Southblock'Blog

✅AgentScope Java特性：Hook 就像Spring AI Alibaba一样，ASJ中也提供了完善的Hook机制，Hook 是一个事件拦截器链，横跨 ReActAgent 的”推理-行动-总结”全生命周期。他可以说是ASJ的一个基石。很多功能都要基于这个Hook机制来实现。  Hook 机制就是一套统一事件模型，允许开发者在 Agent 执行的各个阶段插入自定义逻辑，用于监控、拦截和修改 Agent 行为。所有 Hook 通过实现 Hook 接口来接入系统。  Hook 系统自 2.0.0 起已被标记为 @Deprecated(forRemoval = true)，官方推荐迁移到 MiddlewareBase 中间件系统。但由于大量现有代码和扩展仍依赖 Hook，理解其工作原理仍然非常必要。  Hook机制介绍Hook的接口定义如下：  12345public interface Hook { <T extends HookEvent> Mono<T> onEvent(T event); default ...

✅AgentScope Java特性：智能上下文压缩  ASJ中在多轮对话、持久化对话以及长期记忆之外，还提供了个内置的上下文自动管理的机制，能实现自动的上下文压缩和卸载。用来解决长会话或者多轮 ReAct 工具调用中出现的token 爆炸、上下文窗口溢出问题。  这部分能力靠AutoContextMemory实现的，它实现了 Memory 接口，通过六级渐进式压缩策略，在对话长度逼近模型上下文窗口时自动”瘦身”，同时把原始内容卸载到外部存储（可通过 ID 重新加载）。  传统做法只能”截断”或”全量摘要”，AutoContextMemory 则按场景智能选择”压什么”和”怎么压”。  压缩触发条件： 1// 消息数量超过 msgThreshold，默认 100 条boolean msgCountReached = messages.size() >= msgThreshold; // Token 数量超过 模型最大上下文 × tokenRatio ，默认 128k * 0.75 = 96kboolean tokenCountReached = toke ...

✅AgentScope Java特性：长期记忆 （虽然在ASJ的2.0的relesse note中提到：RAG (Knowledge / KnowledgeRetrievalTools / RAGMode) and long-term memory modules deprecated — being rewritten on the v2 architecture; don’t depend on them in new code`，但是截止目前，2.0还没正式发布，也没给出替代方案，我们先讲1.0的方案和用法，后续新版本更新了我能再单独讲方案和用法）   ✅什么是长期记忆前面我们讲过，Agent的记忆能力必不可少。Agent 的“记忆”是指其在与环境或用户交互过程中，用于存储、检索和利用信息的机制。这些信息可以包括： 没有记忆的 Agent 只能处理孤立的请求，无法实现上下文感知、个性化服务或持续改进。 LLMentor  前面讲过了长期记忆，也介绍过如何在spring ai alibaba中接入mem0做长期记忆，agent scope也是支持长期记忆 ...

✅AgentScope Java特性：多轮会话&会话持久化 AgentScope Java 的多轮会话由两个核心机制协作完成：Memory（短期会话记忆）负责维护当前对话上下文，Session（会话持久化）负责将状态保存/恢复到外部存储。两者结合实现了”跨请求的连续对话”和”跨重启的会话恢复”。  多轮会话的核心：Memory AgentScope Java 中的 Memory 接口扮演”短期记忆”角色。每次用户发送消息调用 agent.call(msg) 时，框架自动完成以下流程： 将用户消息加入 Memory（addToMemory(msgs)） 构造完整消息列表传给 LLM（System Prompt + 历史消息 + 当前输入） 将 LLM 的回复也加入 Memory 如果触发工具调用，工具结果同样加入 Memory 循环直到 LLM 决定结束（无工具调用或达到 maxIters） 因此只要 Agent 实例不被销毁，多轮对话天然支持——Memory 中持续积累所有历史消息。  12public interface Memory exte ...

✅AgentScope Java特性：流式输出、结构化输出、超时与重试、执行控制 流式输出 AgentScope Java 的流式输出基于 Reactor 的 Flux 实现。Agent 提供 stream() 方法，返回一个事件流，每个事件包含推理过程的增量输出、工具调用结果等。  关键类： Agent.stream(Msg, StreamOptions) — 流式调用入口，返回 Flux StreamOptions — 流式配置项（事件类型过滤、增量/累积模式等） Event — 流式事件对象，包含类型、消息内容、是否为最后一条 EventType — 事件类型枚举：ALL、REASONING、TOOL_RESULT、SUMMARY、AGENT_RESULT、HINT REASONING：Agent 的”思考和规划”阶段产生的事件。对应 ReAct 循环中的 Reasoning 步骤，即模型在决定下一步行动之前的推理输出。(包括TOOL_USE的内容） TOOL_RESULT：Agent 调用工具（Acting 阶段）执行完成后产生的事件，包含工具的返回 ...

