图片

让Java开发者像写Spring Boot一样开发AI应用——第二课

写在前面

第一天的课程，我们创建了第一个AI Agent——一位“智能心理咨询师”。它能够根据我们设定的角色和指令，给出专业、有温度的回应。

但有一个问题：它只能“说”，不能“做”。

如果用户问：“明天杭州天气怎么样，帮我规划一下行程？”它要么编造一个天气，要么告诉你“我查不到实时天气”。

今天的课，就是要解决这个问题。

ReAct范式，让AI从“会说话的AI”进化为“会思考、会动手的AI”。

一、ReAct是什么？不是模型，是“执行逻辑”

很多人以为ReAct是一种新的AI模型。不是的。

ReAct（Reasoning + Acting）不是大模型的能力，而是一种让大模型执行任务的逻辑框架。它定义了AI在处理复杂问题时的行为模式——先想清楚做什么，再做，做完看结果，根据结果决定下一步。

就是这个“想→做→看→再想”的循环，把AI从“一问一答”的被动模式，拉到了“自主推理”的主动模式。

普通ChatModel vs ReAct Agent：一张表看懂

| 对比维度

|

ChatClient（单次对话）

|

ReAct Agent（自主执行）

交互模式

|

用户提问 → 模型回答 → 结束

|

用户给目标 → Agent规划 → 行动 → 观察 → 行动 → … → 完成

| |

决策权

| 每次由人主动发起 | Agent自主循环，主动决策 | |

任务边界

|

单轮或多轮问答

| 直到任务完成为止 |

一句话总结：如果说第一天的Agent是“会说话的AI”，那今天的ReAct Agent就是 “会思考、会动手的AI” 。它不再是等你想好问题再回答，而是自己会想“我现在该做什么？”，然后主动去做——做完再看结果，再想下一步该做什么。

二、核心链路：Thought → Action → Observation

ReAct的核心是一个迭代循环，模型会按顺序不断生成“思考→行动→观察”的轨迹。

用一个天气查询的例子来说明：

<span leaf="">💭 Thought（思考）：我需要先查明天上海的天气……</span>

三个关键步骤拆解

| 步骤

|

作用

|

关键理解
Thought（思考）

分析当前状态，决定下一步做什么

|

这是ReAct与普通ChatModel最核心的区别——模型在“想”，而不只是“说”

| | Action（行动） |

调用工具或执行操作

|

可以是调用外部API、查询数据库、执行计算

| | Observation（观察） |

获取执行结果

|

作为下一轮Thought的输入

|

这个循环会持续进行，直到任务完成或达到终止条件。

三、Agent的四大核心组件

Spring AI Alibaba的Agent基于ReAct框架，包含四大核心组件：

| 组件

|

作用

|

对应Builder方法
大脑（大模型）

负责思考、决策、规划

| .model(chatModel) | | 工具集 |

Agent可调用的所有能力

| .tools(toolCallback)

 / .methodTools(object)

| | 记忆系统 |

短期记忆（当前会话）+ 长期记忆（跨会话）

| .saver(memorySaver) | | 系统提示词 |

定义Agent的角色、行为规范、约束条件

| .systemPrompt(prompt)

 / .instruction(prompt)

|

四、Builder模式详解：5个核心方法

ReactAgent采用经典的Builder设计模式，通过链式调用完成配置与构建：

<span leaf=""><span>ReactAgent</span>&nbsp;<span>agent</span>&nbsp;<span>=</span>&nbsp;ReactAgent.builder()</span>

① .name(String name) —— Agent的身份标识

为Agent设置唯一名称，用于日志追踪、调试和多Agent编排场景下的识别。

💡最佳实践：名称应具有业务语义，便于在日志和监控中快速定位问题。

② .model(ChatModel chatModel) —— 绑定大模型

将具体的大模型实例注入Agent，作为其“大脑”：

<span leaf=""><span>DashScopeApi</span>&nbsp;<span>api</span>&nbsp;<span>=</span>&nbsp;DashScopeApi.builder()</span>

③ .systemPrompt(String prompt) —— 定义Agent行为（最关键！）

这是影响Agent回复质量最关键的配置。systemPrompt定义了Agent的角色定位、行为规范和约束条件。

好的systemPrompt应该包含：

  • 角色定位：你是谁？（如“你是一名10年经验的资深心理咨询师”）

  • 能力边界：你能做什么？

  • 行为约束：你应该怎么做？

  • 风格要求：以什么风格回复？

对比示例：

<span leaf=""><span>// ❌ 差：信息太少，模型不知道该怎么表现</span></span>

⚠️ 课堂强调：systemPrompt不是“装饰品”，它是Agent行为的 “宪法” 。写得好不好，直接决定了Agent回复的质量和可靠性。

④ .tools(ToolCallback… tools) —— 注册工具

让Agent获得“动手能力”——调用外部函数、API、数据库等。

方式一：使用FunctionToolCallback（推荐）

<span leaf=""><span>ToolCallback</span>&nbsp;<span>weatherTool</span>&nbsp;<span>=</span>&nbsp;FunctionToolCallback.builder(”get_weather”,&nbsp;<span>new</span>&nbsp;<span>WeatherTool</span>())</span>

