【AI微服务】【Spring AI Alibaba】② Agent 深度实战：构建可记忆、可拦截、可流式的智能体系统

📖目录

前言
[1. 什么是 Agent？为什么需要它？](#1. 什么是 Agent？为什么需要它？)
[2. Agent 核心能力全景图](#2. Agent 核心能力全景图)
[3. 核心功能详解（结合 AgentsExample.java）](#3. 核心功能详解（结合 AgentsExample.java）)
- [3.1 基础配置：模型与 Prompt](#3.1 基础配置：模型与 Prompt)
- [3.2 工具集成：让 Agent "动手"](#3.2 工具集成：让 Agent “动手”)
- [3.3 动态 Prompt：上下文感知](#3.3 动态 Prompt：上下文感知)
- [3.4 对话记忆：支持多轮上下文](#3.4 对话记忆：支持多轮上下文)
- [3.5 流式响应：实时输出](#3.5 流式响应：实时输出)
- [3.6 结构化输出：强制 JSON/POJO](#3.6 结构化输出：强制 JSON/POJO)
[4. 高级扩展：Hook 与 Interceptor](#4. 高级扩展：Hook 与 Interceptor)
- [4.1 Agent 生命周期钩子（Hook）](#4.1 Agent 生命周期钩子（Hook）)
- [4.2 模型调用拦截器（Interceptor）](#4.2 模型调用拦截器（Interceptor）)
[5. 完整源码及执行结果](#5. 完整源码及执行结果)
- [5.1 完整源码](#5.1 完整源码)
- [5.2 执行结果](#5.2 执行结果)
[5. 执行上下文分析（来自 AgentsExample_执行结果.txt）](#5. 执行上下文分析（来自 AgentsExample_执行结果.txt）)
[6. 生产建议](#6. 生产建议)
[7. 结语](#7. 结语)
[8. 福利资源](#8. 福利资源)

前言

📌 本文基于 Spring AI Alibaba 最新版本（2025 年 11 月，兼容 Spring Boot 3.5.7 / Spring Cloud Alibaba 2023.0.x）

✅ 适合中高级 Java 开发者、AI 应用架构师阅读

🔗 官方文档 ：https://sca.aliyun.com/en/docs/ai/overview/

💡 参考代码说明 ：本文所有示例均直接源自你提供的 AgentsExample.java 文件（位于 spring-ai-alibaba/examples/documentation/framework/tutorials/ 路径下），该文件是 Spring AI Alibaba 官方团队发布的 Agent 教程核心示例 。文中关键代码片段已做精简，完整逻辑请以该文件为准。运行依赖可通过 AgentsExample_执行结果.txt 中的 classpath 确认（如 spring-ai-alibaba-graph-core-1.1.0.0-M5.jar 等）。

在上一篇《【Spring AI Alibaba】① 技术内核全解析》中，我们系统剖析了框架的整体架构、核心组件（ChatClient、VectorStore、Function Calling）以及"模型无关"的扩展哲学------回答了 "Spring AI Alibaba 是什么、为何这样设计" 的问题。

而本文将聚焦一个更贴近业务落地的主题：如何用它构建真正能"思考+行动"的智能体（Agent）？

如果说第一篇讲的是"骨架"，那么本篇就是"肌肉与神经"------我们将深入 ReactAgent 的完整能力体系，涵盖：

工具调用与错误兜底
对话记忆（Memory）
动态 Prompt 注入
流式响应（Streaming）
结构化输出（Structured Output）
全链路拦截与生命周期钩子（Interceptor & Hook）

所有内容均基于官方 AgentsExample.java 示例，带你从理论走向可运行、可调试、可扩展的生产级实践。

1. 什么是 Agent？为什么需要它？

Agent = LLM + 工具 + 记忆 + 规划能力。其核心价值在于：

让大模型不仅能"说"，还能"做"。

典型场景：

自动化客服（查订单、退换货）
运维助手（查日志、重启服务）
数据分析师（查数据库、生成图表）

Spring AI Alibaba 的 ReactAgent 基于 ReAct（Reasoning + Acting） 范式，让模型在"思考"与"行动"间循环，直至达成目标。

2. Agent 核心能力全景图

根据 AgentsExample.java，Spring AI Alibaba Agent 支持以下能力模块（文本流程图）：

复制代码

┌───────────────────────┐
│     User Input        │
└──────────┬────────────┘
           ▼
┌───────────────────────┐
│   Dynamic System      │◄─── ModelInterceptor (动态Prompt)
│   Prompt / Instruction│
└──────────┬────────────┘
           ▼
┌───────────────────────┐
│   Tool Selection &    │◄─── ToolCallback (工具定义)
│   Execution           │◄─── ToolInterceptor (错误监控)
└──────────┬────────────┘
           ▼
┌───────────────────────┐
│   Memory Management   │◄─── MemorySaver (对话记忆)
│   (Thread Context)    │
└──────────┬────────────┘
           ▼
┌───────────────────────┐
│   Structured Output   │◄─── outputType / outputSchema
│   (JSON / POJO)       │
└──────────┬────────────┘
           ▼
┌───────────────────────┐
│   Response Streaming  │◄─── Flux<NodeOutput>
│   or Blocking Call    │
└──────────┬────────────┘
           ▼
┌───────────────────────┐
│   Agent Hooks         │◄─── BEFORE_AGENT / AFTER_AGENT
│   (Logging, Metrics)  │
└───────────────────────┘

💡 关键设计 ：所有环节均可通过 Interceptor 或 Hook 插入自定义逻辑，实现非侵入式增强。

3. 核心功能详解（结合 AgentsExample.java）

3.1 基础配置：模型与 Prompt

java 复制代码

// 示例1：基础模型配置
ChatModel chatModel = DashScopeChatModel.builder()
    .dashScopeApi(dashScopeApi)
    .build();

ReactAgent agent = ReactAgent.builder()
    .name("my_agent")
    .model(chatModel)
    .build();

支持高级参数（温度、Token 限制等）：

java 复制代码

// 示例2：高级模型配置
.defaultOptions(DashScopeChatOptions.builder()
    .withTemperature(0.7)
    .withMaxToken(2000)
    .build())

3.2 工具集成：让 Agent "动手"

定义工具（实现 BiFunction）：

java 复制代码

// 示例3：工具定义
public static class SearchTool implements BiFunction<String, ToolContext, String> {
    @Override
    public String apply(@ToolParam(description = "搜索关键词") String query, ToolContext ctx) {
        return "搜索结果：" + query;
    }
}

