LLM - Spring AI × Anthropic Skills

Ne0inhk

— 9 min read
LLM - Spring AI × Anthropic Skills

文章目录

在这里插入图片描述

Pre

LLM - Agent Skills 智能体新范式

LLM - Agent Skills 案例：PR 代码评审 Skill

LLM - Agent Skills 案例：内部数据分析

概述

可以把前面那两个 Skill（代码评审 / 内部数据分析）理解为「外部可执行能力」，再用 Spring AI 的 Function/Tool Calling 把它们挂到 Agent 上，让模型自己决定何时调用哪一个脚本，然后再基于脚本结果继续对话。

下面给一个端到端的集成示例，假设你用的是 Spring Boot + Spring AI + OpenAI/Mistral 等支持函数调用的模型。

整体思路概览

  • Skill 本身：仍然是文件夹 + SKILL.md + scripts/*.py，部署在应用服务器旁（或者挂载到容器）。
  • Spring AI 这边做三件事：
    • 用 Java 封装「运行某个 Skill 的脚本」为一个 Function/Tool（例如 runCodeReviewSkill、runDataAnalysisSkill）。
    • 在 Function 内部，通过 ProcessBuilder 调 Python 脚本，并把结果（评审报告 / 分析报告）作为字符串返回给模型。
    • 在 ChatClient 中声明这些函数为可调用工具，让 LLM 自己选用。

下面示例以「内部数据分析 Skill」为主，同时顺带演示代码评审 Skill 的挂载方式。

1. 封装 Skill 的 Java DTO 与 Tool

1.1 定义请求/响应模型

// DataAnalysisSkillRequest.javapublicrecordDataAnalysisSkillRequest(String analysisRequest,String constraints ){}// DataAnalysisSkillResponse.javapublicrecordDataAnalysisSkillResponse(String reportText ){}// CodeReviewSkillRequest.javapublicrecordCodeReviewSkillRequest(String diffOrFiles,String context ){}// CodeReviewSkillResponse.javapublicrecordCodeReviewSkillResponse(String reviewReport ){}

Spring AI 会用这些类型自动生成函数的 JSON Schema，帮助 LLM 正确构造调用参数。

1.2 Tool 实现：调用 Python Skill 脚本

这里用「内部数据分析 Skill」举例，调用的是 run_query.py + clean_and_aggregate.py，然后再调用一个「汇总为报告」的小脚本，或者直接把 CSV 路径返回给 LLM 让它读内容（取决于你怎么暴露数据）。示例里用最简单的方式：把「分析意图」传给一个 Python wrapper 脚本，由它内部使用前面那两个脚本并生成最终报告文本。

// DataAnalysisSkillTool.javapackagecom.example.ai.tools;importorg.springframework.stereotype.Service;importjava.io.BufferedReader;importjava.io.InputStreamReader;importjava.nio.charset.StandardCharsets;@ServicepublicclassDataAnalysisSkillTool{// 假设你的 Skill 目录在服务器上的路径privatestaticfinalString SKILL_BASE_DIR ="/opt/skills/internal-data-analysis-skill";publicDataAnalysisSkillResponserun(DataAnalysisSkillRequest request){try{// 这里调用一个 Python wrapper，例如 scripts/run_analysis_skill.pyProcessBuilder pb =newProcessBuilder("python", SKILL_BASE_DIR +"/scripts/run_analysis_skill.py","--request", request.analysisRequest(),"--constraints", request.constraints()==null?"": request.constraints()); pb.redirectErrorStream(true);Process process = pb.start();StringBuilder output =newStringBuilder();try(BufferedReader reader =newBufferedReader(newInputStreamReader(process.getInputStream(),StandardCharsets.UTF_8))){String line;while((line = reader.readLine())!=null){ output.append(line).append("\n");}}int exitCode = process.waitFor();if(exitCode !=0){returnnewDataAnalysisSkillResponse("分析脚本执行失败，退出码："+ exitCode +"，输出：\n"+ output );}returnnewDataAnalysisSkillResponse(output.toString());}catch(Exception e){returnnewDataAnalysisSkillResponse("执行内部数据分析 Skill 时出现异常："+ e.getMessage());}}}

代码评审 Skill 同理：调用 code-review-skill/scripts/... 并返回报告文本即可。

2. 把 Tool 注册成 Spring AI Function

Spring AI 推荐通过 @Bean Function<Req,Resp> 或 @Tool 暴露工具，让 ChatClient / ChatModel 知道有哪些函数可用。

// SkillsConfig.javapackagecom.example.ai.config;importcom.example.ai.tools.DataAnalysisSkillTool;importcom.example.ai.tools.CodeReviewSkillTool;importcom.example.ai.tools.dto.*;importorg.springframework.context.annotation.Bean;importorg.springframework.context.annotation.Configuration;importjava.util.function.Function;@Configuration(proxyBeanMethods =false)publicclassSkillsConfig{@BeanpublicFunction<DataAnalysisSkillRequest,DataAnalysisSkillResponse>internalDataAnalysis(DataAnalysisSkillTool tool){return tool::run;// 函数名 internalDataAnalysis = Skill 名}@BeanpublicFunction<CodeReviewSkillRequest,CodeReviewSkillResponse>codeReviewAssistant(CodeReviewSkillTool tool){return tool::run;}}

