用 Spring AI Alibaba JManus 构建零售智能客服工单系统：从 0 到日处理 10 万单

技术栈：Spring AI Alibaba 1.2 · JManus 0.9 · Qwen3 · Redis 7.0 · MySQL 8.0

场景：电商零售客服工单自动化处理

关键指标：客服响应效率提升 40%，人工干预率降低 30%，日处理 10 万+ 工单

一、为什么零售行业需要 AI 工单系统

每逢大促，零售平台客服部门都会经历一场硬仗：数以万计的用户同时涌来，咨询物流进度、申请退款、反映商品质量问题。传统处理模式有三个致命缺陷：

任务耦合：一个客服系统同时处理分类、查询、退款、通知，业务逻辑深度耦合，改动一处、全盘受影响。

状态丢失：用户描述一半、换个渠道继续说，对话上下文断掉，客服需要反复确认，体验极差。

服务孤岛：物流系统、支付系统、ERP 各自独立，人工要在多个后台之间来回切换，效率极低。

JManus 的多智能体协作架构恰好对症下药------用 Planning Agent 拆分复合任务，用 Redis 持久化对话状态，用 MCP 协议打通异构服务。

二、整体架构设计

系统由四类 Agent 协作完成工单处理全流程：

markdown 复制代码

用户消息
    │
    ▼
Planning Agent（任务路由与分解）
    ├──► ClassifierAgent（工单分类 + 优先级判定）
    ├──► LogisticsAgent（物流查询 + 异常处理）
    ├──► RefundAgent（退款审核 + 资金操作）
    └──► NotifyAgent（短信/钉钉通知 + 工单归档）

Planning Agent 接收原始用户消息，自动拆分成子任务并分配给专业 Agent，各 Agent 并发执行后汇总结果，整个过程状态持久化在 Redis 中。

三、环境准备

3.1 依赖版本

组件	版本
JDK	17+
Spring Boot	3.3.x
Spring AI Alibaba	1.2.x
JManus	0.9.x
Redis	7.0+
MySQL	8.0+

3.2 Maven 依赖

xml 复制代码

<dependencies>
    <!-- Spring AI Alibaba 核心 -->
    <dependency>
        <groupId>com.alibaba.cloud.ai</groupId>
        <artifactId>spring-ai-alibaba-starter-dashscope</artifactId>
        <version>1.2.0</version>
    </dependency>

    <!-- JManus 智能体框架 -->
    <dependency>
        <groupId>com.alibaba.cloud.ai</groupId>
        <artifactId>spring-ai-alibaba-jmanus</artifactId>
        <version>0.9.0</version>
    </dependency>

    <!-- Redis 状态持久化 -->
    <dependency>
        <groupId>org.springframework.boot</groupId>
        <artifactId>spring-boot-starter-data-redis</artifactId>
    </dependency>

    <!-- 监控 -->
    <dependency>
        <groupId>io.micrometer</groupId>
        <artifactId>micrometer-registry-prometheus</artifactId>
    </dependency>
</dependencies>

3.3 生产环境配置

yaml 复制代码

# application-prod.yml
spring:
  ai:
    alibaba:
      api-key: ${DASHSCOPE_API_KEY}
      chat:
        options:
          model: qwen3-72b-instruct
  jmanus:
    max-retries: 3
    timeout: 5000ms
    memory-store: redis
    thread-pool:
      core-size: 20
      max-size: 100
      queue-capacity: 200
  redis:
    host: redis-cluster.prod
    port: 6379
    password: ${REDIS_PWD}
    timeout: 2000ms
  datasource:
    url: jdbc:mysql://mysql.prod:3306/retail_agent
    username: ${DB_USER}
    password: ${DB_PWD}

四、核心代码实现

4.1 客服工单 Agent 定义

这是整个系统的核心 Bean，定义了 Agent 的行为规则、工具链和记忆存储：

typescript 复制代码

@Configuration
public class CustomerServiceAgentConfig {

    @Bean
    @Description("电商客服工单智能体")
    public Agent customerServiceAgent(
            ChatClient chatClient,
            ToolExecutor toolExecutor,
            RedisTemplate<String, Object> redisTemplate) {

        return new Agent.Builder()
            .withSystemPrompt("""
                您是企业级电商客服智能体，严格遵守以下规则：
                1. 工单分类：一级分类 [物流 | 质量 | 售后 | 支付]
                2. 优先级算法：涉及金额 > 100 元标记为紧急工单
                3. 输出格式：{"category":"物流","urgency":3,"action":"refund"}
                4. 异常处理：置信度 < 0.8 时，自动转人工并说明原因
                """)
            .withMemory(new RedisChatMemoryRepository(redisTemplate))
            .withTools("refundTool", "logisticsQueryTool", "compensationTool")
            .withExecutor(toolExecutor)
            .build();
    }
}

