图片

让Java开发者像写Spring Boot一样开发AI应用——第三课

写在前面

前两天的课程，我们学会了创建单个Agent，也理解了ReAct范式如何让Agent具备“思考-行动-观察”的自主推理能力。

但有一个问题始终没有解决：一个Agent真的能搞定所有事吗？

想象一下：让一个人同时做厨师、财务、律师、程序员——他可能每样都会一点，但哪样都不精。单Agent的困境，是一样的。

今天的课，就是要打破这个困境。

多Agent架构，让AI从“单兵作战”进化为“团队协作”。

一、为什么需要多Agent？

单Agent的局限性

前两天的课程中，我们构建的ReactAgent都属于单Agent架构——一个Agent负责处理所有用户请求，完成从理解意图到执行任务的全部流程。

单Agent在以下场景中表现良好：

  • 任务范围明确、边界清晰（如单一领域的问答助手）

  • 工具数量有限（3-5个以内）

  • 上下文长度可控

但一旦任务变复杂，问题就来了：

| 问题

|

说明
工具选择困难

当Agent拥有太多工具时，难以做出正确的工具选择决策

| | 上下文过载 |

上下文或记忆增长过大，单个Agent难以有效跟踪

| | 专业度不足 |

一个Agent很难在所有领域都表现出色

| | 上下文混乱 |

过多的指令会让Agent困惑

| | 可维护性差 |

难以单独优化某个维度的能力

|

多Agent架构的核心价值

多Agent架构将复杂的应用程序分解为多个协同工作的专业化Agent。与依赖单个Agent处理所有步骤不同，多Agent架构允许你将更小、更专注的Agent组合成协调的工作流。

三大核心价值：

① 专业化分工（Specialization）——每个Agent聚焦单一专业领域，只处理自己最擅长的事。比如：一个Agent专门写文章，一个专门审稿，一个专门翻译。

② 并行处理（Parallelism）——多个Agent同时处理不同的子任务，显著减少总执行时间。

③ 容错性（Fault Tolerance）——单个Agent失败不影响整体系统。

💡 单Agent就像让一个人包揽所有工作，多Agent就像组建了一支专业团队——有人负责创意、有人负责财务、有人负责执行，各司其职，协同作战。

二、四种内置多Agent模式

Spring AI Alibaba Agent Framework预置了四种基础多智能体工作流模式：

| 模式

|

类名

|

核心特征

顺序代理

|

SequentialAgent

|

按固定顺序依次执行

| |

并行代理

|

ParallelAgent

|

多个Agent同时处理

| |

路由代理

|

RoutingAgent

|

LLM动态选择最合适的Agent

| |

循环代理

|

LoopAgent

|

迭代执行直到满足条件

|

模式一：SequentialAgent（顺序代理）——流水线模式

核心思想：多个Agent按预定义的顺序依次执行，每个Agent的输出自动成为下一个Agent的输入。

<span leaf="">用户输入 → Agent&nbsp;<span>A</span>&nbsp;→ Agent&nbsp;<span>B</span>&nbsp;→ Agent C → 最终输出</span>

适用场景：

  • 流水线任务（如：查天气→查景点→生成计划）

  • 写作→审稿→润色的内容生产流程

  • 合同审核流程（基础校验→商务审核→法务审核→报告汇总）

代码示例：写文章 + 审稿 + 翻译

<span leaf=""><span>// 第一个Agent：作家</span></span>

关键理解：

  • 框架自动将前一个Agent的outputKey映射到后一个Agent输入模板的变量

  • 所有Agent通过OverAllState共享状态

  • 占位符{input}表示用户原始输入，{outputKey}表示引用其他Agent的输出

💡 课堂强调：SequentialAgent是最基础的多Agent模式，理解它就能理解所有多Agent编排的本质——状态在Agent之间流动。

模式二：ParallelAgent（并行代理）——并发模式

核心思想：多个Agent同时处理相同的输入，然后将结果合并。

<span leaf="">&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; ┌─ Agent&nbsp;<span>A</span>&nbsp;─┐</span>

适用场景：

  • 多角度分析（如：同时从创意、财务、执行三个维度策划方案）

  • 生成不同格式的内容

  • 同时查询多个数据源（如：机票+酒店+景点）

代码示例：多维度方案策划

<span leaf=""><span>// 子Agent1：创意策划师</span></span>

关键理解：

  • ParallelAgent让多个Agent处理相同的输入，结果通过MergeStrategy合并

  • 并行执行可以显著减少总执行时间

  • 可以结合SequentialAgent实现 “并行+串行”的混合协作模式

模式三：RoutingAgent（路由代理）——智能分发模式

核心思想：使用大语言模型（LLM）动态决定将请求路由到哪个子Agent。LLM根据输入内容和子Agent的描述自动选择最合适的Agent。

<span leaf="">&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; ┌─ 作家Agent ─┐</span>

