基于Spring AI Alibaba的监督者模式实践

在开发 AI Agent 应用时，我们经常遇到用户的一个请求可能涉及多个操作，比如"安排会议并发送邮件提醒"。传统的做法是在代码中硬编码调用顺序，但这样缺乏灵活性。如果用户说"先发邮件再安排会议"呢？或者"如果会议冲突，改到第二天并通知所有人"，硬编码的逻辑就会瞬间崩塌。

本文将深入探讨如何利用 Spring AI Alibaba 框架实现监督者模式。我们将构建一个智能个人助理，让大语言模型担任"管家"角色，动态感知上下文、拆解任务并路由给专业的子Agent，实现真正的智能编排。

1.什么是监督者模式

监督者模式是一种多智能体（Multi-Agent）架构模式。其核心思想是引入一个中心化的监督者Agent，它不直接处理具体业务，而是负责：

接收意图：理解用户的复杂指令。
动态路由：根据当前状态，决定调用哪个子Agent（作为工具）。
循环决策：子Agent执行后返回结果，监督者根据结果决定是"继续下一步"还是"结束任务"。

传统硬编码工作流是显式的代码逻辑，灵活性很低，只适合流程固定、确定性高的任务；监督者模式是LLM自主决策，灵活性很高，修改提示词就能调整行为，还可以基于错误信息自主决定重试或切换，非常适合那些流程多变的场景。

在新版 Spring AI Alibaba 中，监督者模式通常通过将子Agent封装为工具来实现。

Supervisor Agent ：持有 ReactAgent 实例，并配置 AgentTool。
Sub-Agent ：独立的 ReactAgent，拥有自己的 System Prompt 和专用工具。
交互机制：监督者通过函数调用触发子Agent，子Agent执行完毕后，将结果作为工具调用的返回值返回给监督者，形成闭环。

2.构建智能个人助理

我们将实现一个场景：用户请求"下周二下午2点与设计团队开会1小时，并给他们发邮件提醒审查新模型"。这涉及日程管理 和邮件发送两个领域。

环境准备

xml 复制代码

<dependencies>
    <dependency>
        <groupId>com.alibaba.cloud.ai</groupId>
        <artifactId>spring-ai-alibaba-agent-framework</artifactId>
        <version>1.1.2.2</version>
    </dependency>
    <dependency>
        <groupId>com.alibaba.cloud.ai</groupId>
        <artifactId>spring-ai-alibaba-starter-dashscope</artifactId>
        <version>1.1.2.2</version>
    </dependency>
</dependencies>

定义子Agent

java 复制代码

@Configuration
public class SupervisorConfig {

    // 1. 日程助手：专注于时间解析和日历操作
    private static final String CALENDAR_AGENT_PROMPT = """
            你是一名日程安排助手。
            职责：将自然语言形式的调度请求（如"下周二下午 2 点"）解析为 ISO 日期时间格式。
            工具：使用"get_available_time_slots"检查空闲时间，使用"create_calendar_event"创建事件。
            输出：在最终回复中一定要确认所安排的事项细节。
            """;

    // 2. 邮件助手：专注于内容撰写和发送
    private static final String EMAIL_AGENT_PROMPT = """
            你是一名专业的电子邮件助手。
            职责：根据自然语言请求撰写商务邮件。
            工具：提取收件人，设计主题和正文，使用"send_email"发送。
            输出：在最终回复中一定要确认邮件已发送及内容摘要。
            """;

    @Bean
    public ReactAgent calendarAgent(CalendarStubTools tools) {
        return ReactAgent.builder()
                .name("schedule_event")
                .description("用于安排日历事件的专家")
                .systemPrompt(CALENDAR_AGENT_PROMPT)
                .model(chatModel) // 注入 ChatModel
                .tools(tools.getTools()) // 注入具体API工具
                .inputType(String.class)
                .build();
    }

    @Bean
    public ReactAgent emailAgent(EmailStubTools tools) {
        return ReactAgent.builder()
                .name("manage_email")
                .description("用于发送电子邮件的专家")
                .systemPrompt(EMAIL_AGENT_PROMPT)
                .model(chatModel)
                .tools(tools.getTools())
                .inputType(String.class)
                .build();
    }
}

构建监督者Agent

java 复制代码

@Bean
public ReactAgent supervisorAgent(
        @Qualifier("calendarAgent") ReactAgent calendarAgent,
        @Qualifier("emailAgent") ReactAgent emailAgent,
        MemorySaver memorySaver) {
    
    return ReactAgent.builder()
            .name("personal_assistant")
            .systemPrompt("""
                    你是一个乐于助人的个人助理管家。
                    你可以协调"日程助手"和"邮件助手"来完成用户请求。
                    
