spring-ai-alibaba 学习（二十五）——graph之内置节点

前面文章中说过，spring-ai-alibaba-graph 可以通过实现 NodeAction 来自定义节点

但是不想自定义的话，spring-ai-alibaba-graph 针对日常常用的场景，也封装了一批常用节点，例如大语言模型节点、工具节点等，方便直接使用

内置节点列表

|------------------------|--------------------------------|
| 内置节点 | 作用 |
| LlmNode | 根据输入的模板及参数调用大语言模型 |
| ToolNode | 获取OverAllState中的大语言模型回复并调用对应工具 |
| HttpNode | 执行http请求 |
| HumanNode | 人工干预的节点，支持条件中断和总是中断两种策略 |
| McpNode | 调用Mcp服务器 |
| QuestionClassifierNode | 文本分类 |
| DocumentExtractorNode | 从不同格式的文件中提取文本内容 |
| KnowledgeRetrievalNode | 从向量存储中检索内容 |
| 。。。 | 其他还有若干内置节点，感兴趣可以参考开源仓库 |

以LlmNode和ToolNode 为例来看两种节点的使用和执行过程（其他节点的样例可以参考官方示例spring-ai-alibaba-examples/spring-ai-alibaba-graph-example at main · springaialibaba/spring-ai-alibaba-examples）

大语言模型节点 LlmNode

样例

使用方式

java 复制代码

        LlmNode llmNode = LlmNode.builder()
			.chatClient(chatClient)
			.systemPromptTemplate("你是客服助手，请基于以下信息撰写回复：")
			.userPromptTemplateKey("http_response")
			.messagesKey("user_prompt")
			.outputKey("llm_response")
			.build();
		graph.addNode("invokeLLM", AsyncNodeAction.node_async(llmNode));

LlmNode 提供了4个key字段和默认实现

|-----------------|--------------|
| key | 默认实现 |
| systemPromptKey | systemPrompt |
| userPromptKey | userPrompt |
| paramsKey | params |
| messagesKey | messages |

ps：Builder中部分字段带有Template

以上四种属性 LlmNode 优先从 OverAllState 中以key获取，获取不到则取默认实现：

state.value(xxxKey).orElse(xxx)

除此之外还有拦截器 advisors，工具 toolCallbacks，输出key outputKey，聊天客户端 chatClient，流式标志 stream等字段

执行过程：以 param 渲染用户提示词，然后根据流式标志调用 stream 或 call 方法，结果放入 OverAllState 的 outputKey 对应槽位中，outputKey 为空则默认放入 messages中

工具节点 ToolNode

样例

使用方式

java 复制代码

        ToolNode toolNode = ToolNode.builder()
			.llmResponseKey("llm_response")
			.outputKey("tool_result")
			.toolCallbackResolver(toolCallbackResolver)
			.toolNames(List.of("sendEmail", "updateCRM"))
			.build();
		graph.addNode("invokeTool", AsyncNodeAction.node_async(toolNode));

ToolNode 包含一个输入key llmResponseKey，一个输出key outputKey，两个工具提供者 toolCallbacks 和 toolCallbackResolver

执行过程：

1）获取大模型回复：ToolNode 首先根据 llmResponseKey 从 OverAllState 获取，llmResponseKey 未设置则默认取key为 "llm_response"，若未取到则取 OverAllState 的 messages 的最后一条

2）获取工具：从大模型回复中获取工具列表，然后从 toolCallbacks 中匹配同名工具，若未找到则由 toolCallbackResolver 根据工具名获取

3）执行工具：从大模型回复中获取工具对应参数，连同 OverAllState 一起传入工具，获得工具调用结果

4）封装结果：结果会放入结果Map，key为 messages 和输出key

注意：有些内置节点会根据传入的OverAllState更新内部成员变量，在多用户并发请求时可能会存在覆盖的问题