适用场景：

  • 智能客服系统（根据用户意图路由到不同专家）

  • 多功能助手（写作、翻译、编程等不同任务）

  • 需要根据问题类型选择不同处理路径的场景

代码示例：内容路由系统

<span leaf=""><span>// 子Agent1：作家</span></span>

提高路由准确性的关键：

| 原则

|

说明
清晰明确的Agent描述

给每个子Agent编写具体、无歧义的description

| | 明确的职责边界 |

严格划定每个Agent的权责范围

| | 避免能力重叠 |

杜绝多个Agent拥有相同/相似的业务能力

|

💡 强调：RoutingAgent的核心理念是 “让LLM做决策，而不是硬编码if-else” 。子Agent的description是路由决策的关键依据。

模式四：LoopAgent（循环代理）——迭代优化模式

核心思想：重复执行一个Agent，直到满足特定的终止条件。

<span leaf="">&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;┌─────────────────────┐</span>

适用场景：

  • 内容迭代优化（如：反复修改文章直到质量达标）

  • 逐步完善方案

  • 工具调用失败重试

内置循环策略：

| 策略

|

说明

|

适用场景
COUNT

固定次数迭代

|

执行Agent恰好N次

| | CONDITION |

条件循环

|

持续迭代直到质量阈值达标

| | ARRAY |

数组迭代

|

处理列表中的每个元素

|

代码示例：文章质量迭代优化

<span leaf=""><span>// 被循环执行的Agent - 文章优化器</span></span>

关键理解：

  • LoopAgent专注于迭代单个Agent直到满足条件

  • 循环控制变量在每次迭代时会被替换，不会累积

  • 可以通过LoopStrategy接口自定义循环逻辑

💡 提示：LoopAgent就像一位严格的主编——让AI写文章，不满意就退回去重写，直到满意为止。

三、四种模式对比总结

| 维度

|

Sequential

|

Parallel

|

Routing

|

Loop

执行方式

| 串行 | 并行 | 单选 | 迭代 | |

Agent数量

|

多个

|

多个

|

多个

| 单个 | |

状态传递

|

前→后传递

|

各自独立→合并

|

单选输出

|

迭代累积

| |

核心优势

|

流程清晰

|

性能高效

|

智能分发

|

持续优化

| |

典型场景

|

流水线任务

|

多维度分析

|

智能客服

|

内容迭代

|

模式选择决策树：

<span leaf="">需要多个Agent协作？</span>

四、实战：内容审核系统

系统设计

需求：构建一个“内容审核系统”，根据用户提交的内容类型，自动分发给对应的专业审核Agent。

<span leaf="">&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;┌─ 文学审核Agent ─┐</span>

核心代码实现

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

单Agent vs 多Agent Routing对比

| 对比维度

|

单Agent审核

|

多Agent Routing审核

Prompt复杂度

|

一个Prompt覆盖所有类型

|

每个Agent专注一个领域

| |

审核质量

|

通用但不深入

| 专业、精准 | |

可维护性

|

修改影响所有类型

| 修改只影响单个Agent | |

扩展性

|

新增类型需重写Prompt

| 新增一个Agent即可 |

💡 结论：RoutingAgent让系统从“一个万能Agent”进化为 “一群专家Agent各司其职” 。

五、课后挑战

任务：设计一个“旅游规划多Agent系统”的架构图

要求：

  • 至少包含3个专业Agent（如：行程规划师、酒店推荐师、美食顾问、天气顾问等）

  • 明确每个Agent的职责、输入、输出

  • 选择合适的协作模式（Sequential / Parallel / Routing / Loop 或组合）

  • 画出架构图，标注数据流向

验收标准：

  • 架构图清晰展示至少3个Agent及其协作关系

  • 每个Agent有明确的职责描述和输入输出定义

  • 能说明为什么选择该协作模式

  • 能指出如果使用单Agent会有哪些不足

示例参考：

<span leaf="">&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;┌─ 天气顾问（并行）─┐</span>

六、本日核心收获

  1. 单Agent有天然局限：工具选择困难、上下文过载、专业度不足

  2. 多Agent架构三大价值：专业化分工、并行处理、容错性

  3. 四种内置模式各有所长：

  • Sequential：流水线任务，状态依次传递

  • Parallel：并行处理，性能最优

  • Routing：智能分发，LLM做决策

  • Loop：迭代优化，持续改进

  1. 模式可以组合使用：Sequential中嵌套Parallel，实现“串行+并行”混合编排

  2. 底层是Graph引擎：所有Agent编排最终都会被编译为StateGraph执行

📌 本文要点回顾：从单Agent到多Agent，是从“单兵作战”到“团队协作”的进化。Spring AI Alibaba提供的四种内置模式——顺序、并行、路由、循环——覆盖了绝大多数多Agent协作场景。理解这些模式，你就掌握了构建复杂AI应用系统的核心能力。

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