控制Agent
通过Hooks来控制Agent的迭代，防止无限循环导致过度成本。
java
@Test
public void test19() throws GraphRunnerException {
ChatModel chatModel = CreateChatClient.createDashScopeChatModel();
ToolCallback chunkTool = FunctionToolCallback.builder("chunkTool", new ChunkTool())
.description("根据索引返回一段内容，方便agent 通过多轮 tool 调用逐步获得所有内容")
.inputType(SearchToolInput.class)
.build();
ModelLoggingHook modelLoggingHook = new ModelLoggingHook();
ReactAgent modelHook = ReactAgent.builder()
.name("model_hook")
.model(chatModel)
.tools(chunkTool)
//配置一次agent call最多只能调用7次LLM
.hooks(ModelCallLimitHook.builder().runLimit(7).build(),modelLoggingHook)
.build();
AssistantMessage message = modelHook.call("""
请严格按照顺序完成：
1.依次调用chunkTool的apply方法，从SearchToolInput的query属性的值从0到7.
2.每次只处理一段，不要跳步.
3.最后用中文总结所有内容.
""");
System.out.println(message.getText());
}流式输出
前面有简单介绍了一下流式输出，这里再详细介绍一下。
流式输出的调用方式，通过reactAgent.stream()方法来调用实现。返回的结果是Flux类，该类是Reactor库的核心类，可以用来发射0到N个元素，非阻塞，支持AI有数据返回就能输出结果，无需等待AI全部返回数据。
这里通过subscribe方法来处理数据，它的定义如下：
java
public final Disposable subscribe(
@Nullable Consumer<? super T> consumer,
@Nullable Consumer<? super Throwable> errorConsumer,
@Nullable Runnable completeConsumer) {
return subscribe(consumer, errorConsumer, completeConsumer, (Context) null);
}第一个参数consumer表示正常消费数据执行的方法。
第二个参数errorConsumer表示获取数据错误时执行的方法。
第三个参数completeConsumer，通过方法名也能看出这是完成时执行的方法。
所以我们的注意力主要集中在一个方法的实现上。
先看第一个例子：
这个例子测试了下面的outputType
| OutputType | 说明 |
|---|---|
AGENT_MODEL_STREAMING |
模型推理的流式增量内容 |
AGENT_MODEL_FINISHED |
模型推理完成，可获取全量内容 |
AGENT_TOOL_STREAMING |
工具调用的流式增量内容 |
AGENT_TOOL_FINISHED |
工具调用完成 |
AGENT_HOOK_STREAMING |
Hook 节点的流式增量内容 |
AGENT_HOOK_FINISHED |
Hook 节点完成 |
java
public void test20() throws GraphRunnerException, InterruptedException {
//创建tool 类
ToolCallback searchTool = FunctionToolCallback.
builder("search", new SearchTool()).description("通过给定的参数查询线上新闻并返回结果") //定义工具描述，提供给模型的使用指南
.inputType(SearchToolInput.class).build();
ChatModel chatModel = CreateChatClient.createDashScopeChatModel();
ReactAgent metaDataTool = ReactAgent.builder()
.name("meta_data_tool")
.model(chatModel)
.tools(searchTool)
.hooks(new LoggingHook())
.build();
Flux<NodeOutput> stream = metaDataTool.stream("今天发生了什么新闻");
CountDownLatch countDownLatch = new CountDownLatch(1);
stream.subscribe(
output -> {
// 检查是否为 StreamingOutput 类型
if (output instanceof StreamingOutput streamingOutput) {
OutputType type = streamingOutput.getOutputType();
// 处理模型推理的流式输出
if (type == OutputType.AGENT_MODEL_STREAMING) {
// 流式增量内容，逐步显示
System.out.print("<<<<<流式增量内容，逐步显示:>>>>" + streamingOutput.message().getText());
} else if (type == OutputType.AGENT_MODEL_FINISHED) {
// 模型推理完成，可获取完整响应
System.out.println("\n模型输出完成");
}
if (type == OutputType.AGENT_TOOL_STREAMING) {
System.out.println("<<<Tool增量内容>>> " + streamingOutput.message().getText());
}
// 处理工具调用完成（目前不支持 STREAMING）
if (type == OutputType.AGENT_TOOL_FINISHED) {
System.out.println("工具调用完成: " + output.node());
}
if (type == OutputType.AGENT_HOOK_STREAMING) {
System.out.println("<<<<Hook增量内容>>>> " + streamingOutput.message().getText());
}
// 对于 Hook 节点，通常只关注完成事件（如果Hook没有有效输出可以忽略）
if (type == OutputType.AGENT_HOOK_FINISHED) {
System.out.println("Hook 执行完成: " + output.node());
}
}
},
error -> {
System.err.println("错误: " + error);
},
() -> {
countDownLatch.countDown();
}
);
countDownLatch.await();
}第二个例子
通过创建OpenAI的Model，这里使用的是DeepSeek的deepseek-v4-flash 模型，主要是测试Thinking的message。
java
public void test21() throws GraphRunnerException, InterruptedException {
ToolCallback searchTool = FunctionToolCallback.