注册工具并启用错误拦截：

java 复制代码

// 示例4：工具错误处理（需自定义 ToolErrorInterceptor）
ReactAgent agent = ReactAgent.builder()
    .tools(FunctionToolCallback.builder("search", new SearchTool()).build())
    .interceptors(new ToolErrorInterceptor()) // 拦截工具异常
    .build();

3.3 动态 Prompt：上下文感知

通过 ModelInterceptor 动态注入 Prompt：

java 复制代码

// 示例7：动态 System Prompt
public static class DynamicPromptInterceptor extends ModelInterceptor {
    @Override
    public ModelResponse interceptModel(ModelRequest request, ModelCallHandler handler) {
        String userRole = (String) request.getContext().getOrDefault("user_role", "default");
        String dynamicPrompt = switch (userRole) {
            case "expert" -> "你正在与技术专家对话...";
            case "beginner" -> "你正在与初学者对话...";
            default -> "你是一个专业的助手...";
        };
        // 增强 SystemMessage
        SystemMessage enhanced = new SystemMessage(request.getSystemMessage().getText() + "\n\n" + dynamicPrompt);
        return handler.call(ModelRequest.builder(request).systemMessage(enhanced).build());
    }
}

3.4 对话记忆：支持多轮上下文

使用 MemorySaver 维护会话状态：

java 复制代码

// 示例13：配置记忆
ReactAgent agent = ReactAgent.builder()
    .saver(new MemorySaver()) // 内存存储（生产环境建议用 Redis）
    .build();

RunnableConfig config = RunnableConfig.builder().threadId("user_123").build();
agent.call("我叫张三", config);
AssistantMessage resp = agent.call("我叫什么名字？", config); // 输出: "你叫张三"

3.5 流式响应：实时输出

支持 Reactive 流式处理：

java 复制代码

// 示例10.1：基础流式调用
Flux<NodeOutput> stream = agent.stream("帮我写一首关于春天的诗");
stream.subscribe(output -> {
    if (!output.isSTART() && !output.isEND()) {
        System.out.println("Token: " + output.tokenUsage());
    }
});

3.6 结构化输出：强制 JSON/POJO

两种方式：

类型安全 ：outputType(PoemOutput.class)
Schema 约束 ：outputSchema("{summary:..., keywords:...}")

java 复制代码

// 示例11：outputType
ReactAgent agent = ReactAgent.builder()
    .outputType(PoemOutput.class) // 自动校验并反序列化
    .build();

4. 高级扩展：Hook 与 Interceptor

4.1 Agent 生命周期钩子（Hook）

java 复制代码

// 示例14：日志 Hook
public static class LoggingHook extends AgentHook {
    @Override
    public HookPosition[] getHookPositions() {
        return new HookPosition[]{HookPosition.BEFORE_AGENT, HookPosition.AFTER_AGENT};
    }
    @Override
    public CompletableFuture<Map<String, Object>> beforeAgent(...) {
        System.out.println("Agent 开始执行");
        return CompletableFuture.completedFuture(Map.of());
    }
}

4.2 模型调用拦截器（Interceptor）

用于内容安全、消息裁剪等：

java 复制代码

// 示例15：消息裁剪 Hook（防 Token 超限）
public static class MessageTrimmingHook extends ModelHook {
    private static final int MAX_MESSAGES = 10;
    @Override
    public CompletableFuture<Map<String, Object>> beforeModel(OverAllState state, ...) {
        List<Message> messages = (List<Message>) state.value("messages").orElse(List.of());
        if (messages.size() > MAX_MESSAGES) {
            return CompletableFuture.completedFuture(
                Map.of("messages", messages.subList(messages.size() - MAX_MESSAGES, messages.size()))
            );
        }
        return CompletableFuture.completedFuture(Map.of());
    }
}

5. 完整源码及执行结果

5.1 完整源码

选择你的 LLM 提供商并获取 API-KEY（如阿里云百炼的 DashScope），格式为：sk-xxx

需要设置系统全局变量：AI_DASHSCOPE_API_KEY = sk-xxxx

将语句【System.getenv("AI_DASHSCOPE_API_KEY") 】替换成具体的api-key

java 复制代码

/*
 * Copyright 2024-2025 the original author or authors.
 *
 * Licensed under the Apache License, Version 2.0 (the "License");
 * you may not use this file except in compliance with the License.
 * You may obtain a copy of the License at
 *
 *      https://www.apache.org/licenses/LICENSE-2.0
 *
 * Unless required by applicable law or agreed to in writing, software
 * distributed under the License is distributed on an "AS IS" BASIS,
 * WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
 * See the License for the specific language governing permissions and
 * limitations under the License.
 */
package com.alibaba.cloud.ai.examples.documentation.framework.tutorials;

import com.alibaba.cloud.ai.dashscope.api.DashScopeApi;
import com.alibaba.cloud.ai.dashscope.chat.DashScopeChatModel;
import com.alibaba.cloud.ai.dashscope.chat.DashScopeChatOptions;
import com.alibaba.cloud.ai.graph.NodeOutput;
import com.alibaba.cloud.ai.graph.OverAllState;
import com.alibaba.cloud.ai.graph.RunnableConfig;
import com.alibaba.cloud.ai.graph.agent.ReactAgent;
import com.alibaba.cloud.ai.graph.agent.hook.AgentHook;
import com.alibaba.cloud.ai.graph.agent.hook.HookPosition;
import com.alibaba.cloud.ai.graph.agent.hook.ModelHook;
import com.alibaba.cloud.ai.graph.agent.interceptor.ModelCallHandler;
import com.alibaba.cloud.ai.graph.agent.interceptor.ModelInterceptor;
import com.alibaba.cloud.ai.graph.agent.interceptor.ModelRequest;
import com.alibaba.cloud.ai.graph.agent.interceptor.ModelResponse;
import com.alibaba.cloud.ai.graph.agent.interceptor.ToolCallHandler;
import com.alibaba.cloud.ai.graph.agent.interceptor.ToolCallRequest;
import com.alibaba.cloud.ai.graph.agent.interceptor.ToolCallResponse;
import com.alibaba.cloud.ai.graph.agent.interceptor.ToolInterceptor;
import com.alibaba.cloud.ai.graph.checkpoint.savers.MemorySaver;
import com.alibaba.cloud.ai.graph.exception.GraphRunnerException;

import org.springframework.ai.chat.messages.AssistantMessage;
import org.springframework.ai.chat.messages.Message;
import org.springframework.ai.chat.messages.SystemMessage;
import org.springframework.ai.chat.messages.UserMessage;
import org.springframework.ai.chat.model.ChatModel;
import org.springframework.ai.chat.model.ToolContext;
import org.springframework.ai.tool.ToolCallback;
import org.springframework.ai.tool.annotation.ToolParam;
import org.springframework.ai.tool.function.FunctionToolCallback;

import java.util.List;
import java.util.Map;
import java.util.Optional;
import java.util.concurrent.CompletableFuture;
import java.util.function.BiFunction;

import reactor.core.publisher.Flux;

