第 3 章：AI 应用开发框架
本章系统梳理了 AI 应用开发的主流框架与智能体范式，帮助开发者理解从单智能体到分布式多智能体的演进路径，掌握消息驱动与协同开发等关键工程实践。
智能体的定义与主流开发范式
本节介绍智能体（Agent）的基本定义及主流开发范式，帮助读者建立智能体应用的整体认知。
什么是智能体
我们可以将智能体（Agent）理解为一个具备自主理解、规划、记忆和工具使用能力的数字化实体。想象一个高度智能的个人助理，你只需告诉他“帮我规划一次去北京的周末旅行”，他就能自主完成以下任务：
- 感知（Perception）：理解用户的自然语言指令。
- 规划与推理（Planning & Reasoning）：借助模型推理能力，将任务拆解为查询往返机票、筛选酒店、规划景点路线、预估预算等子任务。
- 记忆（Memory）：记住你之前的偏好，比如喜欢靠窗的座位、偏爱的经济型酒店。
- 工具（Tool）：调用外部工具，如机票预订 API、酒店查询系统、地图服务等，来执行这些子任务。
- 反馈与迭代（Feedback & Iteration）：将规划好的行程草案反馈给你，并根据你的修改意见进行调整，最终完成预订。
智能体让 AI 从一个只会内容生成的语言模型，进化成一个具备自主规划能力的行动者。
智能体的主流开发范式
随着智能体技术的不断成熟，业界出现了多种有效的智能体开发范式。根据解决问题的场景与复杂度，主流智能体应用开发范式大致分为以下几种：
- 简单 LLM 应用：直接调用模型 API 实现内容生成，完全依赖模型服务。
- 单智能体：为 LLM 应用增加 RAG、Tool、Memory 等能力，使模型具备与特定环境交互的能力。
- 工作流（Workflow）：将应用拆分为多个独立子智能体，并按照预定义流程编排，适合复杂业务场景。
- 多智能体系统（Multi-Agent）：采用模型驱动、对话式流程编排，各子智能体协作完成复杂目标，具备更高的自主决策权。
接下来将围绕单智能体、工作流、多智能体系统三种核心开发范式展开，讲解其核心设计理念。
单智能体
Augmented LLM Application 旨在弥补大模型预训练特性的局限性，如无法获取最新数据、无法调用本地工具、无状态等。典型单智能体架构如下图所示。
下图展示了单智能体架构的基本模式：
单智能体架构的高级性依赖于底层模型能力，但在实际应用中，模型能力有限，单智能体模式面临工具选择、上下文膨胀、任务复杂度和可维护性等挑战。因此，业界设计了工作流和多智能体系统等模式来弥补模型能力不足。
工作流
工作流是一种编排模式，将复杂任务拆解为有序步骤，强调流程的确定性和可控性。常见工作流包括链式工作流（Chain）和路由工作流（Routing）。
链式工作流
链式工作流将复杂任务分解为一系列子任务，每一步由独立的 LLM 调用完成，上一阶段输出作为下一阶段输入。
下图展示了链式工作流的结构：
路由工作流
路由工作流通过对输入进行分类，将其分派到专门的下游任务或处理路径，实现关注点分离与精准响应。
下图展示了路由工作流的结构：
多智能体系统
多智能体系统采用自治协作模式，由多个具备自治能力的 Agent 组成，每个 Agent 有独立角色和能力，通过消息或上下文交互协同完成复杂目标。
这种方式更接近团队合作，适合任务边界不清晰、需动态规划的场景，如研究型问答、复杂数据分析等。其挑战在于交互和决策路径高度动态，难以预测和调试。
开发一个简单的智能体
本节以 Spring AI Alibaba 框架为例，介绍如何快速定义和实现一个功能完备的智能体。
智能体框架选型
智能体开发生态最初以 Python 为主，后逐步拓展到 Java 等语言。Spring AI Alibaba 等 Java 框架为开发者提供了丰富的智能体开发能力。
Spring AI Alibaba 中的 Agent 定义
Spring AI Alibaba 中的 Agent 定义为 React Agent，是典型的 ReAct 模式实现。ReAct 通过“思考 - 行动 - 观察”循环动态解决复杂问题。
下图展示了 ReAct 循环的具体步骤：
循环步骤包括：
- 思考（Thought）：分析任务目标、已有信息和可用工具，生成推理过程或计划。
- 行动（Action）：调用外部工具，生成结构化指令。
- 观察（Observation）：执行工具调用，将结果反馈给智能体。
- 循环迭代：结合观察结果和任务目标，进入新一轮思考，直至任务完成。
示例代码与 AgenticAPI
快速定义一个简单的 Agent
定义智能体需明确以下基础配置：
- Name（名称）：唯一标识符，建议具备描述性。
- Description（描述）：简要说明能力，便于多智能体协作时区分。
- Model（模型）：指定底层大语言模型，如 “qwen-max”。
引导 Agent 行为（设置 Prompt 提示词）
instruction 参数用于引导智能体行为，包括：
- 核心任务或目标
- 性格或角色（Persona）
- 行为约束
- 工具使用说明
- 输出格式要求
编写 instruction 时应清晰具体，可用 Markdown 格式和示例增强可读性。
高级设置：配置工具与模型参数
工具赋予智能体超越模型预训练数据的能力。可通过原生函数、API 或其他智能体实例为 Agent 配置工具，提升其与业务系统的集成能力。
工作流与多智能体
