AgentScope Java 集成 Spring AI Alibaba Workflow 完整指南

Ne0inhk

— 8 min read

AgentScope Java 集成 Spring AI Alibaba Workflow 完整指南

结合 agentscope-ai/agentscope-java、alibaba/spring-ai-alibaba 及 java2ai 生态中 Graph Core 工作流规范，以下是可落地的集成方案，涵盖核心思路、工程配置、代码实现、最佳实践四部分，兼顾 AgentScope 智能体特性与 Spring AI 工作流的工程化能力。

一、核心集成思路

1. 能力边界划分（关键前提）

框架/组件核心职责
AgentScope Java智能体（Agent）生命周期管理、多智能体协作、工具调用、上下文（Context）管理
Spring AI Alibaba阿里云大模型（通义千问/百炼）标准化调用、Workflow 声明式编排、Spring 生态适配
Java2AI Graph Core工作流节点标准化定义、执行引擎适配、可视化编排规范（参考）

2. 集成核心逻辑

以 “AgentScope 为智能体核心 + Spring AI Alibaba 为工作流引擎” 为核心，通过三层适配实现能力融合：

  1. 模型层复用：AgentScope 复用 Spring AI Alibaba 的 DashScope 客户端，统一大模型调用；
  2. 工作流层封装：将 Spring AI Alibaba Workflow 封装为 AgentScope 可调用的“工具/服务”；
  3. 执行层适配：对齐异步模型（Reactor/CompletableFuture）、生命周期（Spring/AgentScope）、上下文数据格式。

二、前置工程配置

1. 依赖整合（Maven pom.xml）

需兼容 JDK 17+、Spring Boot 3.2+，核心依赖如下（版本以官方最新为准）：

<!-- Spring Boot 核心（支撑 Spring AI） --><parent><groupId>org.springframework.boot</groupId><artifactId>spring-boot-starter-parent</artifactId><version>3.2.5</version><relativePath/></parent><dependencies><!-- 1. Spring AI Alibaba 核心（含 Workflow + DashScope 客户端） --><dependency><groupId>com.alibaba</groupId><artifactId>spring-ai-alibaba-dashscope-spring-boot-starter</artifactId><version>0.1.0</version></dependency><dependency><groupId>com.alibaba</groupId><artifactId>spring-ai-alibaba-workflow-core</artifactId><version>0.1.0</version></dependency><!-- 2. AgentScope Java 核心 --><dependency><groupId>io.agentscope</groupId><artifactId>agentscope-core</artifactId><version>0.1.0</version></dependency><dependency><groupId>io.agentscope</groupId><artifactId>agentscope-spring-boot-starter</artifactId><version>0.1.0</version><!-- 简化 Spring 集成 --></dependency><!-- 3. Java2AI Graph Core（可选，标准化工作流节点） --><dependency><groupId>com.java2ai</groupId><artifactId>graph-core</artifactId><version>1.0.0</version></dependency><!-- 4. 基础依赖 --><dependency><groupId>org.springframework.boot</groupId><artifactId>spring-boot-starter-web</artifactId></dependency><dependency><groupId>org.springframework.boot</groupId><artifactId>spring-boot-starter-validation</artifactId></dependency></dependencies>

2. 配置文件（application.yml）

统一模型密钥、工作流引擎、AgentScope 配置：

# 1. Spring AI Alibaba 配置spring:ai:# 阿里云 DashScope 配置（通义千问）dashscope:api-key: ${DASHSCOPE_API_KEY:你的阿里云API密钥}chat:options:model: qwen-turbo temperature:0.7# Spring AI Workflow 配置workflow:executor:thread-pool-size:8persistence:enabled:true# 开启工作流持久化（可选）# 2. AgentScope 配置（复用 Spring AI 的模型密钥）agentscope:core:agent:default-context-size:1000# 智能体默认上下文大小model:dashscope:api-key: ${spring.ai.dashscope.api-key}model-name: ${spring.ai.dashscope.chat.options.model}spring:integration:enabled:true# 开启 AgentScope 与 Spring 集成# 3. Java2AI Graph Core 配置（可选）java2ai:graph:core:node-package: com.yourpackage.agent.workflow.node # 工作流节点扫描包

