新项目完结，Ai Agent 智能体、拖拉拽编排！

大模型知识营地
55 阅读7分钟

新项目完结，Ai Agent 智能体、拖拉拽编排！

❝

沉淀、分享、成长，让自己和他人都能有所收获！😜

❞

这是一套综合前后端 + Dev-Ops，基于 Spring Ai 框架实现，Ai Agent 智能体。耗时7个多月，38节课程（视频+文档），从 RAG 到 MCP，再实现出互联网企业级，可编排的 Ai Agent 智能体，现已全部开发完成 + 部署上线。💐

这套项目，比互联网企业，起步的还早，完成的还快！

讲个我的经历；前年我在公司里分享了 OpenAi 的场景使用，实现了代码自动评审。去年又分享了 RAG、MCP（年尾刚开始发布 MCP 协议），告诉大家这类技术如何结合场景落地，领导说：“你研究的挺深呀！“。今年公司也开始成立一个虚拟组，来结合 AI + 业务，领导让我作为小组的技术指导。—— 这些年，这些技术，我一直走的很靠前，所以也有很多很多的机会。机会，等于晋升 + 涨薪😄

AI 不会替代研发，但是会给研发的能力进行加成，让研发在进行需求分析、工程设计、编码实现、单测编写、服务验证等场景时，都可以通过 AI 提效。但 AI 不会让研发更轻松，反而会有更多的工作量进来。不过，越往后来看，不会 AI 应用，不具备 AI 场景开发，肯定会缺少竞争力。

1. 登录界面

  • 这一部分在数据库表增加了 admin_user 表，有配置登录账号和密码，可以简单做校验。

2. 管理界面

  • 管理后台目前提供了，代理管理（拖拉拽编排方式配置智能体），资源管理（model、client、mcp、advisor、prompt）
  • 数据分析、系统设置，是样例，你可以继续扩展你所需要的内容。

3. 代理管理

3.1 代理列表

  • 这里的代理列表，就是通过拖拉拽配置的智能体。可以点击【查看】看到明细，也可以【新建】，还可以删除。
  • 点击【加载】则是调用服务端，把数据加载到 Spring 容器，之后就可以使用了。
3.2 代理配置

  • 当你点击一个代理配置，则会展示出拖拉拽的数据到页面上。这部分会从数据库读取，之后展示出来，全部可视化。
  • 如果你点击了Save则会做出一份新的，之后对于旧的，你可以自己手动删除。

4. 资源管理

  • 资源管理下，是配置一个智能体所需的各项资源信息，你可以在这里进行维护。如，MCP 工具管理。

5. 页面使用

5.1 对话交流

5.2 场景解析

5.3 监控分析

  • 配置后的智能体，可以在智能体选择里进行获取使用。之后进行提问。
  • 效果还不错，这里小傅哥验证了配置的智能体进行提问。

关于系统设计

本套系统设计，也是花费了非常大的心思。

1. 执行流程

在整个 Ai Agent 的实现中，小傅哥带着大家分析设计了4种方案，包括；固定执行的、循环执行的、智能分析决策的还有一个按照步骤规划的。这些流程都有适合于自己业务场景使用。在代码中也都有不同方案的实现，之后通过用户选择后进行动态化的策略调度。

2. 核心动作

2.1 数据装配

  • 首先，以构建 AiClientNode 的对话客户端为目的，已经完成了相关的元素实例化步骤。本节这里要处理的是，顾问角色的构建，以及构建 AiClientNode 节点。
  • 之后，AiClientNode 的构建，是关联了其他各项元素的，所以在构建时，需要在 AiClientNode 节点，从 Spring 容器通过 getBean 的方式，检索到对应的各项元素。
2.2 动态调度

  • 这里会根据用户的请求，进行策略路由，找到所需的 Ai Agent 执行策略进行处理。这里小傅哥也有意加入不同的策略，让大家可以看到很多的 Ai Agent 设计思路。
2.3 执行策略（01）