4.2 物流查询工具（MCP 接入示例）

JManus 通过 @Tool 注解将业务方法暴露给大模型调用，无需额外编写 prompt 描述，框架会自动生成工具描述：

kotlin 复制代码

@Component
public class LogisticsQueryTool {

    @Autowired
    private LogisticsApiClient logisticsClient;

    @Tool(description = "根据订单号查询物流状态，返回运单号、当前位置和预计送达时间")
    public LogisticsResult queryLogistics(
            @ToolParam(description = "电商平台订单号，格式如 2024XXXXXXXXXX") String orderId) {

        try {
            return logisticsClient.query(orderId);
        } catch (LogisticsException e) {
            return LogisticsResult.failed("物流信息暂时无法获取，建议 2 小时后重试");
        }
    }
}

4.3 退款处理工具

退款涉及资金操作，需要在工具层做严格的幂等控制：

less 复制代码

@Component
public class RefundTool {

    @Autowired
    private PaymentService paymentService;

    @Autowired
    private RedisTemplate<String, String> redisTemplate;

    @Tool(description = "发起订单退款，支持全额和部分退款，退款到原支付渠道")
    public RefundResult processRefund(
            @ToolParam(description = "订单号") String orderId,
            @ToolParam(description = "退款金额，单位元") BigDecimal amount,
            @ToolParam(description = "退款原因") String reason) {

        // 幂等检查，防止重复退款
        String idempotencyKey = "refund:" + orderId;
        Boolean isFirst = redisTemplate.opsForValue()
            .setIfAbsent(idempotencyKey, "processing", Duration.ofMinutes(10));

        if (Boolean.FALSE.equals(isFirst)) {
            return RefundResult.duplicate("该订单退款正在处理中，请勿重复操作");
        }

        try {
            RefundResult result = paymentService.refund(orderId, amount, reason);
            redisTemplate.opsForValue().set(idempotencyKey, "done");
            return result;
        } catch (Exception e) {
            redisTemplate.delete(idempotencyKey); // 失败时释放锁，允许重试
            throw new RefundException("退款失败: " + e.getMessage());
        }
    }
}

4.4 多智能体协作入口

Planning Agent 接收用户消息后自动分解任务，这里展示如何触发整个工单处理流程：

typescript 复制代码

@Service
public class WorkOrderService {

    @Autowired
    private JManusRunner jManusRunner;

    /**
     * 处理用户工单
     * JManus 会自动：1) 理解意图 2) 拆分子任务 3) 调用对应工具 4) 汇总结果
     */
    public WorkOrderResult processWorkOrder(String userId, String userMessage) {
        String sessionId = "session:" + userId;

        AgentTask task = AgentTask.builder()
            .sessionId(sessionId)
            .userMessage(userMessage)
            .agentName("customerServiceAgent")
            .build();

        AgentResult result = jManusRunner.run(task);

        return WorkOrderResult.builder()
            .orderId(result.getExtract("orderId"))
            .category(result.getExtract("category"))
            .action(result.getExtract("action"))
            .replyMessage(result.getContent())
            .build();
    }
}

五、关键能力解析

5.1 PLAN-ACT 模式：为什么工单处理不乱

当用户说"我的订单 2024001234 还没到，已经 7 天了，我要申请退款"，JManus 的 Planning Agent 会自动拆解为：

查询订单 2024001234 的物流信息
判断是否超出承诺时效
如果超时，自动发起退款申请
发送退款成功通知给用户

每一步都是确定性执行，不会出现"跳步"或"重复执行"的问题，这正是 JManus 相比纯 LLM 调用的核心优势。

5.2 Redis 状态持久化：多轮对话不丢失

vbnet 复制代码

// 框架自动处理，开发者只需在 Agent 中声明 withMemory
.withMemory(new RedisChatMemoryRepository(redisTemplate))

// 实际存储结构（Redis Hash）
// key:   session:user_123
// field: history
// value: [{"role":"user","content":"我的订单..."},
//          {"role":"assistant","content":"已查询到..."}]

用户换一个渠道继续咨询，只要 sessionId 不变，上下文完整保留。

5.3 MCP 协议：一键接入 300+ 企业服务

通过 Nacos MCP Registry，无需为每个外部系统写适配层：

yaml 复制代码

# application.yml 中声明 MCP 服务
spring:
  ai:
    mcp:
      client:
        servers:
          - name: alipay-mcp
            url: https://mcp.alipay.internal/sse
          - name: dingtalk-mcp
            url: https://mcp.dingtalk.internal/sse
          - name: logistics-mcp
            url: https://mcp.logistics.internal/sse