/**
 * Agents Tutorial - agents.md
 */
public class AgentsExample {

	// ==================== 基础模型配置 ====================

	/**
	 * 示例1：基础模型配置
	 */
	public static void basicModelConfiguration() {
		// 创建 DashScope API 实例
		DashScopeApi dashScopeApi = DashScopeApi.builder()
				.apiKey(System.getenv("AI_DASHSCOPE_API_KEY"))
				.build();

		// 创建 ChatModel
		ChatModel chatModel = DashScopeChatModel.builder()
				.dashScopeApi(dashScopeApi)
				.build();

		// 创建 Agent
		ReactAgent agent = ReactAgent.builder()
				.name("my_agent")
				.model(chatModel)
				.build();
	}

	/**
	 * 示例2：高级模型配置
	 */
	public static void advancedModelConfiguration() {
		DashScopeApi dashScopeApi = DashScopeApi.builder()
				.apiKey(System.getenv("AI_DASHSCOPE_API_KEY"))
				.build();

		ChatModel chatModel = DashScopeChatModel.builder()
				.dashScopeApi(dashScopeApi)
				.defaultOptions(DashScopeChatOptions.builder()
						.withTemperature(0.7)      // 控制随机性
						.withMaxToken(2000)       // 最大输出长度
						.withTopP(0.9)            // 核采样参数
						.build())
				.build();
	}

	// ==================== 工具定义 ====================

	public static void toolUsage() {
		DashScopeApi dashScopeApi = DashScopeApi.builder()
				.apiKey(System.getenv("AI_DASHSCOPE_API_KEY"))
				.build();

		ChatModel chatModel = DashScopeChatModel.builder()
				.dashScopeApi(dashScopeApi)
				.build();

		// 创建工具回调
		ToolCallback searchTool = FunctionToolCallback
				.builder("search", new SearchTool())
				.description("搜索信息的工具")
				.inputType(String.class)
				.build();

		// 使用多个工具
		ReactAgent agent = ReactAgent.builder()
				.name("my_agent")
				.model(chatModel)
				.tools(searchTool)
				.build();
	}

	/**
	 * 示例5：基础 System Prompt
	 */
	public static void basicSystemPrompt() {
		DashScopeApi dashScopeApi = DashScopeApi.builder()
				.apiKey(System.getenv("AI_DASHSCOPE_API_KEY"))
				.build();

		ChatModel chatModel = DashScopeChatModel.builder()
				.dashScopeApi(dashScopeApi)
				.build();

		ReactAgent agent = ReactAgent.builder()
				.name("my_agent")
				.model(chatModel)
				.systemPrompt("你是一个专业的技术助手。请准确、简洁地回答问题。")
				.build();
	}

	/**
	 * 示例6：使用 instruction
	 */
	public static void instructionUsage() {
		DashScopeApi dashScopeApi = DashScopeApi.builder()
				.apiKey(System.getenv("AI_DASHSCOPE_API_KEY"))
				.build();

		ChatModel chatModel = DashScopeChatModel.builder()
				.dashScopeApi(dashScopeApi)
				.build();

		String instruction = """
				你是一个经验丰富的软件架构师。
				
				在回答问题时，请：
				1. 首先理解用户的核心需求
				2. 分析可能的技术方案
				3. 提供清晰的建议和理由
				4. 如果需要更多信息，主动询问
				
				保持专业、友好的语气。
				""";

		ReactAgent agent = ReactAgent.builder()
				.name("architect_agent")
				.model(chatModel)
				.instruction(instruction)
				.build();
	}

	// ==================== System Prompt ====================

	public static void dynamicSystemPrompt() {
		DashScopeApi dashScopeApi = DashScopeApi.builder()
				.apiKey(System.getenv("AI_DASHSCOPE_API_KEY"))
				.build();

		ChatModel chatModel = DashScopeChatModel.builder()
				.dashScopeApi(dashScopeApi)
				.build();

		ReactAgent agent = ReactAgent.builder()
				.name("adaptive_agent")
				.model(chatModel)
				.interceptors(new DynamicPromptInterceptor())
				.build();
	}

	/**
	 * 示例8：基础调用
	 */
	public static void basicInvocation() throws GraphRunnerException {
		DashScopeApi dashScopeApi = DashScopeApi.builder()
				.apiKey(System.getenv("AI_DASHSCOPE_API_KEY"))
				.build();

		ChatModel chatModel = DashScopeChatModel.builder()
				.dashScopeApi(dashScopeApi)
				.build();

		ReactAgent agent = ReactAgent.builder()
				.name("my_agent")
				.model(chatModel)
				.build();

		// 字符串输入
		AssistantMessage response = agent.call("杭州的天气怎么样？");
		System.out.println(response.getText());

		// UserMessage 输入
		UserMessage userMessage = new UserMessage("帮我分析这个问题");
		AssistantMessage response2 = agent.call(userMessage);

		// 多个消息
		List<Message> messages = List.of(
				new UserMessage("我想了解 Java 多线程"),
				new UserMessage("特别是线程池的使用")
		);
		AssistantMessage response3 = agent.call(messages);
	}

	/**
	 * 示例9：获取完整状态
	 */
	public static void getFullState() throws GraphRunnerException {
		DashScopeApi dashScopeApi = DashScopeApi.builder()
				.apiKey(System.getenv("AI_DASHSCOPE_API_KEY"))
				.build();

		ChatModel chatModel = DashScopeChatModel.builder()
				.dashScopeApi(dashScopeApi)
				.build();

		ReactAgent agent = ReactAgent.builder()
				.name("my_agent")
				.model(chatModel)
				.build();

		Optional<OverAllState> result = agent.invoke("帮我写一首诗");

		if (result.isPresent()) {
			OverAllState state = result.get();

			// 访问消息历史
			Optional<Object> messages = state.value("messages");
			List<Message> messageList = (List<Message>) messages.get();