  • 以程序启动为开始，进行自动化装配。这个过程我们先把一些想预先启动的数据库中的 agent 配置所需的 client 客户端进行服务初始化。之后写入到 Spring 容器，方便在执行 Agent 时进行使用。前面有伙伴问，为什么把实例化的对象写入到 Spring 容器，这里就是原因
  • 客户端（UI），进行 POST 接口请求，这个过程需要封装一个 SSE 流式响应的接口，让 Step 1~4 各个执行步骤，把过程信息写入到流式接口。这里要注意，需要给接口返回的对象添加上对应的类型（什么步骤、什么节点、什么过程），以便于反馈给用户 Agent 在做什么。
2.4 执行策略（02）

  • 这是其中的一种 Ai Agent 执行策略方式，通过用户的提问进行分析、规划、列出执行步骤，之后依次执行。
  • 所有的这些实现都有相应的代码，带着大家使用规则树框架清晰的实现出来。

AI智能体（Agent）是“能自主感知、决策、行动”的系统，这20个概念是理解其工作逻辑的关键。从基础到进阶，帮你高效入门～

一、基础组件类

  1. Agent（智能体）：能自主感知、推理、行动以达成目标的实体（比如自动帮你订机票的AI助手）。

  2. Environment（环境）：智能体交互的周边场景（如智能体操作的网页、物理空间）。

  3. Perception（感知）：智能体解析感官/环境数据的过程（如识别网页上的按钮、读取天气信息）。

  4. State（状态）：智能体当前的内部状态或对世界的表征（如“已订好上午机票，需订酒店”）。

  5. Memory（记忆）：存储历史信息，支持持续学习（如记住你常选的航班时间）。

  6. Knowledge Base（知识库）：智能体做决策的结构化/非结构化数据仓库（如包含“北京酒店分布”的数据库）。

二、大模型与推理类

  1. Large Language Models（大语言模型）：支撑语言理解与生成的基础模型（如GPT、Claude，是智能体的“语言大脑”）。

  2. Reflex Agent（反射型智能体）：基于“条件-动作”规则决策的智能体（如“检测到邮件含‘紧急’，立即提醒”）。

  3. CoT（Chain of Thought，思维链）：把复杂任务拆成推理步骤的方法（如“订机票→先查航班→选时间→填信息”）。

  4. ReAct：结合“推理（Reasoning）+行动（Action）”的框架，让智能体边推理边与环境交互。

三、工具与行动类

  1. Tools（工具）：智能体调用的外部系统/API（如查天气API、代码执行工具，扩展智能体能力）。

  2. Action（行动）：智能体执行的任务/行为（如点击按钮、发送消息）。

  3. Planning（规划）：设计达成目标的行动序列（如“周末旅行→先订机票→再订酒店→查景点”）。

  4. Orchestration（编排）：协调多步骤、工具或智能体完成任务流（如“订机票→触发酒店推荐→生成行程”的串联）。

四、多智能体与进化类

  1. Handoffs（交接）：智能体间的任务/责任转移（如“机票智能体”把“酒店任务”交给“酒店智能体”）。

  2. Multi-Agent System（多智能体系统）：多个智能体协作的框架（如“订票+酒店+行程规划”智能体组队服务）。

  3. Swarm（群体智能）：多智能体遵循局部规则，涌现出的智能行为（无中央控制，像蚁群找食物）。

  4. Agent Debate（智能体辩论）：智能体通过争论优化结果的机制（如两个智能体分别提方案，最终融合成更优决策）。

  5. Evaluation（评估）：衡量智能体行动的有效性（如“订的机票是否符合预算”）。

  6. Learning Loop（学习循环）：智能体从反馈中持续改进的周期（如“推荐的酒店差评多，下次调整推荐策略”）。

这些概念是AI智能体的“积木”，组合起来就能构建出能自主工作的智能系统～

avatar
文章
阅读
粉丝