三、核心代码实现

步骤 1：定义 Spring AI Alibaba Workflow 模板

参考 Java2AI Graph Core 节点规范，定义标准化的 AI 工作流（以医疗场景“病历分析”为例）：

packagecom.yourpackage.workflow;importcom.alibaba.spring.ai.workflow.annotation.Workflow;importcom.alibaba.spring.ai.workflow.annotation.WorkflowNode;importcom.alibaba.spring.ai.workflow.executor.WorkflowContext;importorg.springframework.ai.dashscope.DashScopeChatClient;importorg.springframework.stereotype.Component;/** * 基于 Spring AI Alibaba 定义的病历分析工作流 * 节点1：提取病历关键信息 → 节点2：校验数据完整性 → 节点3：生成分析报告 */@Workflow(name ="medical-record-analysis", description ="医疗病历分析工作流")@ComponentpublicclassMedicalRecordAnalysisWorkflow{privatefinalDashScopeChatClient dashScopeChatClient;publicMedicalRecordAnalysisWorkflow(DashScopeChatClient dashScopeChatClient){this.dashScopeChatClient = dashScopeChatClient;}/** * 节点1：提取病历关键信息（大模型调用） */@WorkflowNode(name ="extract-info", order =1, requiredParams ="medicalRecord")publicStringextractMedicalInfo(WorkflowContext context){String medicalRecord = context.getParam("medicalRecord",String.class);String prompt =""" 提取以下病历的关键信息（患者姓名、症状、检查结果、诊断结论）： %s 要求：结构化输出，简洁明了 """.formatted(medicalRecord);// 调用 Spring AI Alibaba 的 DashScope 客户端return dashScopeChatClient.call(prompt).getResult().getOutput().getContent();}/** * 节点2：校验数据完整性（工具调用） */@WorkflowNode(name ="validate-data", order =2, dependOn ="extract-info")publicStringvalidateData(WorkflowContext context){String extractedInfo = context.getResult("extract-info",String.class);// 自定义校验逻辑（可复用 AgentScope 工具）boolean isComplete = extractedInfo.contains("检查结果")&& extractedInfo.contains("诊断结论");return isComplete ?"数据完整":"缺少检查结果/诊断结论，数据不完整";}/** * 节点3：生成分析报告（结果聚合） */@WorkflowNode(name ="generate-report", order =3, dependOn ="validate-data")publicStringgenerateReport(WorkflowContext context){String extractedInfo = context.getResult("extract-info",String.class);String validateResult = context.getResult("validate-data",String.class);String prompt =""" 基于以下信息生成医疗分析报告： 1. 提取的病历信息：%s 2. 数据校验结果：%s 要求：专业、简洁，符合医疗规范 """.formatted(extractedInfo, validateResult);return dashScopeChatClient.call(prompt).getResult().getOutput().getContent();}}

步骤 2：封装 Workflow 为 AgentScope 工具

将 Spring AI Workflow 封装为 AgentScope 可调用的“工具”，符合 AgentScope 工具规范：

packagecom.yourpackage.agent.tool;importio.agentscope.core.tool.Tool;importio.agentscope.core.tool.ToolParam;importcom.alibaba.spring.ai.workflow.executor.WorkflowExecutor;importcom.alibaba.spring.ai.workflow.model.WorkflowExecutionResult;importorg.springframework.stereotype.Component;/** * AgentScope 工具：调用 Spring AI Alibaba Workflow */@Component@Tool(name ="medical_record_workflow_tool", description ="执行医疗病历分析工作流")publicclassMedicalRecordWorkflowTool{privatefinalWorkflowExecutor workflowExecutor;publicMedicalRecordWorkflowTool(WorkflowExecutor workflowExecutor){this.workflowExecutor = workflowExecutor;}/** * 工具执行方法（AgentScope 调用入口） * @param medicalRecord 病历文本 * @return 工作流执行结果（分析报告） */publicStringexecute(@ToolParam(name ="medicalRecord", description ="待分析的病历文本", required =true)String medicalRecord ){// 执行 Spring AI WorkflowWorkflowExecutionResult result = workflowExecutor.execute("medical-record-analysis",// 工作流名称 param -> param.put("medicalRecord", medicalRecord));// 返回最终节点结果return result.getNodeResult("generate-report",String.class);}}