			// 访问自定义状态
			Optional<Object> customData = state.value("custom_key");

			System.out.println("完整状态：" + state);
		}
	}

	/**
	 * 示例10：使用配置
	 */
	public static void useConfiguration() throws GraphRunnerException {
		DashScopeApi dashScopeApi = DashScopeApi.builder()
				.apiKey(System.getenv("AI_DASHSCOPE_API_KEY"))
				.build();

		ChatModel chatModel = DashScopeChatModel.builder()
				.dashScopeApi(dashScopeApi)
				.build();

		ReactAgent agent = ReactAgent.builder()
				.name("my_agent")
				.model(chatModel)
				.build();

		String threadId = "thread_123";
		RunnableConfig runnableConfig = RunnableConfig.builder()
				.threadId(threadId)
				.addMetadata("key", "value")
				.build();

		AssistantMessage response = agent.call("你的问题", runnableConfig);
	}

	// ==================== 调用 Agent ====================

	/**
	 * 示例10.1：流式调用 - 基础用法
	 */
	public static void basicStreamInvocation() throws GraphRunnerException {
		DashScopeApi dashScopeApi = DashScopeApi.builder()
				.apiKey(System.getenv("AI_DASHSCOPE_API_KEY"))
				.build();

		ChatModel chatModel = DashScopeChatModel.builder()
				.dashScopeApi(dashScopeApi)
				.build();

		ReactAgent agent = ReactAgent.builder()
				.name("streaming_agent")
				.model(chatModel)
				.build();

		// 流式输出
		Flux<NodeOutput> stream = agent.stream("帮我写一首关于春天的诗");

		stream.subscribe(
				output -> {
					// 处理每个节点输出
					System.out.println("节点: " + output.node());
					System.out.println("Agent: " + output.agent());
					if (output.tokenUsage() != null) {
						System.out.println("Token使用: " + output.tokenUsage());
					}
				},
				error -> System.err.println("错误: " + error.getMessage()),
				() -> System.out.println("流式输出完成")
		);
	}

	/**
	 * 示例10.2：流式调用 - 高级用法
	 */
	public static void advancedStreamInvocation() throws GraphRunnerException {
		DashScopeApi dashScopeApi = DashScopeApi.builder()
				.apiKey(System.getenv("AI_DASHSCOPE_API_KEY"))
				.build();

		ChatModel chatModel = DashScopeChatModel.builder()
				.dashScopeApi(dashScopeApi)
				.build();

		ReactAgent agent = ReactAgent.builder()
				.name("streaming_agent")
				.model(chatModel)
				.saver(new MemorySaver())
				.build();

		RunnableConfig config = RunnableConfig.builder()
				.threadId("stream_thread_1")
				.build();

		// 使用配置的流式调用
		Flux<NodeOutput> stream = agent.stream(new UserMessage("解释一下量子计算"), config);

		// 使用 doOnNext 处理中间输出
		stream.doOnNext(output -> {
					if (!output.isSTART() && !output.isEND()) {
						System.out.println("处理中...");
						System.out.println("当前节点: " + output.node());
					}
				})
				.doOnComplete(() -> System.out.println("所有节点处理完成"))
				.doOnError(e -> System.err.println("流处理错误: " + e.getMessage()))
				.blockLast(); // 阻塞等待完成
	}

	/**
	 * 示例10.3：流式调用 - 收集所有输出
	 */
	public static void collectStreamOutputs() throws GraphRunnerException {
		DashScopeApi dashScopeApi = DashScopeApi.builder()
				.apiKey(System.getenv("AI_DASHSCOPE_API_KEY"))
				.build();

		ChatModel chatModel = DashScopeChatModel.builder()
				.dashScopeApi(dashScopeApi)
				.build();

		ReactAgent agent = ReactAgent.builder()
				.name("streaming_agent")
				.model(chatModel)
				.build();

		Flux<NodeOutput> stream = agent.stream("分析机器学习的应用场景");

		// 收集所有输出
		List<NodeOutput> outputs = stream.collectList().block();

		if (outputs != null) {
			System.out.println("总共收到 " + outputs.size() + " 个节点输出");

			// 获取最终输出
			NodeOutput lastOutput = outputs.get(outputs.size() - 1);
			System.out.println("最终状态: " + lastOutput.state());

			// 获取消息
			Optional<Object> messages = lastOutput.state().value("messages");
			if (messages.isPresent()) {
				List<Message> messageList = (List<Message>) messages.get();
				Message lastMessage = messageList.get(messageList.size() - 1);
				if (lastMessage instanceof AssistantMessage assistantMsg) {
					System.out.println("最终回复: " + assistantMsg.getText());
				}
			}
		}
	}

	public static void structuredOutputWithType() throws GraphRunnerException {
		DashScopeApi dashScopeApi = DashScopeApi.builder()
				.apiKey(System.getenv("AI_DASHSCOPE_API_KEY"))
				.build();

		ChatModel chatModel = DashScopeChatModel.builder()
				.dashScopeApi(dashScopeApi)
				.build();

		ReactAgent agent = ReactAgent.builder()
				.name("poem_agent")
				.model(chatModel)
				.outputType(PoemOutput.class)
				.saver(new MemorySaver())
				.build();

		AssistantMessage response = agent.call("写一首关于春天的诗");
		// 输出会遵循 PoemOutput 的结构
		System.out.println(response.getText());
	}

	/**
	 * 示例12：使用 outputSchema
	 */
	public static void structuredOutputWithSchema() throws GraphRunnerException {
		DashScopeApi dashScopeApi = DashScopeApi.builder()
				.apiKey(System.getenv("AI_DASHSCOPE_API_KEY"))
				.build();

		ChatModel chatModel = DashScopeChatModel.builder()
				.dashScopeApi(dashScopeApi)
				.build();

		String customSchema = """
				请严格按照以下JSON格式返回结果：
				{
					"summary": "内容摘要",
					"keywords": ["关键词1", "关键词2", "关键词3"],
					"sentiment": "情感倾向（正面/负面/中性）",
					"confidence": 0.95
				}
				""";

		ReactAgent agent = ReactAgent.builder()
				.name("analysis_agent")
				.model(chatModel)
				.outputSchema(customSchema)
				.saver(new MemorySaver())
				.build();

		AssistantMessage response = agent.call("分析这段文本：春天来了，万物复苏。");
	}

	/**
	 * 示例13：配置记忆
	 */
	public static void configureMemory() throws GraphRunnerException {
		DashScopeApi dashScopeApi = DashScopeApi.builder()
				.apiKey(System.getenv("AI_DASHSCOPE_API_KEY"))
				.build();

