Spring AI 实战指南（十六）：企业级 Agent Workflow 引擎源码实现（对标 LangGraph）

前言

系列：Spring AI 企业级开发实战

项目名称：EduAgentX Workflow Engine

技术栈：Java 21 + Spring Boot 3.5 + Spring AI + Redis + PostgreSQL + PGVector + MCP + Flowable

难度：⭐⭐⭐⭐⭐

阅读时间：90分钟+

关键词：Workflow Engine、DAG、Agent编排、任务调度、并行执行、Spring AI源码设计

---

前面的章节我们已经讲了：

• Agent Framework设计
• Memory、Tool、Prompt、Model Engine设计
• Multi-Agent协作模式
• AI OS架构

---

企业落地时，一个问题非常突出：

单个Agent可以完成任务，但复杂任务无法拆分和调度

---

例如：

生成学习报告

涉及：

成绩查询 → 分析 → 推荐课程 → 生成计划 → 输出报告

---

如果没有 Workflow Engine ，你只能靠 硬编码 或 超大Prompt 来实现，弊端：

• 难维护
• 扩展性差
• 性能低下
• Token成本高

---

因此，企业级 Agent 系统必须有 Workflow Engine。

---

一、Workflow Engine 核心概念

企业级 Workflow Engine 核心思想：

Workflow = DAG + Task + Node + Scheduler

• DAG（Directed Acyclic Graph）：有向无环图，确保任务顺序和依赖关系
• Task：用户发起的工作流实例
• Node：单个步骤或子任务，由特定Agent执行
• Scheduler：调度器，管理节点执行、重试、并行、分支
• Context：整个流程的上下文信息，包括用户信息、Memory、Prompt、数据结果

---

二、Workflow 数据模型设计

数据库设计（PostgreSQL示例）：

CREATE TABLE workflow_definition (
    id BIGINT PRIMARY KEY,
    name VARCHAR(100),
    description TEXT,
    dag JSONB,
    created_at TIMESTAMP DEFAULT NOW()
);

CREATE TABLE workflow_instance (
    id BIGINT PRIMARY KEY,
    definition_id BIGINT REFERENCES workflow_definition(id),
    status VARCHAR(20) DEFAULT 'PENDING',
    context JSONB,
    created_at TIMESTAMP DEFAULT NOW(),
    updated_at TIMESTAMP DEFAULT NOW()
);

CREATE TABLE workflow_node_instance (
    id BIGINT PRIMARY KEY,
    instance_id BIGINT REFERENCES workflow_instance(id),
    node_id VARCHAR(100),
    status VARCHAR(20) DEFAULT 'PENDING',
    result JSONB,
    started_at TIMESTAMP,
    finished_at TIMESTAMP
);

---

三、Node设计

Node是Workflow的核心执行单元，每个Node对应：

• 一个Agent
• 一个Tool调用
• 一段数据处理逻辑

---

Java接口设计：

public interface Node {

    String getId();

    NodeResult execute(NodeContext context);

    List<String> getNextNodes();
}

NodeResult示例：

public class NodeResult {
    private boolean success;
    private Object data;
    private String message;
}

---

四、Workflow DAG设计

DAG结构存储在数据库中，JSON示例：

{
  "nodes": [
    {"id": "score", "type": "LearningAgent", "next": ["analysis"]},
    {"id": "analysis", "type": "LearningAgent", "next": ["recommend"]},
    {"id": "recommend", "type": "CourseAgent", "next": ["report"]},
    {"id": "report", "type": "ReportAgent", "next": []}
  ]
}

• type：节点对应Agent
• next：依赖节点

---

五、Workflow执行引擎设计

执行引擎核心职责：

1. 解析DAG
2. 创建Workflow实例
3. 遍历节点，根据依赖关系调度执行
4. 管理并行、条件分支
5. 保存节点结果到数据库
6. 错误重试与异常处理

---

Java核心类设计：

public class WorkflowEngine {

    private AgentRegistry agentRegistry;
    private MemoryEngine memoryEngine;
    private ToolEngine toolEngine;

    public WorkflowInstance executeWorkflow(WorkflowDefinition def, Map<String, Object> input) {
        // 1. 创建Workflow实例
        // 2. 初始化上下文
        // 3. 执行节点（同步或异步）
        // 4. 保存节点结果
    }

    private void executeNode(Node node, NodeContext context) {
        // 执行Agent或Tool
        NodeResult result = agentRegistry.getAgent(node.getType())
                                        .execute(context);
        // 保存结果
        // 调度下一个节点
    }
}