✅AgentScope初探 AgentScope 是由阿里巴巴团队开源的一个以开发者为中心、高度灵活的多智能体（Multi-Agent）应用开发框架。它的核心目标是帮助开发者更轻松地构建基于大语言模型（LLM）的分布式、高容错、多智能体应用。  AgentScope Java 是一个面向智能体的编程框架，用于构建 LLM 驱动的应用程序。它提供了创建智能体所需的一切：ReAct 推理、工具调用、内存管理、多智能体协作等。  项目地址：https://github.com/agentscope-ai/agentscope-java  和Spring AI Alibaba的关系 我们前面介绍过Spring AI Alibaba，它是基于Spring AI的扩展，在Spring AI之上，构建了Graph和Agent能力。提供了ReactAgent的实现。以 ReactAgent + StateGraph 为核心，提供 ReAct 推理循环、多智能体编排、Checkpoint 持久化、人机协同等生产级能力。    有了Spring ai alibaba 可以大大降低JAVA ...

✅Hermes Agent的Skill自进化机制 这几天（4月初级到四月中旬），Nous Research开源的Hermes Agent突然火起来了，github的star数在疯涨，热度高到有超越open claw的势头了。  为什么他这么火呢？主要是因为他解决了open claw中的这样一个痛点：  在使用 OpenClaw 完成一个任务后，无论过程中走了多少弯路、犯了多少错误，这些宝贵的经验都不会沉淀下来，都是用后即焚的。即使下次再遇到相同的任务，他还会从头再来一遍，把踩过的坑再踩一遍。即使你让它记录Memory，他也只是会记录一些简要的重点事项和用户习惯，并不会记录太多执行细节。  Hermes则引入了一种Skill自进化机制，来解决这个问题。  说的简单点，就是引入了一种动态的Skill沉淀的能力。在Hermes Agent中，每次完成复杂任务后，Hermes不会简单地丢弃对话历史，而是会启动一个“复盘”流程。它会回过头来审视整个执行轨迹，提取其中的关键步骤，特别是那些“踩过的坑”、有效的纠错手段以及人工验证过的最佳实践。  随后，系统将这套经验总结、抽象为一个结构 ...

✅Agent Skills的安全问题 大家应该已经比较了解Skills了，他就想 AI Agent的”可插拔能力包”。一个 Skill告诉Agent如何完成某类特定任务，例如生成 PDF 文档、操作Excel、简历评估等。  有哪些安全问题？Skills 的价值在于它实现了能力的模块化和可复用——开发者可以编写 Skill 并共享给社区，用户则可以按需安装，像给手机装 App 一样扩展 AI 的本领。  但也正是这种开放性和灵活性，让安全问题变得格外复杂。  代码执行与权限边界模糊。 Agent Skills 最根本的安全挑战在于，它们往往需要执行真实的代码、访问真实的文件系统，甚至调用外部 API。当一个 Skill 被授权在用户本地环境中运行 Shell 命令或读写文件时，恶意或有缺陷的 Skill 可能造成严重后果：删除关键文件、窃取敏感信息、安装后门程序，不一而足。问题的关键在于，许多系统对 Skill 的权限边界定义不够清晰——一个用于”生成报告”的 Skill，到底该不该有权限读取用户的私钥文件？  供应链攻击。 当 Skills 以社区生态的方式分发时，供应链攻 ...

✅Claude Code中的Skills实现原理  claude-code-m ain.zip(9.4 MB) - 0%  Claude Code的源码泄露了，我下载了一份，放到上面的链接了。  省流版 相比于OpenCode，CC的实现有几个特点（或者叫优势也行）  1、没有单独定义一个Skill的数据模型，而是复用了Command类型，把所有用**/** 触发的都叫做Command 2、支持多种Skill的集成方式，包括了内置的，以及插件类型的Skill，以及常见的包路径扫描方式。并且是多路并行同时加载的。 3、Skill的描述声明过程中，会看token的情况，如果”预算”不足，会精简skill的描述（截断或者干脆不提供） 4、Skill支持多种执行方式，包括inline、fork和remote，尤其是fork这种，可以让skill只在隔离的子agent中运行。  以上，3、4两个点，都是上下文管理的手段，可见，CC真的是在上下文工程上做的很极致。  一、数据模型 在CC中，Skill 在代码中并没有一个独立的 Skill 类型，而是复用了 Command（命令） ...

✅Spring AI中Skill集成的实现原理 在Spring AI Alibaba 中，Skill的实现设计灵感来源于 Claude Code 的 Skill 机制。一样的，这里面的每个 Skill 本质上就是一个目录，里面包含一个 SKILL.md 文件，这个文件用 YAML frontmatter 定义元数据（name、description），正文则是详细的使用说明、工作流、最佳实践等内容。Skill 目录下还可以放辅助脚本、参考文档等支撑资源。  （本文代码基于saa 1.1.2.0）  SkillMetadata 数据模型是 SkillMetadata，包含 name（技能名）、description（描述）、skillPath（技能目录路径）、source（来源，区分 “user” 还是 “project”）、fullContent（SKILL.md 去掉 frontmatter 后的正文）。    Skill 的发现与注册Skill 的注册中心抽象为 SkillRegistry 接口，核心方法包括 get(name)、listAll()、readSkil ...