		ChatModel chatModel = DashScopeChatModel.builder()
				.dashScopeApi(dashScopeApi)
				.build();

		// 配置内存存储
		ReactAgent agent = ReactAgent.builder()
				.name("chat_agent")
				.model(chatModel)
				.saver(new MemorySaver())
				.build();

		// 使用 thread_id 维护对话上下文
		RunnableConfig config = RunnableConfig.builder()
				.threadId("user_123")
				.build();

		agent.call("我叫张三", config);
		agent.call("我叫什么名字？", config);  // 输出: "你叫张三"
	}

	// ==================== 结构化输出 ====================

	public static void main(String[] args) {
		System.out.println("=== Agents Tutorial Examples ===");
		System.out.println("注意：需要设置 AI_DASHSCOPE_API_KEY 环境变量\n");

		try {
			System.out.println("\n--- 示例1：基础模型配置 ---");
			basicModelConfiguration();

			System.out.println("\n--- 示例2：高级模型配置 ---");
			advancedModelConfiguration();

			System.out.println("\n--- 示例3：工具使用 ---");
			toolUsage();

			System.out.println("\n--- 示例5：基础 System Prompt ---");
			basicSystemPrompt();

			System.out.println("\n--- 示例6：使用 instruction ---");
			instructionUsage();

			System.out.println("\n--- 示例7：动态 System Prompt ---");
			dynamicSystemPrompt();

			System.out.println("\n--- 示例8：基础调用 ---");
			basicInvocation();

			System.out.println("\n--- 示例9：获取完整状态 ---");
			getFullState();

			System.out.println("\n--- 示例10：使用配置 ---");
			useConfiguration();

			System.out.println("\n--- 示例10.1：流式调用 - 基础用法 ---");
			basicStreamInvocation();

			System.out.println("\n--- 示例10.2：流式调用 - 高级用法 ---");
			advancedStreamInvocation();

			System.out.println("\n--- 示例10.3：流式调用 - 收集所有输出 ---");
			collectStreamOutputs();

			System.out.println("\n--- 示例11：使用 outputType ---");
			structuredOutputWithType();

			System.out.println("\n--- 示例12：使用 outputSchema ---");
			structuredOutputWithSchema();

			System.out.println("\n--- 示例13：配置记忆 ---");
			configureMemory();

			System.out.println("\n=== 所有示例执行完成 ===");
		}
		catch (GraphRunnerException e) {
			System.err.println("执行示例时发生错误: " + e.getMessage());
			e.printStackTrace();
		}
		catch (Exception e) {
			System.err.println("发生未预期的错误: " + e.getMessage());
			e.printStackTrace();
		}
	}

	/**
	 * 示例3：定义和使用工具
	 */
	public static class SearchTool implements BiFunction<String, ToolContext, String> {
		@Override
		public String apply(
				@ToolParam(description = "搜索关键词") String query,
				ToolContext toolContext) {
			return "搜索结果：" + query;
		}
	}

	/**
	 * 示例4：工具错误处理
	 */
	public static class ToolErrorInterceptor extends ToolInterceptor {
		@Override
		public ToolCallResponse interceptToolCall(ToolCallRequest request, ToolCallHandler handler) {
			try {
				return handler.call(request);
			}
			catch (Exception e) {
				return ToolCallResponse.of(request.getToolCallId(), request.getToolName(),
						"Tool failed: " + e.getMessage());
			}
		}

		@Override
		public String getName() {
			return "ToolErrorInterceptor";
		}
	}

	// ==================== Memory ====================

	/**
	 * 示例7：动态 System Prompt
	 */
	public static class DynamicPromptInterceptor extends ModelInterceptor {
		@Override
		public ModelResponse interceptModel(ModelRequest request, ModelCallHandler handler) {
			// 基于上下文动态调整 system prompt
			Map<String, Object> context = request.getContext();

			// 根据上下文构建动态提示词
			String dynamicPrompt = buildDynamicPrompt(context);

			// 增强 system message
			SystemMessage enhancedSystemMessage;
			if (request.getSystemMessage() == null) {
				enhancedSystemMessage = new SystemMessage(dynamicPrompt);
			}
			else {
				enhancedSystemMessage = new SystemMessage(
						request.getSystemMessage().getText() + "\n\n" + dynamicPrompt
				);
			}

			// 创建增强的请求
			ModelRequest modifiedRequest = ModelRequest.builder(request)
					.systemMessage(enhancedSystemMessage)
					.build();

			return handler.call(modifiedRequest);
		}

		private String buildDynamicPrompt(Map<String, Object> context) {
			// 示例：根据用户角色动态生成提示词
			String userRole = (String) context.getOrDefault("user_role", "default");

			return switch (userRole) {
				case "expert" -> """
						你正在与技术专家对话。
						- 使用专业术语
						- 深入技术细节
						- 提供高级建议
						""";
				case "beginner" -> """
						你正在与初学者对话。
						- 使用简单易懂的语言
						- 详细解释概念
						- 提供入门级建议
						""";
				default -> """
						你是一个专业的助手。
						- 根据问题复杂度调整回答
						- 保持友好和专业
						""";
			};
		}

		@Override
		public String getName() {
			return "DynamicPromptInterceptor";
		}
	}

	// ==================== Hooks ====================

	/**
	 * 示例11：使用 outputType
	 */
	public static class PoemOutput {
		private String title;
		private String content;
		private String style;

		// Getters and Setters
		public String getTitle() {
			return title;
		}

		public void setTitle(String title) {
			this.title = title;
		}

		public String getContent() {
			return content;
		}

		public void setContent(String content) {
			this.content = content;
		}

		public String getStyle() {
			return style;
		}

		public void setStyle(String style) {
			this.style = style;
		}
	}

	/**
	 * 示例14：AgentHook - 在 Agent 开始/结束时执行
	 */
	public static class LoggingHook extends AgentHook {
		@Override
		public String getName() {
			return "logging";
		}

		@Override
		public HookPosition[] getHookPositions() {
			return new HookPosition[] {
					HookPosition.BEFORE_AGENT,
					HookPosition.AFTER_AGENT
			};
		}

		@Override
		public CompletableFuture<Map<String, Object>> beforeAgent(OverAllState state, RunnableConfig config) {
			System.out.println("Agent 开始执行");
			return CompletableFuture.completedFuture(Map.of());
		}