本节介绍如何通过多智能体架构应对复杂业务场景，重点讲解 Spring AI Alibaba 框架下的多智能体类型与工作流实现。
Spring AI Alibaba 中的多智能体类型
下图展示了 Spring AI Alibaba 中 Agent 的类继承关系：
| 类型 | ReactAgent | FlowAgent | MultiAgent |
|---|---|---|---|
| 核心特性 | 推理、生成、工具使用 | 控制多个智能体流程 | 控制多个智能体流程 |
| 流程编排 | 无 | 预定义流程（串行、并行等） | 支持大模型决策的流程控制 |
| 确定性 | 较高不确定性 | 较高确定性 | 介于 ReactAgent 和 FlowAgent 之间 |
工作流-SequentialAgent
SequentialAgent 依次执行多个子 Agent，上一个 Agent 的输出作为下一个 Agent 的输入。
下图展示了 SequentialAgent 的典型架构：
示例：文章协作助手，包含 writer_agent、reviewer_agent 两个子智能体，通过 SequentialAgent 串联。
工作流-ParallelAgent
ParallelAgent 并行执行多个子 Agent，适合多领域任务协同。
下图展示了 ParallelAgent 的架构：
示例：智能搜索助手，包含多个领域子 Agent，并通过 MergerAgent 合并输出，最终用 SequentialAgent 串联。
下图为智能搜索助手的总体架构：
工作流-LoopAgent
LoopAgent 循环执行子 Agent，适合需要多轮迭代的任务。
下图展示了 LoopAgent 的架构：
多智能体系统-LlmRoutingAgent
LlmRoutingAgent 通过模型决策下一个子智能体走向，适合动态流程控制。
下图展示了 LlmRoutingAgent 的基本架构：
从单进程到分布式部署
本节介绍智能体从单进程到分布式部署的演进，重点解析 A2A 协议及其在分布式智能体系统中的应用。
下图展示了分布式智能体架构的演进趋势：
什么是 A2A 协议
A2A 协议是一项开放标准，旨在实现异构智能体间的高效通信与协作。其核心角色包括用户、A2A 客户端和 A2A 服务端。
A2A 协议的主要元素有：
- Agent Card（智能体卡片）：JSON 格式元数据，描述智能体能力和服务端点。
- Task（任务）：支持多轮交互的状态化任务。
- Message（消息）：单次通信的基本单元。
- Artifact（产出物）：任务完成后的实体化结果。
- Part（内容块）：消息或产出物的最小内容单元。
A2A 支持轮询、流式传输和推送通知三类交互机制。
A2A 协议的工作流
A2A 协议的工作流程分为三步：
- 发现 A2A Server 的 AgentCard。
- 进行授权和权限认证。
- 发起 A2A 请求（同步或流式）。
下图展示了 AgentCard 发现流程：
下图展示了 A2A 授权与认证流程：
下图展示了同步请求流程：
下图展示了流式请求流程：
基于 NacosA2ARegistry 的自动注册与发现
AgentCard 是远端 Agent 的数字名片，A2AClient 通过解析 AgentCard 实现智能体发现。AgentCard 的获取方式包括直接配置、固定 URI 和注册中心。
下图展示了直接配置方式：
下图展示了固定 URI 方式：
NacosA2A 注册中心
Nacos 作为 A2A 协议的注册中心，统一管理 Agent 的注册、发现和检索能力。
下图展示了 NacosA2A 注册中心架构：
Nacos 支持 Agent 版本管理和灰度发布，提升分布式智能体系统的可维护性和扩展性。
下图展示了 Nacos 在 Agent 应用中的多重角色：
消息驱动的智能体开发模式
本节介绍消息驱动在 AI 应用中的关键作用，重点分析 RocketMQ 在 AI 场景下的创新架构与调度能力。
消息模型提升 AI 通信效率
AI 应用交互具有长耗时、多轮次和高算力成本等特点。传统消息队列难以满足 AI 场景下的高并发、长会话和大消息体需求。
下图展示了基于 RocketMQ 的轻量化消息架构：
RocketMQ 针对 AI 场景优化了百万级 Lite-Topic 支持、自动管理、大消息体传输和严格顺序保障。
下图展示了消费分发策略：
基于消息驱动的智能化资源调度
RocketMQ 通过优先级与配额机制，实现流量削峰填谷、定速消费和智能资源分配。
下图展示了资源调度架构：
基于统一元数据的 AI 协同开发模式
AI 时代的协同开发可基于统一元数据，打通产品、设计、前后端等多角色协作流程，提升开发效率。
下图展示了统一元数据驱动的协同开发流程：
| 层级 | 主要内容 |
|---|---|
| 智能协作层 | 需求解析→智能校验→冲突检测 |
| 物料规范层 | Design Token 库→语义化组件→API 契约 |
| 转换引擎层 | 文生图→图生代码→代码重构→接口联调 |
| 基础数据层 | 结构化 PRD→设计系统→接口规范 |
在 AI 时代，团队可通过统一物料库和智能工具链，实现需求、设计、开发、测试等环节的高效协同。
总结
本章系统梳理了 AI 应用开发的主流框架与智能体范式，涵盖从单智能体到多智能体、分布式部署、消息驱动与协同开发等关键内容。理解并合理运用这些开发模式，将为构建高效、可扩展的 AI 原生应用奠定坚实基础。