步骤 3：AgentScope 智能体集成 Workflow 工具

创建 ReAct 智能体，将 Workflow 工具注册到 Agent 中，实现“智能体决策 + 工作流执行”：

packagecom.yourpackage.agent;importio.agentscope.core.agent.ReActAgent;importio.agentscope.core.model.dashscope.DashScopeChatModel;importio.agentscope.core.tool.Toolkit;importio.agentscope.spring.annotation.Agent;importorg.springframework.beans.factory.annotation.Autowired;importorg.springframework.context.annotation.Bean;/** * AgentScope 智能体：集成 Spring AI Workflow 工具 */@AgentpublicclassMedicalAnalysisAgent{@AutowiredprivateMedicalRecordWorkflowTool medicalRecordWorkflowTool;@AutowiredprivateDashScopeChatModel dashScopeChatModel;/** * 创建 ReAct 智能体（核心） */@BeanpublicReActAgentcreateMedicalAnalysisAgent(){// 1. 初始化工具包，注册 Workflow 工具Toolkit toolkit =Toolkit.createDefault(); toolkit.registration().tool(medicalRecordWorkflowTool::execute).group("workflow_tools").apply();// 2. 构建 ReAct 智能体returnReActAgent.builder().id("medical-analysis-agent").name("MedicalAnalysisAgent").model(dashScopeChatModel)// 复用 Spring AI 的 DashScope 模型.toolkit(toolkit)// 注册 Workflow 工具.sysPrompt(""" 你是医疗病历分析智能体，用户输入病历文本后，必须调用「medical_record_workflow_tool」工具执行分析， 并返回最终的分析报告，禁止直接生成结果。 """).build();}}

步骤 4：业务入口（API 调用示例）

通过 Spring Boot Web 暴露接口，实现“前端调用 → Agent 决策 → Workflow 执行 → 结果返回”：

packagecom.yourpackage.controller;importio.agentscope.core.agent.ReActAgent;importorg.springframework.http.ResponseEntity;importorg.springframework.web.bind.annotation.PostMapping;importorg.springframework.web.bind.annotation.RequestBody;importorg.springframework.web.bind.annotation.RequestMapping;importorg.springframework.web.bind.annotation.RestController;/** * 业务入口：病历分析接口 */@RestController@RequestMapping("/api/agent")publicclassMedicalAgentController{privatefinalReActAgent medicalAnalysisAgent;publicMedicalAgentController(ReActAgent medicalAnalysisAgent){this.medicalAnalysisAgent = medicalAnalysisAgent;}/** * 智能体 + 工作流 执行接口 */@PostMapping("/analyze-medical-record")publicResponseEntity<String>analyzeMedicalRecord(@RequestBodyString medicalRecord){// 1. 智能体处理用户请求（自动决策调用 Workflow 工具）String response = medicalAnalysisAgent.chat("分析以下病历："+ medicalRecord).getTextContent();// 2. 返回结果returnResponseEntity.ok(response);}}

四、关键适配与最佳实践

1. 异步模型对齐（核心）

AgentScope 基于 Reactor 异步编程，Spring AI Workflow 支持 CompletableFuture，需统一异步模型：

// 改造 Workflow 工具为异步执行publicCompletableFuture<String>executeAsync(String medicalRecord){returnCompletableFuture.supplyAsync(()->{WorkflowExecutionResult result = workflowExecutor.execute("medical-record-analysis", param -> param.put("medicalRecord", medicalRecord));return result.getNodeResult("generate-report",String.class);});}// AgentScope 智能体调用异步工具 toolkit.registration().tool(medicalRecordWorkflowTool::executeAsync).async(true)// 标记为异步工具.apply();

2. 上下文数据互通

实现 AgentScope 智能体上下文与 Spring AI Workflow 上下文的双向同步：

// Workflow 工具中注入 Agent 上下文publicStringexecute(String medicalRecord,@RequestAttribute("agentContext")Map<String,Object> agentContext){WorkflowExecutionResult result = workflowExecutor.execute("medical-record-analysis", param ->{ param.put("medicalRecord", medicalRecord); param.put("agentContext", agentContext);// 传递 Agent 上下文});// 将 Workflow 结果同步回 Agent 上下文 agentContext.put("workflowResult", result.getNodeResult("generate-report",String.class));return result.getNodeResult("generate-report",String.class);}

3. 异常处理兜底

为 Workflow 执行添加异常捕获，确保 Agent 稳定性：

publicStringexecute(String medicalRecord){try{WorkflowExecutionResult result = workflowExecutor.execute("medical-record-analysis", param -> param.put("medicalRecord", medicalRecord));return result.getNodeResult("generate-report",String.class);}catch(Exception e){// 兜底逻辑：AgentScope 智能体降级处理return"病历分析失败："+ e.getMessage()+"，已触发人工审核流程";}}

4. 可观测性集成

复用 Spring Boot Actuator 监控 Workflow 与 Agent 状态：

# application.yml 新增management:endpoints:web:exposure:include: health, metrics, workflows, agents metrics:enable:trueendpoint:workflows:enabled:true# 暴露 Workflow 执行指标agents:enabled:true# 暴露 AgentScope 智能体指标

五、总结

核心集成要点

  1. 依赖层：复用 Spring AI Alibaba 的 DashScope 客户端，避免重复配置模型密钥；
  2. 工具层：将 Spring AI Workflow 封装为 AgentScope 标准工具，符合智能体调用规范；
  3. 执行层：对齐异步模型、上下文数据、异常处理，确保二者协同稳定；
  4. 工程层：复用 Spring 生态的可观测性、持久化、微服务能力，降低运维成本。