		@Override
		public CompletableFuture<Map<String, Object>> afterAgent(OverAllState state, RunnableConfig config) {
			System.out.println("Agent 执行完成");
			return CompletableFuture.completedFuture(Map.of());
		}
	}

	// ==================== Interceptors ====================

	/**
	 * 示例15：ModelHook - 在模型调用前后执行
	 */
	public static class MessageTrimmingHook extends ModelHook {
		private static final int MAX_MESSAGES = 10;

		@Override
		public String getName() {
			return "message_trimming";
		}

		@Override
		public HookPosition[] getHookPositions() {
			return new HookPosition[] {HookPosition.BEFORE_MODEL};
		}

		@Override
		public CompletableFuture<Map<String, Object>> beforeModel(OverAllState state, RunnableConfig config) {
			Optional<Object> messagesOpt = state.value("messages");
			if (messagesOpt.isPresent()) {
				List<Message> messages = (List<Message>) messagesOpt.get();
				if (messages.size() > MAX_MESSAGES) {
					return CompletableFuture.completedFuture(Map.of("messages",
							messages.subList(messages.size() - MAX_MESSAGES, messages.size())));
				}
			}
			return CompletableFuture.completedFuture(Map.of());
		}

		@Override
		public CompletableFuture<Map<String, Object>> afterModel(OverAllState state, RunnableConfig config) {
			return CompletableFuture.completedFuture(Map.of());
		}
	}

	/**
	 * 示例16：ModelInterceptor - 内容安全检查
	 */
	public static class GuardrailInterceptor extends ModelInterceptor {
		@Override
		public ModelResponse interceptModel(ModelRequest request, ModelCallHandler handler) {
			// 前置：检查输入
			if (containsSensitiveContent(request.getMessages())) {
				return ModelResponse.of(new AssistantMessage("检测到不适当的内容"));
			}

			// 执行调用
			ModelResponse response = handler.call(request);

			// 后置：检查输出
			return sanitizeIfNeeded(response);
		}

		private boolean containsSensitiveContent(List<Message> messages) {
			// 实现敏感内容检测逻辑
			return false;
		}

		private ModelResponse sanitizeIfNeeded(ModelResponse response) {
			// 实现响应清理逻辑
			return response;
		}

		@Override
		public String getName() {
			return "GuardrailInterceptor";
		}
	}

	// ==================== Main 方法 ====================

	/**
	 * 示例17：ToolInterceptor - 监控和错误处理
	 */
	public static class ToolMonitoringInterceptor extends ToolInterceptor {
		@Override
		public ToolCallResponse interceptToolCall(ToolCallRequest request, ToolCallHandler handler) {
			long startTime = System.currentTimeMillis();
			try {
				ToolCallResponse response = handler.call(request);
				logSuccess(request, System.currentTimeMillis() - startTime);
				return response;
			}
			catch (Exception e) {
				logError(request, e, System.currentTimeMillis() - startTime);
				return ToolCallResponse.of(request.getToolCallId(), request.getToolName(),
						"工具执行遇到问题，请稍后重试");
			}
		}

		private void logSuccess(ToolCallRequest request, long duration) {
			System.out.println("Tool " + request.getToolName() + " succeeded in " + duration + "ms");
		}

		private void logError(ToolCallRequest request, Exception e, long duration) {
			System.err.println("Tool " + request.getToolName() + " failed in " + duration + "ms: " + e.getMessage());
		}

		@Override
		public String getName() {
			return "ToolMonitoringInterceptor";
		}
	}
}

5.2 执行结果

复制代码

=== Agents Tutorial Examples ===
注意：需要设置 AI_DASHSCOPE_API_KEY 环境变量


--- 示例1：基础模型配置 ---

--- 示例2：高级模型配置 ---

--- 示例3：工具使用 ---

--- 示例5：基础 System Prompt ---

--- 示例6：使用 instruction ---

--- 示例7：动态 System Prompt ---

--- 示例8：基础调用 ---
我目前无法获取实时天气信息。建议您通过可靠的天气预报网站或应用（如中国气象局、中央气象台、天气通、墨迹天气等）查询杭州当前的天气情况。通常这些平台会提供温度、湿度、风力、空气质量以及未来几天的天气趋势等详细信息。

如果您告诉我具体想了解的时间段（比如今天、明天或未来一周），我可以帮您分析一般情况下杭州那个时段的气候特点。

--- 示例9：获取完整状态 ---
完整状态：{"OverAllState":{"data":{"input":"帮我写一首诗","messages":[{"messageType":"USER","metadata":{"messageType":"USER"},"media":[],"text":"帮我写一首诗"},{"messageType":"ASSISTANT","metadata":{"search_info":"","role":"ASSISTANT","messageType":"ASSISTANT","finishReason":"STOP","id":"4fac813d-4144-4811-a0ff-9c3fc98478d9","reasoningContent":""},"toolCalls":[],"media":[],"text":"春风拂柳绿成行，  \n细雨轻沾花自香。  \n燕语呢喃穿旧巷，  \n蝶影翩跹过矮墙。  \n\n远山含黛云作裳，  \n流水潺潺入梦长。  \n不问人间纷扰事，  \n一壶清酒醉斜阳。"}]}}}

--- 示例10：使用配置 ---

--- 示例10.1：流式调用 - 基础用法 ---
节点: __START__
Agent: streaming_agent

--- 示例10.2：流式调用 - 高级用法 ---
处理中...
当前节点: model
处理中...
当前节点: model
节点: model
Agent: streaming_agent
Token使用: DefaultUsage{promptTokens=15, completionTokens=1, totalTokens=16}
处理中...
当前节点: model
节点: model
Agent: streaming_agent
Token使用: DefaultUsage{promptTokens=15, completionTokens=3, totalTokens=18}

（中间省略...）

节点: model
Agent: streaming_agent
Token使用: DefaultUsage{promptTokens=15, completionTokens=103, totalTokens=118}
节点: __END__
Agent: streaming_agent
流式输出完成
处理中...
当前节点: model
处理中...