方式二：使用@Tool注解 + methodTools（更简洁）

<span leaf=""><span>class</span>&nbsp;<span>WeatherTool</span>&nbsp;{</span>

⑤ .saver(Saver saver) —— 配置记忆存储

让Agent具备“记忆力”——保存对话历史，实现多轮对话的上下文理解。

<span leaf=""><span>// 使用内存存储（适合开发测试）</span></span>

💡 为什么需要Saver？没有记忆的Agent每次对话都是“失忆”的——上一轮你说“我叫小明”，下一轮它问“你叫什么名字？”。Saver让Agent能够记住对话历史，实现真正的连贯对话。

五、代码实战：对比ChatModel与ReAct Agent

实战一：无工具的纯推理Agent

构建一个不带任何工具的Agent，观察其“纯推理”过程：

<span leaf=""><span>@Service</span></span>

课堂观察点：

  • Agent虽然没有工具，但仍然会尝试“推理”

  • 观察模型是否按照systemPrompt要求的格式输出

  • 对比“有思考过程”和“无思考过程”的答案质量差异

实战二：ChatModel vs ReAct Agent 对比实验

用同一个问题分别问ChatModel和ReAct Agent，观察差异：

<span leaf=""><span>@Service</span></span>

预期对比结果：

| | ChatModel

|

ReAct Agent

天气信息

|

可能编造或说“我不知道”

| 调用工具获取真实天气 | |

行程规划

|

通用的模板化建议

| 结合天气做针对性建议 | |

推理过程

|

不可见（黑盒）

| Thought→Action→Observation全可见 |

💡 核心结论：ChatModel是“知道什么说什么”，ReAct Agent是 “不知道就去查，查完再思考，思考完再说” 。

六、systemPrompt：一段话改变Agent“人格”

用同一个问题，搭配不同的systemPrompt，观察回复差异：

| 实验组

|

systemPrompt

|

预期效果

A组

|

“你是一个助手”

|

通用、平淡的回复

| |

B组

|

“你是一名资深心理咨询师，以温暖专业的态度回应”

|

有温度、有深度的回复

| |

C组

|

“你是毒舌吐槽专家，用幽默讽刺的方式回应”

|

风格鲜明的吐槽式回复

|

演示代码：

<span leaf=""><span>public</span>&nbsp;<span>void</span>&nbsp;<span>compareSystemPrompts</span>() {</span>

💡 结论：systemPrompt是影响Agent回复质量性价比最高的配置——不需要改代码、不需要加工具，仅仅改变一段文字就能让Agent表现出完全不同的“人格”和专业度。

七、课后挑战

任务：为Agent添加详细的systemPrompt，观察其对回复质量的影响

基于第一天的3个Agent（心理咨询师、编程助手、法律顾问），为每个Agent设计3个不同版本的systemPrompt（粗、中、细），用同一个问题测试3个版本，记录回复差异。

验收标准：

  • 为每个Agent设计了3个不同精细度的systemPrompt

  • 记录了至少9组（3 Agent × 3 Prompt）对比实验结果

  • 能总结出systemPrompt设计的3条核心原则

八、本日核心收获

  1. ReAct = Reasoning + Acting，让模型在推理和行动之间交替

  2. Thought → Action → Observation 是ReAct的核心循环

  3. systemPrompt是性价比最高的配置——一段话改变Agent“人格”

  4. 工具让Agent从“会说”变成“会做” ——工具是把聊天机器人升级为Agent的那条分界线

  5. ChatModel是“知道什么说什么”，ReAct Agent是“不知道就去查”

📌 本文要点回顾：ReAct范式让AI从“被动回答”进化为“主动解决问题”。通过“思考→行动→观察”的循环，Agent能够自主完成复杂的多步任务。而Spring AI Alibaba的ReactAgent.Builder模式，让Java开发者可以用不到50行代码，构建出一个具备自主推理和行动能力的智能体。

有任何问题，欢迎在评论区留言交流！

作者：Java老兵搞AI，专注Java生态下的AI应用开发

如果觉得有用，点个「在看」支持一下吧