让 AI 不只是"回答问题"，而是"完成任务"
01 引子
在之前的九篇文章中，我们完成了：
- Spring AI 核心功能（多轮对话、流式输出、Function Calling、Output Parser）
- RAG 完整链路（文档加载、向量化、混合检索、元数据过滤）
这些能力让 AI 能够回答问题，并且回答得越来越精准。
但有一个问题始终存在：用户需要自己拆解任务。
比如用户说"我现在在北京，想出门散步"，他需要自己去查天气、看空气质量、规划路线------AI 只能回答"好的"或者给一些通用建议。
如果 AI 能主动调用工具获取实时信息，再给出针对性建议呢？
这就是 Agent 要做的事。
02 什么是 Agent？
一句话定义： Agent 是一个能够自主理解意图、调用工具、完成任务的 AI 系统。
对比理解：
| 能力 | 普通对话 | Function Calling | Agent |
|---|---|---|---|
| 理解用户意图 | ✅ | ✅ | ✅ |
| 调用单个工具 | ❌ | ✅ | ✅ |
| 多工具协作 | ❌ | ❌ | ✅ |
| 自主规划步骤 | ❌ | ❌ | ✅ |
| 根据结果调整 | ❌ | ❌ | ✅ |
03 ReAct 模式：Agent 的工作方式
ReAct = Re asoning（推理）+ Acting（行动）
这是目前最主流的 Agent 工作模式：
核心思想： Agent 不是一次性回答，而是"思考 → 行动 → 观察 → 再思考"的循环过程。
04 代码实现
4.1 准备工作：已有的 Tool
在之前的实战中，我们已经定义了 Tool：
WeatherTool.java
TimeTool.java
4.2 创建 Agent 服务
AgentService.java
4.3 创建 Controller
AgentController.java
05 测试验证
场景一：多工具协作
请求：
行为分析：
- Agent 识别用户问了两个问题
- 调用
getCurrentTime获取时间 - 调用
getWeather("上海")获取天气 - 汇总两个结果，生成完整回复
场景二：复杂任务规划
请求：
行为分析：
- Agent 理解"散步"需要天气信息
- 自动调用
getWeather("北京") - 根据天气结果给出针对性建议
- 结合常识补充细节（防晒、补水、时段、空气质量）
06 Agent vs Function Calling
| 对比项 | Function Calling | Agent |
|---|---|---|
| 工具数量 | 单次调用 | 可多次调用 |
| 决策方式 | 一次决策 | 循环决策 |
| 任务复杂度 | 简单任务 | 复杂任务 |
| 中间结果 | 不保留 | 保留并用于后续决策 |
| 典型场景 | "现在几点了？" | "查天气→判断→给建议" |
07 踩坑记录
坑一：CHAT_MEMORY_CONVERSATION_ID_KEY 常量找不到
在某些 Spring AI 版本中，这个常量可能不存在或名称不同。
解决： 直接使用字符串字面量 "chat_memory_conversation_id"。
坑二：Agent 不调用工具
原因： 系统提示词（System Prompt）不够清晰。
解决： 明确告诉 AI 有哪些工具可用，以及在什么情况下调用。
坑三：Agent 只调用一个工具
当用户问了多个问题时，Agent 可能只调用了一个工具。
解决： 在提示词中强调"如果用户问了多个问题，需要分别调用对应的工具"。
08 成果总结
经过这一篇，你的系统现在具备：
| 能力 | 状态 |
|---|---|
| 理解用户意图 | ✅ |
| 多工具注册 | ✅ |
| 多工具协作 | ✅ |
| 主动调用工具 | ✅ |
| 基于结果生成建议 | ✅ |
09 下期预告
你已经实现了 Agent 的基础能力。接下来可以深入的方向：
| 方向 | 内容 |
|---|---|
| Agent 进阶 | 复杂任务拆解、多步推理、错误重试 |
| Rerank 重排序 | 在 RAG 检索结果上进一步精排 |
| 实战项目 | 构建一个"智能会议助手"或"智能客服" |
下一篇，我们探索 Agent 的进阶能力------让 Agent 能够拆解复杂任务、多步推理。
📌 我是超超不吵吵，10年Java全栈，正在转型AI应用开发。
每周一篇实战笔记，不贩卖焦虑，只分享能落地的技术。
掘金/CSDN同名，欢迎关注。