（中间省略...）


当前节点: model
所有节点处理完成

--- 示例10.3：流式调用 - 收集所有输出 ---
总共收到 246 个节点输出
最终状态: {"OverAllState":{"data":{"input":"分析机器学习的应用场景","messages":[{"messageType":"USER","metadata":{"messageType":"USER"},"media":[],"text":"分析机器学习的应用场景"},{"messageType":"ASSISTANT","metadata":{"search_info":"","role":"ASSISTANT","messageType":"ASSISTANT","finishReason":"STOP","id":"54b1fea9-c981-4580-9bc2-5a9358d1f584","reasoningContent":""},"toolCalls":[],"media":[],"text":"机器学习（Machine Learning, ML）作为人工智能的核心技术之一，已在众多领域展现出强大的应用潜力。它通过从数据中自动学习模式和规律，实现预测、分类、聚类、推荐等功能。以下是机器学习的主要应用场景分析：\n\n---\n\n### 1. **互联网与电子商务**\n- **个性化推荐系统**  \n  如电商网站（淘宝、京东）、视频平台（Netflix、YouTube）利用协同过滤、深度学习等算法为用户推荐商品或内容。\n- **搜索引擎优化**  \n  通过自然语言处理（NLP）和排序学习（Learning to Rank）提升搜索结果的相关性。\n- **广告投放与点击率预测**  \n  利用机器学习模型预测用户对广告的点击概率，实现精准营销。\n\n---\n\n### 2. **金融科技（FinTech）**\n- **信用评分与风控**  \n  基于用户历史行为、交易记录等数据构建信用评估模型，判断贷款违约风险。\n- **欺诈检测**  \n  使用异常检测算法识别信用卡盗刷、洗钱等异常交易行为。\n- **股票市场预测与量化交易**  \n  利用时间序列分析、强化学习等方法辅助投资决策（需注意市场不确定性）。\n\n---\n\n### 3. **医疗健康**\n- **疾病诊断与辅助决策**  \n  图像识别用于医学影像分析（如X光、CT、MRI），辅助医生诊断癌症、肺炎等疾病。\n- **基因组学与药物研发**  \n  分析基因序列数据，发现致病基因；加速新药分子筛选过程。\n- **健康监测与预测**  \n  可穿戴设备结合机器学习预测心律失常、糖尿病并发症等。\n\n---\n\n### 4. **智能制造与工业自动化**\n- **预测性维护（Predictive Maintenance）**  \n  分析传感器数据预测设备故障，减少停机时间和维修成本。\n- **质量控制**  \n  利用计算机视觉检测产品缺陷（如芯片、汽车零部件）。\n- **生产流程优化**  \n  通过强化学习或回归模型优化参数配置，提高生产效率。\n\n---\n\n### 5. **交通运输与自动驾驶**\n- **智能交通管理**  \n  预测交通流量、优化信号灯控制，缓解拥堵。\n- **自动驾驶**  \n  感知（目标检测、语义分割）、决策（路径规划）、控制（动作执行）均依赖深度学习与强化学习。\n- **路径规划与物流优化**  \n  快递配送路线优化、网约车调度等使用图神经网络或运筹学结合ML的方法。\n\n---\n\n### 6. **自然语言处理（NLP）**\n- **语音识别与合成**  \n  如Siri、小爱同学等智能助手背后的语音转文字、文字转语音技术。\n- **机器翻译**  \n  Google Translate、DeepL 等基于Transformer架构实现高质量翻译。\n- **情感分析与舆情监控**  \n  分析社交媒体评论、新闻文本中的情绪倾向，用于品牌管理或政策制定。\n\n---\n\n### 7. **教育科技（EdTech）**\n- **个性化学习路径推荐**  \n  根据学生的学习行为和成绩推荐适合的学习资源。\n- **智能阅卷与作业批改**  \n  自动批改选择题、填空题甚至作文（结合NLP）。\n- **学习效果预测**  \n  预测学生是否可能挂科，提前干预。\n\n---\n\n### 8. **农业与环境科学**\n- **精准农业**  \n  利用遥感图像和气象数据预测作物产量、病虫害风险。\n- **气候建模与灾害预警**  \n  分析气候变化趋势，预测洪水、干旱等自然灾害。\n- **土壤与水质分析**  \n  传感器数据结合模型评估土地适宜性或污染程度。\n\n---\n\n### 9. **安全与安防**\n- **人脸识别与身份验证**  \n  广泛应用于门禁系统、支付验证、公共安全监控。\n- **网络安全威胁检测**  \n  检测恶意软件、DDoS攻击、异常登录行为等。\n- **视频监控智能分析**  \n  行为识别（如跌倒、打架）、人群密度监测等。\n\n---\n\n### 10. **娱乐与创意产业**\n- **内容生成（AIGC）**  \n  文本生成（如ChatGPT）、图像生成（如Stable Diffusion）、音乐创作等。\n- **游戏AI**  \n  NPC智能行为设计、游戏平衡性调优、玩家行为预测。\n- **影视特效与后期制作**  \n  深度伪造（Deepfake）、自动剪辑、画质增强等。\n\n---\n\n## 总结：机器学习应用的关键特点\n\n| 特点 | 说明 |\n|------|------|\n| **数据驱动** | 所有应用都依赖大量高质量数据 |\n| **自动化决策** | 减少人工干预，提升效率 |\n| **可扩展性强** | 模型一旦训练完成，可快速部署到多个场景 |\n| **持续优化** | 支持在线学习，随时间不断改进性能 |\n\n---\n\n## 挑战与注意事项\n- 数据隐私与伦理问题（如人脸识别滥用）\n- 模型可解释性不足（"黑箱"问题）\n- 过拟合与泛化能力差\n- 对标注数据的依赖高\n- 计算资源消耗大\n\n---\n\n随着算法进步（如大模型、自监督学习）、算力提升和数据积累，机器学习的应用场景将持续拓展，逐步渗透到社会生活的方方面面，推动智能化转型。未来，跨学科融合（如生物+AI、法律+AI）将成为新的增长点。"}]}}}
最终回复: 机器学习（Machine Learning, ML）作为人工智能的核心技术之一，已在众多领域展现出强大的应用潜力。它通过从数据中自动学习模式和规律，实现预测、分类、聚类、推荐等功能。以下是机器学习的主要应用场景分析：

---

### 1. **互联网与电子商务**
- **个性化推荐系统**
  如电商网站（淘宝、京东）、视频平台（Netflix、YouTube）利用协同过滤、深度学习等算法为用户推荐商品或内容。
- **搜索引擎优化**
  通过自然语言处理（NLP）和排序学习（Learning to Rank）提升搜索结果的相关性。
- **广告投放与点击率预测**
  利用机器学习模型预测用户对广告的点击概率，实现精准营销。

