SpringBoot + LangChain4j 实现智能 AI Agent
Kyle
目录
什么是 AI Agent？
AI Agent 是一个能够自主决策和执行任务的智能代理。它可以：
- 理解用户意图
- 规划任务步骤
- 调用工具完成任务
- 处理异常情况
- 持续优化决策
系统架构
graph TD
A[用户请求] --> B[Agent Controller]
B --> C[Agent Service]
C --> D[任务规划器]
C --> E[工具注册中心]
D --> F[OpenAI]
E --> G[计算器]
E --> H[搜索引擎]
E --> I[天气查询]
F --> C
G --> C
H --> C
I --> C
项目实现
1. Maven 依赖配置
<dependencies>
<!-- SpringBoot -->
<dependency>
<groupId>org.springframework.boot</groupId>
<artifactId>spring-boot-starter-web</artifactId>
</dependency>
<!-- LangChain4j -->
<dependency>
<groupId>dev.langchain4j</groupId>
<artifactId>langchain4j</artifactId>
<version>0.27.1</version>
</dependency>
<!-- LangChain4j Agent -->
<dependency>
<groupId>dev.langchain4j</groupId>
<artifactId>langchain4j-agent</artifactId>
<version>0.27.1</version>
</dependency>
</dependencies>2. 工具实现
@Tool
public class Calculator {
@ToolFunction
public double add(double a, double b) {
return a + b;
}
@ToolFunction
public double multiply(double a, double b) {
return a * b;
}
}
@Tool
public class WeatherService {
@ToolFunction
public String getWeather(String city) {
// 调用天气 API
return "晴天，温度 25℃";
}
}3. Agent 服务实现
@Service
@Slf4j
public class AIAgentService {
private final ChatLanguageModel chatModel;
private final ToolRegistry toolRegistry;
private final Agent agent;
public AIAgentService(ChatLanguageModel chatModel) {
this.chatModel = chatModel;
this.toolRegistry = new ToolRegistry();
// 注册工具
toolRegistry.registerTool(new Calculator());
toolRegistry.registerTool(new WeatherService());
// 创建 Agent
this.agent = Agent.builder()
.chatLanguageModel(chatModel)
.toolRegistry(toolRegistry)
.build();
}
public String process(String userInput) {
try {
AgentResponse response = agent.process(userInput);
return response.getOutput();
} catch (Exception e) {
log.error("Agent 处理失败", e);
return "抱歉，我现在无法处理这个请求";
}
}
}4. Controller 实现
@RestController
@RequestMapping("/api/agent")
public class AgentController {
private final AIAgentService agentService;
public AgentController(AIAgentService agentService) {
this.agentService = agentService;
}
@PostMapping("/chat")
public ResponseEntity<String> chat(@RequestBody String message) {
String response = agentService.process(message);
return ResponseEntity.ok(response);
}
}Agent 工作流程
sequenceDiagram
participant User as 用户
participant Agent as AI Agent
participant LLM as 大语言模型
participant Tools as 工具集
User->>Agent: 发送请求
Agent->>LLM: 分析用户意图
LLM-->>Agent: 返回任务分解
loop 任务执行
Agent->>Tools: 调用相关工具
Tools-->>Agent: 返回工具结果
Agent->>LLM: 结果评估
LLM-->>Agent: 下一步计划
end
Agent->>User: 返回最终结果
示例场景
1. 数学计算场景
用户输入：
请帮我计算：(23 + 45) * 2 是多少？Agent 处理流程：
- 分析出需要使用计算器工具
- 拆分为加法和乘法两步
- 调用计算器完成计算
- 返回结果
2. 天气查询场景
用户输入：
北京今天天气怎么样？需要带伞吗？Agent 处理流程：
- 识别需要查询天气
- 调用天气服务获取数据
- 分析是否需要带伞
- 给出建议
最佳实践
1. 错误处理
public class AgentException extends RuntimeException {
public AgentException(String message) {
super(message);
}
}
@ControllerAdvice
public class AgentExceptionHandler {
@ExceptionHandler(AgentException.class)
public ResponseEntity<String> handleAgentException(AgentException e) {
return ResponseEntity
.status(HttpStatus.INTERNAL_SERVER_ERROR)
.body(e.getMessage());
}
}2. 性能优化
性能优化建议
- 使用工具结果缓存
- 实现并发任务处理
- 设置合理的超时时间
3. 监控指标
@Service
public class AgentMetricsService {
private final MeterRegistry registry;
public void recordToolUsage(String toolName) {
registry.counter("agent.tool.usage", "tool", toolName).increment();
}
public void recordProcessingTime(long milliseconds) {
registry.timer("agent.processing.time").record(milliseconds, TimeUnit.MILLISECONDS);
}
}安全考虑
安全注意事项
- 工具调用权限控制
- 用户输入验证
- 敏感信息保护
- 调用频率限制
总结
通过 SpringBoot + LangChain4j 实现的 AI Agent 具有以下优势：
- 架构清晰，易于扩展
- 工具集成灵活
- 错误处理完善
- 性能监控到位
在实际应用中，可以根据具体需求：
- 添加更多工具
- 优化决策逻辑
- 增强安全机制
- 提升用户体验