在最近的构建有效智能体研究出版物中，Anthropic 分享了关于构建有效大型语言模型 (LLM) 智能体的宝贵见解。这项研究的特别之处在于它强调简单性和可组合性，而非复杂的框架。让我们探讨这些原则如何通过使用Spring AI的功能转化为实际实现。

虽然模式描述和图表来源于 Anthropic 的原始出版物，但我们将重点介绍如何使用 Spring AI 的特性实现这些模式，以便实现模型可移植性和结构化输出。我们建议先阅读原始论文。

下面讨论的模式已在 agentic-patterns 项目中实现。

智能体系统

这项研究出版物对两类智能体系统进行了重要的架构区分：

1. 工作流（Workflows）：大型语言模型和工具通过预定义的代码路径进行协调的系统（例如，规定性系统）
2. 智能体（Agents）：大型语言模型动态指导其自身流程和工具使用的系统

关键在于，尽管全自主智能体可能看起来很有吸引力，但工作流通常能为定义明确的任务提供更好的可预测性和一致性。这与企业对可靠性和可维护性的需求完美契合。

让我们通过五种基本模式来探讨 Spring AI 如何实现这些概念，每种模式都适用于特定的用例：

1. 链式工作流（Chain Workflow）

链式工作流模式体现了将复杂任务分解为更简单、更易管理的步骤的原则。

何时使用

• 具有清晰顺序步骤的任务
• 当你希望牺牲延迟来换取更高准确性时
• 当每个步骤都基于前一步骤的输出时

这是 Spring AI 实现中的一个实际示例：

public class ChainWorkflow {
    private final ChatClient chatClient;
    private final String[] systemPrompts;

    // Processes input through a series of prompts, where each step's output
    // becomes input for the next step in the chain.     
    public String chain(String userInput) {
        String response = userInput;
        for (String prompt : systemPrompts) {
            // Combine the system prompt with previous response
            String input = String.format("{%s}\n {%s}", prompt, response);
            // Process through the LLM and capture output
            response = chatClient.prompt(input).call().content();
        }
        return response;
    }
}

此实现演示了几个关键原则：

• 每个步骤都有重点明确的职责
• 一个步骤的输出成为下一个步骤的输入
• 该链易于扩展和维护

2. 并行化工作流（Parallelization Workflow）

大型语言模型可以同时处理任务，并通过编程方式聚合其输出。并行化工作流主要有两种变体：

• 分段（Sectioning）：将任务分解为独立的子任务以进行并行处理
• 投票（Voting）：运行同一任务的多个实例以达成共识

何时使用

• 处理大量相似但独立的条目
• 需要多个独立视角的任务
• 当处理时间至关重要且任务可并行化时

并行化工作流模式展示了对多个大型语言模型 (LLM) 操作进行高效并行处理的能力。该模式特别适用于需要并行执行 LLM 调用并自动聚合输出的场景。

以下是使用并行化工作流的基本示例：

List<String> parallelResponse = new ParallelizationWorkflow(chatClient)
    .parallel(
        "Analyze how market changes will impact this stakeholder group.",
        List.of(
            "Customers: ...",
            "Employees: ...",
            "Investors: ...",
            "Suppliers: ..."
        ),
        4
    );

此示例演示了并行处理利益相关者分析，其中每个利益相关者群体都同时进行分析。

3. 路由工作流（Routing Workflow）

路由模式实现了智能任务分配，能够针对不同类型的输入进行专门处理。

此模式专为复杂任务设计，其中不同类型的输入由专门的流程处理效果更佳。它使用大型语言模型分析输入内容，并将其路由到最合适的专用提示或处理程序。

何时使用

• 具有不同输入类别的复杂任务
• 当不同输入需要专门处理时
• 当分类能够准确处理时

以下是使用路由工作流的基本示例：

@Autowired
private ChatClient chatClient;

// Create the workflow
RoutingWorkflow workflow = new RoutingWorkflow(chatClient);

// Define specialized prompts for different types of input
Map<String, String> routes = Map.of(
    "billing", "You are a billing specialist. Help resolve billing issues...",
    "technical", "You are a technical support engineer. Help solve technical problems...",
    "general", "You are a customer service representative. Help with general inquiries..."
);

// Process input
String input = "My account was charged twice last week";
String response = workflow.route(input, routes);

4. 编排器-工作器（Orchestrator-Workers）

此模式演示了如何在保持控制的同时实现更复杂的智能体行为：

• 中心大型语言模型编排任务分解
• 专门的工作器处理特定的子任务
• 清晰的边界维护系统可靠性

何时使用

• 子任务无法预先预测的复杂任务
• 需要不同方法或视角的任务
• 需要自适应解决问题的情况

该实现使用 Spring AI 的 ChatClient 进行大型语言模型交互，并包括：

public class OrchestratorWorkersWorkflow {
    public WorkerResponse process(String taskDescription) {
        // 1. Orchestrator analyzes task and determines subtasks
        OrchestratorResponse orchestratorResponse = // ...

        // 2. Workers process subtasks in parallel
        List<String> workerResponses = // ...

