longchain4j实战 -- Multi-Agent协调机制实战

阿华田5122026-07-17 9:14

一、为什么需要 Multi-Agent？

随着大模型应用的发展，单 Agent 架构在简单场景下可以满足需求，但是面对企业复杂业务时会遇到一些问题。

例如，一个数据平台智能助手，需要同时具备：

  • Flink 任务分析能力
  • Kafka 消费分析能力
  • 数据血缘查询能力
  • SQL 优化能力
  • 元数据检索能力

如果全部能力放在一个 Agent 中：

复制代码 
Data Agent

Tools:

queryFlinkJob()

queryKafkaLag()

queryLineage()

generateSQL()

queryMetadata()

...

随着 Tool 数量增加，会导致：

  1. Prompt 越来越复杂；
  2. Tool 选择准确率下降；
  3. Agent 难以维护。

因此，更合理的方式是：

将不同领域能力拆分成多个专业 Agent，再由一个协调 Agent 负责任务分发。

这种模式称为：

Supervisor Agent（主管 Agent）模式。

二、Supervisor Agent 架构

整体架构如下：

html 复制代码 
                 用户
                  |
                  v
          Supervisor Agent

          (任务分析与调度)

                  |
        +---------+---------+
        v                   v

   Flink Agent        Kafka Agent

        v                   v

   Flink Tools        Kafka Tools

        |                   |
        v                   v

    Flink系统          Kafka系统

其中：

Supervisor Agent（主agent）

负责：

  • 理解用户需求；
  • 判断需要调用哪个 Agent；
  • 汇总多个 Agent 返回结果。

专业 Agent

负责：某一个领域的问题解决。

例如：

Flink Agent：

负责实时计算任务分析。

Kafka Agent：

负责消息队列问题分析。

三、LangChain4j 中 多Agent 协同实现案例

下面我们以一个天气穿搭助手底层多agent实现举例说明

java 复制代码 
/**
 * Supervisor 多 Agent 协同 Demo（基于 langchain4j）
 * <p>
 * 与 {@link MultiAgentDemo} 的「手工流水线编排」不同，这里采用 <b>Supervisor 模式</b>：
 * <pre>
 *                      ┌──────────────────┐
 *      用户请求  ─────▶ │ Supervisor Agent │ （大模型自主规划调用顺序）
 *                      └────────┬─────────┘
 *                               │ 通过 AgentTools 调用
 *                 ┌─────────────┴──────────────┐
 *                 ▼                            ▼
 *          ┌────────────┐              ┌────────────┐
 *          │ 天气 Agent │              │ 穿衣 Agent │
 *          │(WeatherSkill)             │            │
 *          └────────────┘              └────────────┘
 * </pre>
 * Supervisor 不写死调用流程，而是把两个子 Agent 当作工具，由 LLM 决定先查天气、再给穿搭建议。
 */

主代码

java 复制代码 
package org.utils;

import dev.langchain4j.model.openai.OpenAiChatModel;
import dev.langchain4j.service.AiServices;


public class SupervisorDemo {

    public static void main(String[] args) {

        // 1. 构建底层大模型（与 LongChainUtil 保持一致）
        OpenAiChatModel model =
                OpenAiChatModel.builder()
                        .baseUrl("http://xxxn.com/v1")
                        .apiKey("desfrwsfdwedwe")
                        .modelName("deepseek-reasoner")
                        .build();

        // 2. 创建两个专家 Agent
        //天气查询agent
        WeatherAgent weatherAgent = AiServices.builder(WeatherAgent.class)
                .chatLanguageModel(model)
                .tools(new WeatherSkill())
                .build();
        //穿搭agent
        OutfitAgent outfitAgent = AiServices.builder(OutfitAgent.class)
                .chatLanguageModel(model)
                .build();

        // 3. 把两个专家 Agent 包装成工具，交给 Supervisor
        SupervisorAgent supervisor = AiServices.builder(SupervisorAgent.class)
                .chatLanguageModel(model)
                .tools(new AgentTools(weatherAgent, outfitAgent))
                .build();

        // 4. 用户只需向 Supervisor 提一个复合诉求，剩下的调度由它自主完成
        System.out.println("========== 用户提问 ==========");
        String request = "我在北京，今天该怎么穿？";
        System.out.println(request + "\n");

        String answer = supervisor.execute(request);

        System.out.println("========== Supervisor 最终答复 ==========");
        System.out.println(answer);
    }
}

穿衣agent定义

java 复制代码 
package org.utils;

import dev.langchain4j.service.SystemMessage;
import dev.langchain4j.service.UserMessage;

/**
 * 穿衣 Agent
 * 职责：根据「天气 Agent」给出的天气信息，为用户提供穿衣打扮建议。
 * 它不查询天气，只对已知的天气结论进行推理。
 */
public interface OutfitAgent {