---

六、支持并行执行

DAG中可存在多个节点没有依赖关系，可并行执行：

score → analysis → report
recommend → report

• score 和 recommend 可以同时执行
• report必须等待两者完成

实现方式：

ExecutorService executor = Executors.newFixedThreadPool(10);

异步执行节点，并在完成后回调调度下一个节点。

---

七、条件分支设计

Node可以根据执行结果选择不同路径：

{
  "nodes": [
    {"id": "score", "type": "LearningAgent", "next": [
        {"condition": "score>80", "node": "advanced_course"},
        {"condition": "score<=80", "node": "basic_course"}
    ]}
  ]
}

• 条件解析器：解析NodeResult生成条件分支
• 分支执行：选择符合条件的下一个Node执行

---

八、Checkpoint与重试机制

企业级任务常常失败：

• 模型超时
• Tool调用失败
• 数据库异常

解决方案：

1. Checkpoint

   • 每个节点完成后，将NodeResult保存到数据库
   • 恢复时可从失败节点继续执行

2. 重试机制

   • 每个节点可配置重试次数
   • 支持指数退避策略

public class RetryPolicy {
    private int maxRetries;
    private long delay; // ms
}

---

九、人机协作（HITL，Human In The Loop）

有些流程需要人工干预：

• 报告审核
• 面试评分确认
• 高风险操作确认

设计方式：

• 节点类型标记为 HITL
• 引擎暂停执行，等待人工确认
• 审核完成后继续执行

public class HumanApprovalNode implements Node {
    private boolean approved;
}

---

十、Workflow监控与可视化

企业级需求：

• 节点状态监控
• 实时任务追踪
• Token成本统计

实现方式：

• 数据库持久化节点执行状态

• Web端Dashboard展示：

  • 节点状态（Pending/Running/Success/Failed）
  • 执行时间
  • 消耗Token
  • 异常日志

---

十一、与LangGraph对标

功能	LangGraph	EduAgentX Workflow
DAG执行	√	√
条件分支	√	√
并行执行	√	√
Checkpoint	√	√
HITL	√	√
Agent多租户	×	√
Tool调用统一管理	×	√
Memory整合	×	√
Spring生态	×	√

---

十二、案例演示

生成学习报告流程：

User提交请求 → WorkflowEngine创建实例 → ScoreNode → AnalysisNode → RecommendNode → ReportNode → 返回结果

节点状态：

Node	Status	Result
ScoreNode	SUCCESS	{score: 90}
AnalysisNode	SUCCESS	{weak_subjects:"Math","English"}
RecommendNode	SUCCESS	{courses:"Advanced Math","English Grammar"}
ReportNode	SUCCESS	{report_url:"..."}

---

十三、核心优化策略

1. 节点缓存

   • 避免重复计算，降低Token消耗

2. 异步并行执行

   • 提升吞吐量

3. 上下文整合

   • Memory + Prompt + Knowledge融合

4. 事件驱动调度

   • Event Bus解耦节点执行

5. 重试与失败补偿机制

   • 提升系统稳定性

---

十四、企业落地价值

• 统一工作流引擎，实现跨Agent任务编排
• 支持复杂业务流程，多分支、多并行、人工介入
• 完全可扩展，支持插件化工具与Agent
• 可与AI OS、Multi-Agent平台、MCP无缝集成
• 降低企业AI系统维护成本，提高开发效率

---

十五、面试高频问答

Workflow Engine

和Agent Engine区别？

• Agent Engine：执行单个Agent任务
• Workflow Engine：组织多个Agent任务，编排复杂流程

---

为什么要支持DAG而不是简单顺序？

• 顺序执行无法支持分支、并行、条件
• DAG保证依赖关系，同时可扩展

---

Workflow Engine的关键挑战？

• 节点调度、并行与依赖关系
• 异常处理与重试机制
• HITL支持
• 上下文管理与Memory整合
• 可视化与监控

---

总结

到这里，你已经完成了：

1. 企业级 Agent Framework
2. 企业级 Workflow Engine
3. 支持 DAG、条件分支、并行执行、HITL
4. Node/Task/Workflow 完整生命周期管理
5. 数据库持久化、事件驱动、重试与Checkpoint机制