✅Alibaba-React Agent 初探
目前，Spring AI Alibaba 1.1版本正式发布，它已经提供了生产级 ReactAgent 的实现。ReactAgent 是基于 Graph 运行时（Graph Runtime）的概念构建的。这个 Graph 运行时定义了一个结构化的执行流程，使 Agent 的推理和工具调用过程可控、可追溯。所谓 Graph 也就是图，他是由节点（Node）和边（Edge）构成的。
Agent 的核心执行流程是一个持续的推理和工具调用的循环，直到满足停止条件（例如，模型输出最终答案或达到预设的最大迭代次数）。在执行过程中，Agent 在以下几种核心节点（Node）之间流转：
**Model Node (模型节点)**：这是 Agent 的“大脑”。它负责调用大模型，根据当前上下文（包括历史对话、工具描述和最近的观察结果）进行推理和决策，决定下一步是使用哪个工具、使用什么参数，或者直接得出最终结论。
**Tool Node (工具节点)**：这是 Agent 的“手脚”。当大模型决定使用工具时，此节点会执行实际的工具函数调用，并捕获执行结果。
**Hook Nodes (钩子节点)**：允许开发者在 Agent 流程的关键位置（如模型调用前、工具调用后）插入自定义的逻辑（例如日志记录、错误处理或动态提示修改），类似 Spring AI 中的 advisor 机制。
通过这种基于图的运行时结构，ReactAgent 能够清晰、高效地管理 LLM 的每一次推理、工具的每一次执行，从而实现复杂任务的自动化处理。
如何使用
引入依赖
首先还是引入依赖，我在使用 1.1.0 的 Spring AI 和 Alibaba 时遇到了兼容性问题，这边阿里官网推荐的 1.1.0.0-M5 版本和 Spring AI 的 1.1.0 版本是不兼容的，所以在官方修复兼容性问题前，我们这边使用M4版本进行实验即可。
兼容性问题：~~https://github.com/alibaba/spring-ai-alibaba/issues/3324
使用spring ai 1.1.0.0版本。
1
2
3
4
5
6
7
8
9
10
| <dependency>
<groupId>com.alibaba.cloud.ai</groupId>
<artifactId>spring-ai-alibaba-agent-framework</artifactId>
<version>1.1.0.0</version>
</dependency>
<dependency>
<groupId>com.alibaba.cloud.ai</groupId>
<artifactId>spring-ai-alibaba-starter-dashscope</artifactId>
<version>1.1.0.0</version>
</dependency>
|
创建模拟工具
1
2
3
4
5
6
7
| @Slf4j
public class SearchTool implements BiFunction<String, ToolContext, String> {
@Override public String apply(String query, ToolContext context) {
log.info("SearchTool: query = {}, context = {}", query, context);
return "搜索结果: 【" + query + "】 — 这是一个模拟结果。"; }
}
|
创建智能体
非流式输出
1
2
| String userInput = "帮我搜索 Spring AI 的用途";
var response = agent.call(userInput);System.out.println("Agent 返回: " + response.getText());
|
流式输出
他的流式输出与直接调用Spring AI返回的流式输出不同，他的返回结构是：Flux ，因为他是图结构，需要将每个节点的输出都合并成一个流，所以需要判断当前流是否是StreamingOutput 还是普通的节点输出才可以。
1
2
3
4
5
6
7
8
9
10
11
12
| @GetMapping("/streamWithSpringAiAlibaba") public Flux<String> streamWithSpringAiAlibaba(String conversationId) throws GraphRunnerException {
String systemPrompt = String.format("你是一个基于React架构（Reasoning-Act-Observation）的智能助手，你擅长使用工具帮我解决问题。" + "你的工作流程是：" + "1、思考：先根据用户的提问进行思考，推理出下一步需要进行的具体系统" + "2、行动：做具体的行动，这一步可以使用工具" + "3、观察：记录前一步行动的结果。你可以进行多轮思考和行动。如果要使用工具，请务必调用工具，不要自己随便捏造结果。");
ReactAgent agent = ReactAgent.builder() .name("executor") .model(chatModel) .tools(ToolCallbacks.from(new StockTools())) .systemPrompt(systemPrompt) .saver(new MemorySaver()) .build();
RunnableConfig config = RunnableConfig.builder() .threadId(conversationId) .build();
return agent.stream("帮我分析最近三个月特斯拉（TSLA）的股价走势，并结合新闻事件解释可能的影响因素。", config) .map(output -> {
if (output instanceof StreamingOutput) {
Message message = ((StreamingOutput<?>) output).message();
return message != null ? message.getText() : ""; }
else {
String nodeId = output.node();
Map<String, Object> state = output.state().data();
return "节点 '" + nodeId + "' 执行完成\n"; } }) .filter(text -> !text.isEmpty()); }
|
接入MCP
Spring AI Alibaba 的底层还是依赖Spring AI Apache，所以我们还是可以兼容使用之前的做法，构建ToolCallback 即可。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
| @GetMapping("/callWithMcpAndAgent") public Mono<String> callWithMcpAndAgent(String city) {
return Mono.fromCallable(() -> {
McpSyncClient streamableClient = McpClient.sync(streamableTransport) .clientInfo(new io.modelcontextprotocol.spec.McpSchema.Implementation("streamable-client", "1.0")) .requestTimeout(Duration.ofSeconds(60))
try {
List<McpSyncClient> clients = List.of(streamableClient);
SyncMcpToolCallbackProvider provider = SyncMcpToolCallbackProvider.builder() .mcpClients(clients) .build();
ToolCallback[] callbacks = provider.getToolCallbacks();
try {
return agent.call("今天" + city + "的天气如何？").getText(); }
finally {
|
访问一下我们的agent的接口，就能通过远程的mcp工具查询天气了。