    @SystemMessage("你是一个专业的穿搭顾问。" +
            "用户会给你一段当地天气描述，你需要根据温度、天气状况和风力，" +
            "给出具体、贴心的穿衣打扮建议（包括上衣、下装、外套、配饰等），语言亲切自然。")
    String suggestOutfit(@UserMessage String weatherInfo);
}

天气助手agent定义

java 复制代码 
package org.utils;

import dev.langchain4j.service.SystemMessage;
import dev.langchain4j.service.UserMessage;

/**
 * 天气 Agent
 * 职责：负责查询当地天气。它绑定了 {@link WeatherSkill}，
 * 会根据用户提问自动调用天气查询工具，并输出结构化的天气结论。
 */
public interface WeatherAgent {

    @SystemMessage("你是一个天气查询助手。" +
            "当用户询问某地天气时，你必须调用天气查询工具获取真实数据，" +
            "然后用一句话简洁客观地描述该城市的天气、温度和风力，不要给出穿衣建议。")
    String queryWeather(@UserMessage String message);
}

主agent定义

java 复制代码 
package org.utils;

import dev.langchain4j.service.SystemMessage;
import dev.langchain4j.service.UserMessage;

/**
 * Supervisor Agent（主管 / 调度 Agent）
 * <p>
 * 它本身不直接干活，而是通过 {@link AgentTools} 拥有「天气 Agent」和「穿衣 Agent」的调用能力。
 * 面对用户的复杂诉求（如「我在北京今天该怎么穿」），由它背后的大模型自主规划：
 * 先调用天气专家拿到天气，再把天气结论交给穿搭专家，最后汇总答复用户。
 */
public interface SupervisorAgent {

    @SystemMessage("你是一个智能调度主管，手下有两个专家工具：" +
            "1. 天气专家（weatherAnalyze）------查询某城市的天气；" +
            "2. 穿搭专家（outfitAnalyze）------根据天气给出穿衣建议。" +
            "当用户询问穿衣相关问题时，你需要：先调用天气专家查询当地天气，" +
            "再把查到的天气描述交给穿搭专家获取穿衣建议，" +
            "最后把天气情况和穿衣建议整合成一段完整、友好的回复返回给用户。")
    String execute(@UserMessage String request);
}
复制代码 
把「天气 Agent」和「穿衣 Agent」分别包装成一个 {@link Tool} 方法，
java 复制代码 
package org.utils;

import dev.langchain4j.agent.tool.P;
import dev.langchain4j.agent.tool.Tool;

/**
 * Agent Tools ------ Supervisor 模式的桥梁。
 * <p>
 * 把「天气 Agent」和「穿衣 Agent」分别包装成一个 {@link Tool} 方法，
 * 交给 {@link SupervisorAgent} 使用。这样 Supervisor 背后的大模型
 * 就能像调用普通工具一样，自主决定何时调用哪个专家 Agent。
 */
public class AgentTools {

    private final WeatherAgent weatherAgent;
    private final OutfitAgent outfitAgent;

    public AgentTools(WeatherAgent weatherAgent, OutfitAgent outfitAgent) {
        this.weatherAgent = weatherAgent;
        this.outfitAgent = outfitAgent;
    }

    @Tool("调用天气专家：查询指定城市的当地天气情况")
    public String weatherAnalyze(@P("需要查询天气的城市，例如：北京") String city) {
        System.out.println("【Supervisor -> 天气 Agent】city=" + city);
        return weatherAgent.queryWeather("请查询" + city + "今天的天气");
    }

    @Tool("调用穿搭专家：根据一段天气描述给出穿衣打扮建议")
    public String outfitAnalyze(@P("一段当地天气的文字描述") String weatherInfo) {
        System.out.println("【Supervisor -> 穿衣 Agent】weatherInfo=" + weatherInfo);
        return outfitAgent.suggestOutfit("这是当地天气信息：" + weatherInfo + "。请给出穿衣打扮建议。");
    }
}

执行结果

bash 复制代码 
我在北京，今天该怎么穿？

【Supervisor -> 天气 Agent】city=北京
【天气技能被调用】查询城市：北京
【Supervisor -> 穿衣 Agent】weatherInfo=晴，气温-3℃到5℃，北风4级
========== Supervisor 最终答复 ==========
<think>
我们完成了整个流程：首先调用天气专家获取北京天气（晴，-3℃ ~ 5℃，北风4级），然后将天气描述交给穿搭专家。穿搭专家返回了详细的穿衣建议。
现在需要将天气情况和穿衣建议整合成一段完整、友好的回复给用户。

回复结构：
1. 先告知用户查询到的实时天气情况（简洁客观，来自weatherAnalyze的结果）。
2. 自然地过渡到穿衣建议（来自outfitAnalyze的详细建议）。
3. 保持语气友好，结尾可以加个暖心小表情。