关键参考资源

  • AgentScope Java 工具开发：https://github.com/agentscope-ai/agentscope-java/blob/main/docs/zh/tool/tool.md
  • Spring AI Alibaba Workflow：https://github.com/alibaba/spring-ai-alibaba/tree/main/spring-ai-alibaba-workflow
  • Java2AI Graph Core 节点规范：https://java2ai.com/docs/frameworks/graph-core/node-definition/

Read more

【开源工具】深度解析：Python+PyQt5打造微信多开神器 - 原理剖析与完整实现

【开源工具】深度解析：Python+PyQt5打造微信多开神器 - 原理剖析与完整实现

🚀【开源工具】深度解析：Python+PyQt5打造微信多开神器 - 原理剖析与完整实现 🌈 个人主页：创客白泽 - ZEEKLOG博客 🔥 系列专栏：🐍《Python开源项目实战》 💡 热爱不止于代码，热情源自每一个灵感闪现的夜晚。愿以开源之火，点亮前行之路。 👍 如果觉得这篇文章有帮助，欢迎您一键三连，分享给更多人哦 📖 前言 微信作为国民级IM工具，但官方始终未提供多开功能。本文将深入讲解如何利用Python+PyQt5开发跨平台微信多开助手，突破官方限制。不同于网上简单的多开脚本，本项目实现了： * 自动化路径探测 * 可视化操作界面 * 多模式多开机制 * 完整的异常处理体系 🎯 一、功能全景 1.1 核心功能矩阵 功能模块技术实现亮点智能路径探测注册表查询+全盘扫描支持99%的安装场景可视化交互PyQt5自定义UI组件媲美原生应用的体验多开引擎子进程管理+沙盒隔离支持三种多开模式配置持久化QSettings序列化自动记忆用户偏好 1.2 技术栈深度 图形界面PyQt5多线程搜索跨进程通信注册表操作子进程管理

By Ne0inhk

FastAPI Admin轻量级企业级管理面板解决方案：零门槛构建Python后台系统

FastAPI Admin轻量级企业级管理面板解决方案：零门槛构建Python后台系统 【免费下载链接】fastapi-adminA fast admin dashboard based on FastAPI and TortoiseORM with tabler ui, inspired by Django admin 项目地址: https://gitcode.com/gh_mirrors/fa/fastapi-admin FastAPI Admin是基于FastAPI框架和TortoiseORM打造的轻量级企业级管理面板解决方案，为Python后台系统提供高效的数据管理能力。作为一款零门槛的管理系统，它结合现代Web技术最佳实践，帮助开发者快速搭建功能完善的后台管理平台，显著降低企业级应用的开发成本与部署难度。 FastAPI Admin核心优势解析：为何选择这款管理面板 在众多管理系统解决方案中，FastAPI Admin凭借其独特优势脱颖而出。首先，它基于FastAPI框架构建，继承了异步性能优势，处理高并发请求时表现卓越。其次，采用TortoiseORM作为数据访

By Ne0inhk
如何在 Mac 上安装 Python

如何在 Mac 上安装 Python

所有最新的 MacOS（从 macOS 12.3 开始）都预装了 Python 版本（通常是 Python 2.x），但它已经过时并且不再受支持。要充分利用 Python 的功能，您需要安装最新版本的 Python。         本文提供了分步教程，展示了在 macOS（MacBook 旧版本和新版本，如 M1、M2、M3 或 M4）上安装和更新 Python 的所有有效方法，从检查预安装版本到下载和更新最新的 Python 并设置基本工具（如IDE和包管理器），本指南将帮助您轻松地在任何 MacBook 设备上安装 Python。 先决条件 正在运行 MacOS 的笔记本电脑。 访问 Macbook 管理权限或密码。 如何在

By Ne0inhk

在 WSL 中通过 VSCode/Cursor+Cond 虚拟环境运行 Python 代码 全教程

在 WSL 中通过 VSCode/Cursor+Cond 虚拟环境运行 Python 代码 全教程 本文基于你已安装 WSL的前提，重点讲解「WSL 中安装 Miniconda→创建 Python 虚拟环境→VSCode/Cursor 连接 WSL 并使用 conda 环境运行代码」的完整流程，步骤精准可落地。 一、核心前提 * 已启用 WSL2（Ubuntu/Debian 等发行版），且能正常启动终端； * Windows 端已安装 VSCode/Cursor（建议最新版本）； * 网络通畅（需下载 Miniconda 和 Python 包）。 二、步骤 1：

By Ne0inhk