ${OPENAI_API_KEY}  
spring.ai.openai.model = gpt-4

后续规划（What’s Next?）

集成 Redis 或本地内存上下文，为智能体添加会话记忆功能
通过 Spring AI 知识库（KnowledgeBases）集成检索增强生成（RAG）流程
对接内部 API 工具（如工单查询、人力资源信息系统（HRIS）等）
在 Kubernetes 中部署系统，并通过 OAuth/JWT 实现安全认证
基于智能体链式调用（Agent Chaining）构建对话流程
为智能体交互添加重试逻辑与可观测性监控（如日志、指标跟踪）

总结（Final Thoughts）

通过本文介绍的架构，你可以实现：

将领域知识隔离到可复用的智能体中，降低模块间耦合
将推理与执行任务委派给专用模块，提升系统专业性与效率
通过 Spring AI 无缝集成任意 LLM 提供商，避免厂商锁定

企业级生成式 AI 无需依赖 Python 即可实现规模化 —— 它只需要稳健的 Java 设计。借助 Spring AI，只需极少的配置修改，就能轻松实现 LLM 模型的切换，为系统迭代提供极大灵活性。