注意：
- 不要直接复制工具返回的原始文本，要整合成流畅的一段话。
- 穿搭专家的回复已经很详细友好，可以直接引用核心建议，但需调整表述使其更口语化。
- 确保包含所有关键信息：温度范围、风力、具体穿衣层次（内衣/中层/外套/下装/鞋袜/配饰）、特殊提醒（防风、干燥、温差）。

最终回复将这样组织：
"北京今天天气是晴，气温在-3℃到5℃之间，北风4级，体感会比较冷哦！穿衣方面建议..."
然后精选穿搭专家的建议要点，用更简洁的口语表达，最后加上温馨提示。
</think>
根据查询到的北京实时天气：**晴，气温 -3℃ ~ 5℃，北风 4 级**，结合穿搭专家的建议，以下是今日的穿衣指南：

### ☀️ 天气特点 & 穿衣核心
虽然阳光充足，但低温+大风会让**体感温度明显低于实际气温**，重点要 **"防风+锁温"**！

### 👗 推荐搭配方案
1. **🧥 外套**  
   ✅ **中长款防风羽绒服/厚棉服**（长度过臀更佳）  
   ❌ 避免单薄大衣或毛呢外套（挡不住4级北风）

2. **👚 内搭**  
   → **贴身层**：加绒保暖内衣/高领羊毛衫（吸湿锁温）  
   → **中间层**：厚针织毛衣/抓绒卫衣（建议选宽松款方便穿脱）

3. **👖 下装**  
   ✅ **加绒保暖裤+防风外裤** 或 **厚羊毛裤单穿**  
   ❌ 单穿牛仔裤/薄休闲裤（寒风易穿透）

4. **🥾 脚部**  
   → **鞋子**：防滑雪地靴/加绒马丁靴（鞋帮护住脚踝）  
   → **袜子**：加厚羊毛袜（可叠穿两双普通袜替代）

5. **🧣 必备配件**  
   ⭐ **厚围巾**（裹住脖子防灌风）  
   ⭐ **护耳毛线帽**（避免头部散热）  
   ⭐ **防风手套**（露指关节易冻伤）

### 💡 温馨小贴士
- 出门前 **重点检查围巾/帽子是否戴严实**------4级风会瞬间带走热量❄️  
- 室内外温差超15℃，内搭选 **方便穿脱的层次**（如V领毛衣+可拆卸围巾）  
- 北风干燥，随身带 **护手霜+润唇膏** 预防皴裂  
- 午间阳光强但升温有限，**切勿随意减外套**！

> 🌈 今日虽冷但有晴光，穿暖和点也能享受冬日明朗！记得全副武装再出门哦~
相关推荐
SXJR1 个月前
spring boot + langchain4j +milvus实现向量存储
java·spring boot·后端·大模型·milvus·rag·langchain4j
星轨zb1 个月前
[Corner项目实战]Spring Boot + LangChain4j Tool Calling实战：让AI自动选择推荐策略
人工智能·spring boot·后端·langchain4j
java1234_小锋1 个月前
LangChain4j 中流式响应（Streaming Response）如何实现？与同步调用相比需要注意哪些问题？
langchain4j
java1234_小锋1 个月前
LangChain4j 开发Java Agent智能体- 多模态支持
java·开发语言·langchain4j
java1234_小锋1 个月前
LangChain4j 中 EmbeddingStore 的作用是什么？如何集成常见的向量数据库（如 PGVector、Chroma）？
langchain4j
java1234_小锋1 个月前
LangChain4j 开发Java Agent智能体- 对话与提示词工程(Prompt)
java·开发语言·prompt·langchain4j
星轨zb1 个月前
LangChain4j 集成 Spring Boot：会话记忆 NPE 的根源与 ChatMemoryProvider 正确配置
java·spring boot·后端·langchain4j
阿昌喜欢吃黄桃1 个月前
Java优质开源AI项目
java·ai·langchain·开源·rag·springai·langchain4j
热门推荐
012026年7月AI圈大地震：GPT-5.6被政府限制、Claude入驻Slack、Anthropic自研芯片02GitHub 镜像站点03AI科技热点日报 | 2026年07月01日04幻兽帕鲁 - 服务器管理员权限与 GM 命令完全指南05AI 编程 IDE 全景解析 2026：Agent 全面接管开发链路06国内可直接用、免费额度/永久免费的大模型API清单（含 SiliconFlow、火山、阿里、智谱、百度、Kimi、DeepSeek、DMXAPI 等）072026 国产 AI 大模型横评：DeepSeek、通义千问、Kimi、文心一言、星火、豆包谁更能打？08Codex 下载安装指南：Windows 和 macOS 官方版下载092026 年 AI 大模型 & AI 编程工具实战全总结10全面体验 Grok API 中转站（2025 · Grok 4 系列最新版）