---

### 2. **金融科技（FinTech）**
- **信用评分与风控**
  基于用户历史行为、交易记录等数据构建信用评估模型，判断贷款违约风险。
- **欺诈检测**
  使用异常检测算法识别信用卡盗刷、洗钱等异常交易行为。
- **股票市场预测与量化交易**
  利用时间序列分析、强化学习等方法辅助投资决策（需注意市场不确定性）。

---

### 3. **医疗健康**
- **疾病诊断与辅助决策**
  图像识别用于医学影像分析（如X光、CT、MRI），辅助医生诊断癌症、肺炎等疾病。
- **基因组学与药物研发**
  分析基因序列数据，发现致病基因；加速新药分子筛选过程。
- **健康监测与预测**
  可穿戴设备结合机器学习预测心律失常、糖尿病并发症等。

---

### 4. **智能制造与工业自动化**
- **预测性维护（Predictive Maintenance）**
  分析传感器数据预测设备故障，减少停机时间和维修成本。
- **质量控制**
  利用计算机视觉检测产品缺陷（如芯片、汽车零部件）。
- **生产流程优化**
  通过强化学习或回归模型优化参数配置，提高生产效率。

---

### 5. **交通运输与自动驾驶**
- **智能交通管理**
  预测交通流量、优化信号灯控制，缓解拥堵。
- **自动驾驶**
  感知（目标检测、语义分割）、决策（路径规划）、控制（动作执行）均依赖深度学习与强化学习。
- **路径规划与物流优化**
  快递配送路线优化、网约车调度等使用图神经网络或运筹学结合ML的方法。

---

### 6. **自然语言处理（NLP）**
- **语音识别与合成**
  如Siri、小爱同学等智能助手背后的语音转文字、文字转语音技术。
- **机器翻译**
  Google Translate、DeepL 等基于Transformer架构实现高质量翻译。
- **情感分析与舆情监控**
  分析社交媒体评论、新闻文本中的情绪倾向，用于品牌管理或政策制定。

---

### 7. **教育科技（EdTech）**
- **个性化学习路径推荐**
  根据学生的学习行为和成绩推荐适合的学习资源。
- **智能阅卷与作业批改**
  自动批改选择题、填空题甚至作文（结合NLP）。
- **学习效果预测**
  预测学生是否可能挂科，提前干预。

---

### 8. **农业与环境科学**
- **精准农业**
  利用遥感图像和气象数据预测作物产量、病虫害风险。
- **气候建模与灾害预警**
  分析气候变化趋势，预测洪水、干旱等自然灾害。
- **土壤与水质分析**
  传感器数据结合模型评估土地适宜性或污染程度。

---

### 9. **安全与安防**
- **人脸识别与身份验证**
  广泛应用于门禁系统、支付验证、公共安全监控。
- **网络安全威胁检测**
  检测恶意软件、DDoS攻击、异常登录行为等。
- **视频监控智能分析**
  行为识别（如跌倒、打架）、人群密度监测等。

---

### 10. **娱乐与创意产业**
- **内容生成（AIGC）**
  文本生成（如ChatGPT）、图像生成（如Stable Diffusion）、音乐创作等。
- **游戏AI**
  NPC智能行为设计、游戏平衡性调优、玩家行为预测。
- **影视特效与后期制作**
  深度伪造（Deepfake）、自动剪辑、画质增强等。

---

## 总结：机器学习应用的关键特点

| 特点 | 说明 |
|------|------|
| **数据驱动** | 所有应用都依赖大量高质量数据 |
| **自动化决策** | 减少人工干预，提升效率 |
| **可扩展性强** | 模型一旦训练完成，可快速部署到多个场景 |
| **持续优化** | 支持在线学习，随时间不断改进性能 |

---

## 挑战与注意事项
- 数据隐私与伦理问题（如人脸识别滥用）
- 模型可解释性不足（"黑箱"问题）
- 过拟合与泛化能力差
- 对标注数据的依赖高
- 计算资源消耗大

---

随着算法进步（如大模型、自监督学习）、算力提升和数据积累，机器学习的应用场景将持续拓展，逐步渗透到社会生活的方方面面，推动智能化转型。未来，跨学科融合（如生物+AI、法律+AI）将成为新的增长点。

--- 示例11：使用 outputType ---
{
  "content": "春风拂面柳轻摇，\n细雨润花影自娇。\n燕语呢喃穿翠幕，\n桃红李白满山腰。\n溪流欢唱冰初解，\n草色遥看近却寥。\n最是一年光好处，\n踏青何必远寻桥。",
  "style": "五言律诗",
  "title": "春日即景"
}

--- 示例12：使用 outputSchema ---

--- 示例13：配置记忆 ---

=== 所有示例执行完成 ===

5. 执行上下文分析（来自 AgentsExample_执行结果.txt）

从你提供的 classpath 可确认依赖版本：

spring-ai-alibaba-graph-core-1.1.0.0-M5.jar
spring-ai-alibaba-starter-a2a-nacos-1.1.0.0-M5.jar
dashscope-api 相关组件

这表明示例运行在 Spring AI Alibaba 1.1.0.0-M5 版本，与 Spring Boot 3.5.7 兼容，符合当前最新预发布版特性。

6. 生产建议

内存存储替换 ：MemorySaver 仅用于演示，生产环境应接入 Redis 或数据库。
工具幂等性：确保工具函数可重试、无副作用。
Token 监控 ：通过 NodeOutput.tokenUsage() 控制成本。
错误熔断 ：在 ToolInterceptor 中实现重试或降级策略。

7. 结语

Spring AI Alibaba 的 Agent 能力，将大模型从"聊天机器人"升级为"可编程智能体"。通过声明式 API 与丰富的扩展点，开发者可以快速构建复杂 AI 应用，而无需深陷 LLM 底层细节。

📝 动手建议：

运行 AgentsExample.java 主方法，观察各示例输出

尝试替换 SearchTool 为真实 API（如天气查询）

在 DynamicPromptInterceptor 中加入用户画像逻辑

8. 福利资源

📦 完整示例代码及执行结果已上传至附件
📚 Spring-AI-Alibaba官方文档：https://java2ai.com/docs/quick-start
🎁 免费额度：阿里云百炼平台提供 Qwen API 免费调用额度。可在注册/登录后，开通大模型服务获取

📝 版权声明 ：本文为原创，遵循 CC 4.0 BY-SA 协议。转载请附原文链接及本声明。

🔖 关键词：#SpringAI #AlibabaCloud #Agent #智能体 #ReAct #AI微服务 #JavaAI #Qwen