builder("search", new SearchTool()).description("通过给定的参数查询线上新闻并返回结果") //定义工具描述，提供给模型的使用指南
.inputType(SearchToolInput.class).build();
ChatModel openAIModel = CreateChatClient.createOpenAIModel();
ReactAgent thinkingAgent = ReactAgent.builder()
.model(openAIModel)
.name("thinking_agent")
.tools(searchTool)
.build();
Flux<NodeOutput> stream = thinkingAgent.stream("今天发生了什么新闻");
CountDownLatch countDownLatch = new CountDownLatch(1);
stream.subscribe(output -> {
if (output instanceof StreamingOutput streamingOutput) {
OutputType type = streamingOutput.getOutputType();
Message message = streamingOutput.message();
// 处理模型流式输出
if (type == OutputType.AGENT_MODEL_STREAMING) {
if (message instanceof AssistantMessage assistantMessage) {
// 检查是否为 Thinking 消息
Object reasoningContent = assistantMessage.getMetadata().get("reasoningContent");
if (reasoningContent != null && !reasoningContent.toString().isEmpty()) {
System.out.print("[Thinking] " + reasoningContent);
} else {
// 普通模型响应（增量内容）
System.out.print(assistantMessage.getText());
}
}
}
// 处理模型输出完成
else if (type == OutputType.AGENT_MODEL_FINISHED) {
if (message instanceof AssistantMessage assistantMessage) {
if (assistantMessage.hasToolCalls()) {
// 工具调用请求
assistantMessage.getToolCalls().forEach(toolCall -> {
System.out.println("[Tool Call] " + toolCall.name() + ": " + toolCall.arguments());
});
} else {
// 模型完整响应
System.out.println("\n[Model Finished]");
}
}
}
// 处理工具执行结果
else if (type == OutputType.AGENT_TOOL_FINISHED) {
if (message instanceof ToolResponseMessage toolResponse) {
toolResponse.getResponses().forEach(response -> {
System.out.println("[Tool Result] " + response.name() + ": " + response.responseData());
});
}
}
}
},
error -> {
System.err.println("错误: " + error);
}, () -> {
countDownLatch.countDown();
});
countDownLatch.await();
}总结
ReactAgent的定义，React（Reasoning+Acting）是结合了推理和行动的Agent的。它的功能：
1.Reasoning（思考）：分析问题，决定下一步做什么。
2.Acting（行动）：调用工具或生成最终的回答。
3.Observation（观察）：接收工具执行的结果。
4.Iteration（迭代）：基于观察结果继续思考和行动，直到完成任务。
基于上面的能力，Agent就能将复杂问题分解为多个步骤，基于中间结果动态调整策略，可以借助外部工具实现模型本身局限的功能。
Graphs的介绍： Agent 的执行路径由模型实时决策，具有动态分支和循环能力，因此需要 Graph 来描述和管理这种非固定执行流程。基于上面的知识点我们知道模型的流程是不固定的，无法使用固定流程来控制。Graph就是来解决这个问题的。注意：Agent是不能生成新的节点，这是描述Graphs容易犯的错误，它是流程是灵活的非固定的。
它是由三部分构成：
Edge（边）：Node之间的流转关系，通过边来表示。有固定边和还有条件边（这是Agent的核心能力），这里是通过LLM驱动的条件边。 条件边允许根据State内容动态决定下一步执行路径，是实现Agent自主决策能力的重要机制。
Node（节点）：执行单元，调用模型、Tools、Memory 查询、End节点、人工干预节点。
State（状态）：共享的数据源，所有节点必须通过State交互，可以认为是OverAllState 类，通过state驱动模型走哪一条边。
Model：介绍了模型的参数配置，可以控制模型生成数据的效果。
Tools工具：定义工具的一种方式，Agent配置Tool。
Interceptor 拦截器：ModelInterceptor拦截器和 ToolInterceptor
SystemPromt 系统提示词：定义模型行为特性，有SystemPromt一般的指令和instruction更加详细的指令。
Agent的调用：基础调用call，通过invoke 调用可以获取完整状态OverAllState，它是节点间传递消息的存储介质，每个key都有自定义的更新策略。
RunnableConfig： 传递运行时的配置，可以使用threadId：区分会话。通过mate来配置系统变量和环境参数。
结构化输出： Output和OutputSchema，Output是固定的，OutputSchema更加灵活。
Memory：用来持久化上下文，默认内存。
Hook：ModelHook和AgentHook，通过Hook可以控制模型，提前结束，总结Message、日志记录等。
流式输出：可以监控模型的整个流程。