                    执行策略：
                    1. 分析用户请求，如果涉及多个步骤（如先开会后发邮件），请按顺序依次调用工具。
                    2. 如果子Agent返回信息不足（如缺少参会人），请直接向用户追问，不要编造信息。
                    3. 只有当所有子任务都完成后，才向用户输出最终结果。
                    """)
            .model(chatModel)
            .saver(memorySaver) // 必须配置 MemorySaver 以保持多轮对话上下文
            .tools(
                    // 关键点：将子Agent包装为工具，让监督者"看见"并调用它们
                    AgentTool.getFunctionToolCallback(calendarAgent),
                    AgentTool.getFunctionToolCallback(emailAgent)
            )
            .build();
}

测试验证

java 复制代码

@Test
void testSupervisorWorkflow() {
    String complexQuery = """
            请于下周二下午 2 点安排一次与设计团队的会议，时长 1 小时，
            并给他们发送一封电子邮件以提醒他们对新的模型进行审查。
            """;
    
    // 调用监督者
    AssistantMessage response = supervisorAgent.call(new UserMessage(complexQuery));
    log.info("最终回复: {}", response.getText());
}

3.日志解析

通过日志，我们可以清晰地看到监督者是如何"思考"和"行动"的。

场景一：信息不足时的反问机制

用户输入："安排明天上午 9 点的团队站立会议"

时间戳	日志级别	关键内容	流程解析
15:13:16	INFO	User request: 安排明天上午...	步骤1：接收输入。监督者接收指令。
15:13:17	DEBUG	ASSISTANT toolCalls=[schedule_event(...)]	步骤2：决策路由。监督者判断需要日程助手，生成工具调用。
15:13:20	DEBUG	TOOL role=TOOL, name=schedule_event, content="需要参会人邮箱..."	步骤3：子Agent执行。子Agent发现缺少关键参数（参会人），返回询问信息。
15:13:23	INFO	Assistant: 为了帮您准确安排...需要确认参会人...	步骤4：反馈用户。监督者收到子Agent的"询问"，没有强行结束，而是将问题转达给用户。

洞察：监督者模式不仅仅是执行，还能处理异常流。子Agent的"反问"被监督者正确识别并传递给用户，实现了多轮对话的闭环。

3.2 场景二：多步骤复杂任务串联（完整流程）

阶段1：监督者接收第二个请求（含历史上下文）

行号	时间戳	日志内容	监督者模式流程对应
6	15:13:23.003	`INFO - User request: 请于下周二下午 2 点安排一次与设计团队的会议，会时长 1 小时，并给他们发送一封电子邮件...`	步骤1：监督者接收新用户输入（同时保留历史对话）

阶段2：第一次路由 → schedule_event

行号	时间戳	日志内容	监督者模式流程对应
7	15:13:26.305	`DEBUG - ASSISTANT toolCalls=[ToolCall[name=schedule_event, arguments={"input": "下周二下午 2 点与设计团队开会，时长 1 小时"}]]`	步骤2：LLM分析后，决定先调用schedule_event
8	15:13:27.085	`DEBUG - Response 200 OK`	子Agent执行中
9	15:13:28.919	`DEBUG - TOOL role=TOOL, name=schedule_event, content="已为您安排会议：主题：与设计团队开会时间：下周二（2024年1月16日）下午2:00-3:00"`	步骤3：schedule_event执行完成，返回监督者

阶段3：第二次路由 → manage_email

行号	时间戳	日志内容	监督者模式流程对应
10	15:13:36.761	`DEBUG - ASSISTANT toolCalls=[ToolCall[name=manage_email, arguments={"input": "给设计团队发送一封邮件，提醒他们对新的模型进行审查。会议定于下周二下午 2 点。"}]]`	步骤2（第二次）：监督者根据前序结果，决定调用manage_email
11	15:13:37.313	`DEBUG - Response 200 OK`	子Agent执行中
12	15:13:38.547	`DEBUG - TOOL role=TOOL, name=manage_email, content="邮件已成功发送给设计团队..."`	步骤3（第二次）：manage_email执行完成，返回监督者

阶段4：监督者输出最终结果

行号	时间戳	日志内容	监督者模式流程对应
13	15:13:40.480	`INFO - Assistant: 任务已完成：1.会议安排 2.邮件发送`	步骤4：监督者判断所有任务完成，输出FINISH

我们基于 Spring AI Alibaba 的监督者模式实现了控制流与业务逻辑的解耦，利用 LLM 的推理能力处理不确定性。通过 ReactAgent 和 AgentTool 的组合，我们仅需少量代码即可构建出具备多步规划 、上下文记忆 和异常处理能力的智能系统。这种模式特别适合企业级应用中的复杂助手场景，如IT运维自动化工单处理、智能客服工单流转等。