企业官网建设流程全解析

• ReAct模式：推理（Reasoning）与行动（Acting）循环，Agent自主规划并执行步骤。
• Plan-and-Execute模式：先制定完整计划，再逐步执行各项任务。
• Human-in-the-Loop：关键步骤由人工确认，降低Agent自主决策的风险。
• Spring AI Alibaba Agent Framework：快速构建AI Agent的实用框架。
• 结构化输出（Structured Output）：支持Agent直接返回Java POJO对象，便于集成。

.defaultSystem(""" 你是一个智能运维助手，遵循以下工作流程排查问题： 1. 理解问题：明确用户描述的现象和影响范围 2. 收集信息：使用工具查询服务状态、错误日志、数据库连接池等 3. 分析根因：根据收集到的信息，逐步缩小问题范围 4. 查阅方案：从知识库中检索类似问题的历史处理方案 5. 给出建议：提供短期修复方案和长期优化建议 每一步都要说明你的推理过程，让用户了解排查思路。 """)

curl "http://localhost:8080/agent/ops/chat?message=用户反馈下单很慢，帮我排查一下原因"

• 是否先查 order-service 健康状态
• 是否查错误日志
• 是否查数据库连接池
• 是否能综合所有信息给出结论

import org.slf4j.Logger; import org.slf4j.LoggerFactory; import org.springframework.ai.chat.client.ChatClientRequest; import org.springframework.ai.chat.client.ChatClientResponse; import org.springframework.ai.chat.client.advisor.api.BaseAdvisor; import org.springframework.ai.chat.client.advisor.api.AdvisorChain; import org.springframework.ai.chat.messages.AssistantMessage; import org.springframework.stereotype.Component; /** * 工具调用日志记录（同时支持同步和流式） * <p> * Spring AI 2.0 API： * - 实现 BaseAdvisor（同时支持 CallAdvisor + StreamAdvisor） * - 只需实现 before() 和 after()，adviseCall()/adviseStream() 由 BaseAdvisor 默认实现调用 * * @author hejie */ @Component public class ToolCallLoggingAdvisor implements BaseAdvisor { private static final Logger log = LoggerFactory.getLogger(ToolCallLoggingAdvisor.class); @Override public ChatClientRequest before(ChatClientRequest request, AdvisorChain advisorChain) { // 请求前：记录用户输入 log.info("【Agent请求】用户消息: {}", request.prompt().getContents()); return request; } @Override public ChatClientResponse after(ChatClientResponse response, AdvisorChain advisorChain) { // 请求后：记录模型响应（可能是文本，也可能是工具调用） if (response.chatResponse() == null || response.chatResponse().getResults() == null || response.chatResponse().getResults().isEmpty()) { return response; } response.chatResponse().getResults().forEach(result -> { AssistantMessage output = result.getOutput(); if (output == null) { return; } // 情况1：模型返回工具调用（无文本，有ToolCall列表） if (output.getToolCalls() != null && !output.getToolCalls().isEmpty()) { output.getToolCalls().forEach(toolCall -> { log.info("【Agent响应】触发工具调用: {} (参数: {})", toolCall.name(), toolCall.arguments()); }); return; } // 情况2：模型返回文本内容 String text = output.getText(); if (text != null && !text.isBlank()) { // 流式场景下可能是分片，截取前500字符避免日志过长 String preview = text.length() > 500 ? text.substring(0, 500) + "...(截断)" : text; log.info("【Agent响应】{}", preview); } }); return response; } @Override public int getOrder() { // order值越小越先执行（最先处理请求，最后处理响应） return 0; } }

/** * Agent配置类 */ @Configuration public class AgentConfig { @Bean public ChatClient opsAgentChatClient(ChatClient.Builder builder, OpsTools opsTools, VectorStore vectorStore, ChatMemory chatMemory, ToolCallLoggingAdvisor loggingAdvisor) { return builder .defaultSystem(""" 你是一个智能运维助手，遵循以下工作流程排查问题： 1. 理解问题：明确用户描述的现象和影响范围 2. 收集信息：使用工具查询服务状态、错误日志、数据库连接池等 3. 分析根因：根据收集到的信息，逐步缩小问题范围 4. 查阅方案：从知识库中检索类似问题的历史处理方案 5. 给出建议：提供短期修复方案和长期优化建议 每一步都要说明你的推理过程，让用户了解排查思路。 """) .defaultOptions(ChatOptions.builder() .temperature(0.1) // 工具调用场景用低temperature ) .defaultAdvisors( loggingAdvisor, // 日志观测（最先执行） // 对话记忆（保留最近10轮） MessageChatMemoryAdvisor.builder(chatMemory) .order(0) .build(), // RAG知识库检索（允许空上下文：检索不到文档时保留原始用户消息，让LLM能触发工具调用） RetrievalAugmentationAdvisor.builder() .order(1) .documentRetriever(VectorStoreDocumentRetriever.builder() .vectorStore(vectorStore) .similarityThreshold(0.7) .topK(6) .build()) // 查询增强，允许知识库检索为空 .queryAugmenter(ContextualQueryAugmenter.builder() .allowEmptyContext(true) .build()) .build(), ToolCallingAdvisor.builder() .toolCallingManager(ToolCallingManager.builder() .maxTotalToolCalls(10)// 最多调用10次工具 .build()) .build() ) // 注册运维工具 .defaultTools(opsTools) .build(); } }

• 调用接口后，检查日志输出，确认能完整记录请求和响应过程。