        // 3. Results are combined into final response
        return new WorkerResponse(/*...*/);
    }
}

使用示例

ChatClient chatClient = // ... initialize chat client
OrchestratorWorkersWorkflow workflow = new OrchestratorWorkersWorkflow(chatClient);

// Process a task
WorkerResponse response = workflow.process(
    "Generate both technical and user-friendly documentation for a REST API endpoint"
);

// Access results
System.out.println("Analysis: " + response.analysis());
System.out.println("Worker Outputs: " + response.workerResponses());

5. 评估器-优化器（Evaluator-Optimizer）

评估器-优化器模式实现了双大型语言模型流程，其中一个模型生成响应，而另一个模型在迭代循环中提供评估和反馈，类似于人类作者的润色过程。该模式由两个主要组件组成：

• 生成器 LLM：生成初始响应并根据反馈进行润色
• 评估器 LLM：分析响应并提供详细反馈以供改进

何时使用

• 存在清晰的评估标准
• 迭代润色提供可衡量的价值
• 任务得益于多轮评审

该实现使用 Spring AI 的 ChatClient 进行大型语言模型交互，并包括：

public class EvaluatorOptimizerWorkflow {
    public RefinedResponse loop(String task) {
        // 1. Generate initial solution
        Generation generation = generate(task, context);
        
        // 2. Evaluate the solution
        EvaluationResponse evaluation = evaluate(generation.response(), task);
        
        // 3. If PASS, return solution
        // 4. If NEEDS_IMPROVEMENT, incorporate feedback and generate new solution
        // 5. Repeat until satisfactory
        return new RefinedResponse(finalSolution, chainOfThought);
    }
}

使用示例

ChatClient chatClient = // ... initialize chat client
EvaluatorOptimizerWorkflow workflow = new EvaluatorOptimizerWorkflow(chatClient);

// Process a task
RefinedResponse response = workflow.loop(
    "Create a Java class implementing a thread-safe counter"
);

// Access results
System.out.println("Final Solution: " + response.solution());
System.out.println("Evolution: " + response.chainOfThought());

Spring AI 实现的优势

Spring AI 对这些模式的实现提供了几个与 Anthropic 建议相符的优势：

1. 模型可移植性

<!-- Easy model switching through dependencies -->
<dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-openai-spring-boot-starter</artifactId>
</dependency>

2. 结构化输出

// Type-safe handling of LLM responses
EvaluationResponse response = chatClient.prompt(prompt)
    .call()
    .entity(EvaluationResponse.class);

3. 一致的 API

• 跨不同大型语言模型提供商的统一接口
• 内置错误处理和重试机制
• 灵活的提示管理

最佳实践和建议

基于 Anthropic 的研究和 Spring AI 的实现，以下是构建有效大型语言模型系统的一些关键建议：

• 从简单开始

  • 在增加复杂性之前，先从基本工作流开始
  • 使用满足你需求的最简单模式
  • 仅在必要时增加复杂性

• 设计可靠性

  • 实现清晰的错误处理
  • 尽可能使用类型安全的响应
  • 在每个步骤中加入验证

• 权衡利弊

  • 平衡延迟与准确性
  • 评估何时使用并行处理
  • 在固定工作流和动态智能体之间进行选择

未来工作

在本系列的第二部分，我们将探讨如何构建更高级的智能体，将这些基础模式与复杂特性结合起来：

模式组合

• 组合多种模式以创建更强大的工作流
• 构建混合系统，利用每种模式的优势
• 创建能够适应不断变化的需求的灵活架构

高级智能体内存管理

• 实现跨对话的持久化内存
• 高效管理上下文窗口
• 开发长期知识保留策略

工具和模型上下文协议 (MCP) 集成

• 通过标准化接口利用外部工具
• 实现 MCP 以增强模型交互
• 构建可扩展的智能体架构

敬请关注这些高级特性的详细实现和最佳实践。

Tanzu 生成式 AI 解决方案

VMware Tanzu Platform 10 中的 Tanzu AI Server 由 Spring AI 提供支持，它提供了：

• 企业级 AI 部署：在 VMware Tanzu 环境中部署 AI 应用的生产就绪解决方案
• 简化模型访问：通过统一接口简化对 Amazon Bedrock Nova 模型的访问
• 安全与治理：企业级安全控制和治理特性
• 可扩展基础设施：基于 Spring AI 构建，该集成支持 AI 应用的可扩展部署，同时保持高性能

有关使用 Tanzu AI Server 部署 AI 应用的更多信息，请访问VMware Tanzu AI 文档。

结论

Anthropic 的研究见解与 Spring AI 的实际实现相结合，为构建有效的基于大型语言模型的系统提供了一个强大的框架。遵循这些模式和原则，开发者可以创建健壮、可维护且高效的 AI 应用，提供实际价值，同时避免不必要的复杂性。

关键在于记住，有时最简单的解决方案也是最有效的。从基本模式开始，彻底理解你的用例，并且只有在能够明显提升系统性能或能力时才增加复杂性。