Agent 可以直接调用这些服务，就像调用本地方法一样。

六、性能优化与生产部署

6.1 三级缓存加速高频查询

kotlin 复制代码

@Tool(description = "查询商品库存")
public StockResult queryStock(String skuId) {
    // L1：本地缓存（Caffeine），命中率约 70%，延迟 < 1ms
    StockResult local = localCache.get(skuId);
    if (local != null) return local;

    // L2：Redis 缓存，命中率约 25%，延迟 < 5ms
    StockResult redis = redisCache.get("stock:" + skuId);
    if (redis != null) {
        localCache.put(skuId, redis);
        return redis;
    }

    // L3：数据库查询，兜底
    StockResult db = stockRepository.findBySkuId(skuId);
    redisCache.set("stock:" + skuId, db, Duration.ofMinutes(5));
    localCache.put(skuId, db);
    return db;
}

6.2 熔断机制保障系统稳定性

less 复制代码

@Tool(description = "查询物流状态（含熔断保护）")
@CircuitBreaker(name = "logistics", fallbackMethod = "logisticsFallback")
@TimeLimiter(name = "logistics")
public LogisticsResult queryWithCircuitBreaker(String orderId) {
    return logisticsClient.query(orderId);
}

// 熔断降级：返回友好提示，不让用户等待超时
public LogisticsResult logisticsFallback(String orderId, Exception e) {
    return LogisticsResult.builder()
        .status("查询受限")
        .message("物流系统繁忙，预计 10 分钟后恢复，我们会主动推送最新状态")
        .build();
}

6.3 Prometheus 监控指标

yaml 复制代码

management:
  endpoints:
    web:
      exposure:
        include: health,metrics,prometheus
  metrics:
    tags:
      application: retail-agent

重点关注以下指标：

jmanus_agent_execution_seconds：Agent 执行耗时
jmanus_tool_call_total：各工具调用次数
jmanus_plan_steps_count：平均任务拆分步数
spring_ai_chat_tokens_used：Token 消耗量（直接影响成本）

七、落地效果

某电商平台引入该架构后，核心指标变化如下：

指标	改造前	改造后
日均工单处理量	3 万单（含人工）	10 万+ 单
平均响应时间	8 分钟	45 秒
人工干预率	100%	约 30%（复杂/高风险工单转人工）
客服人力成本	基准 100%	降至约 55%
用户满意度（NPS）	62	78

八、踩坑记录

坑 1：大模型输出不稳定

工具调用参数有时格式不对，导致下游系统报错。解法：在 @Tool 的 description 中明确说明参数格式（如"金额单位为元，保留两位小数"），并在工具层加参数校验，而非依赖模型100%输出正确格式。

坑 2：Redis 连接池耗尽

高并发下 Redis 连接池不够用，Agent 执行超时。解法：将 max-active 从默认 8 调整至 100，并开启连接池监控告警。

坑 3：Token 成本超预期

多轮对话历史全量传入模型，Token 消耗是预期的 3 倍。解法：对历史消息做滑动窗口截断，只保留最近 10 轮，并对重复性描述做压缩摘要。

坑 4：首次任务规划耗时长

Planning Agent 第一次规划平均 8 秒，用户体验差。解法：对常见工单类型（物流、退款）做计划模板缓存，命中模板时跳过规划阶段，直接执行。

九、快速上手

bash 复制代码

# 1. 克隆仓库
git clone https://github.com/spring-ai-alibaba/JManus.git
cd JManus

# 2. 配置 DashScope API Key（阿里云百炼平台获取）
export DASHSCOPE_API_KEY=your_key_here

# 3. 启动（默认使用 H2 内存数据库，零配置）
mvn spring-boot:run

# 4. 访问 Web UI（内置可视化配置界面）
open http://localhost:18080

生产环境切换 MySQL：在 application.yml 中激活 mysql profile，框架会自动建表。

十、小结

JManus 在零售客服工单场景的价值，不在于它"有多智能"，而在于它让 AI 的行为可预测、可调试、可扩展。PLAN-ACT 模式把复杂业务流程变成可审计的执行计划，MCP 协议消除了异构系统集成的技术债，Redis 状态持久化解决了多轮对话的工程难题。

对于已有 Spring Boot 技术栈的团队，这是目前门槛最低、与现有架构契合度最高的 AI Agent 落地方案之一。

项目地址

JManus：github.com/spring-ai-a...

Spring AI Alibaba：github.com/alibaba/spr...

官网文档：java2ai.com