在 Spring AI 里，这两个 Bean 名（internalDataAnalysis / codeReviewAssistant）就是 LLM 能看到的工具名，你可以在 prompt 中让模型了解它们的用途，也可以只靠 JSON Schema 自动推断。

3. ChatClient：让 Agent 自己选用 Skill

3.1 定义一个「数据分析 Agent」服务

// DataAnalysisAgentService.javapackagecom.example.ai.agent;importcom.example.ai.tools.dto.DataAnalysisSkillRequest;importcom.example.ai.tools.dto.DataAnalysisSkillResponse;importorg.springframework.ai.chat.client.ChatClient;importorg.springframework.stereotype.Service;@ServicepublicclassDataAnalysisAgentService{privatefinalChatClient chatClient;publicDataAnalysisAgentService(ChatClient.Builder chatClientBuilder){this.chatClient = chatClientBuilder.build();}publicStringanalyze(String userQuestion,String constraints){var sysPrompt =""" 你是公司内部的数据分析助手。 你可以使用名为 internalDataAnalysis 的工具，它会基于数据仓库执行查询和分析，并返回一份结构化的中文报告草稿。 当用户的问题涉及具体的数据指标、时间范围、渠道/地区对比时，应优先调用该工具，而不是凭空猜测。 """;// 这里不直接 new DataAnalysisSkillRequest，而是让 LLM 自己构造参数并调用工具return chatClient .prompt().system(sysPrompt).user(userSpec -> userSpec .text("用户问题：{q}\n约束条件（可为空）：{c}").param("q", userQuestion).param("c", constraints ==null?"": constraints))// 关键：声明允许使用的函数名，Spring AI 会把函数 Schema 一起发给模型.functions("internalDataAnalysis").call().content();// 最终答案：模型在工具结果基础上生成的回答}}

模型流程示意：

  1. 收到用户问题 → 判断需要具体数据 → 选择调用 internalDataAnalysis。
  2. 构造 DataAnalysisSkillRequest 的 JSON 入参。
  3. Spring AI 执行 Java Function → 调 Python Skill 脚本 → 拿到报告文本。
  4. Spring AI 把报告作为新一轮对话上下文喂回模型。
  5. 模型基于报告，生成最终面向业务同学的自然语言回答。

3.2 控制器层简单暴露 HTTP 接口

// DataAnalysisController.javapackagecom.example.ai.web;importcom.example.ai.agent.DataAnalysisAgentService;importorg.springframework.web.bind.annotation.*;@RestController@RequestMapping("/api/analysis")publicclassDataAnalysisController{privatefinalDataAnalysisAgentService agentService;publicDataAnalysisController(DataAnalysisAgentService agentService){this.agentService = agentService;}@PostMappingpublicStringanalyze(@RequestParam("question")String question,@RequestParam(value ="constraints", required =false)String constraints){return agentService.analyze(question, constraints);}}

4. Python 侧：包装 Skill 为统一入口（可选但推荐）

上面的 Java Tool 调用了一个假想的 run_analysis_skill.py，它可以作为 Skill 的统一入口，内部再去调用 run_query.py 和 clean_and_aggregate.py，并基于结果拼出完整报告文本（按照你在 SKILL.md 中定义的结构）。

伪代码示例：

# internal-data-analysis-skill/scripts/run_analysis_skill.pyimport argparse import textwrap # 这里导入或复用 run_query.py / clean_and_aggregate.py 中的逻辑defmain(): parser = argparse.ArgumentParser() parser.add_argument("--request", required=True) parser.add_argument("--constraints", default="") args = parser.parse_args()# 1. 解析 request / constraints -> 决定查询模板# 2. 生成 SQL，调用 run_query.py 获得 result.csv# 3. 调用 clean_and_aggregate.py 做清洗与聚合# 4. 按 SKILL.md 中的报告结构拼出一份文本，print 到 stdout report = textwrap.dedent(f""" 内部数据分析报告（示例） 一、分析诉求 - {args.request} - 约束条件：{args.constraints or"无"} 二、关键指标（示例说明） - ... 三、主要发现 - ... 四、风险与局限 - ... 五、后续建议 - ... """).strip()print(report)if __name__ =="__main__": main()

这样有三个好处：

  • Java 只关心「给脚本字符串 → 拿报告字符串」，无需理解 SQL 细节。
  • Skill 的演进主要在 Python + SKILL.md 里完成，不影响 Java 侧接口。
  • 以后如果换成 MCP / 远程服务，也可以保持 Java 侧函数签名不变，只调整内部实现。

5. 同理挂载其它 Skill（如代码评审）

代码评审 Skill 的集成方式完全相同，只是：

  • DTO 换成 CodeReviewSkillRequest/Response；
  • Tool 内部调用的是 code-review-skill/scripts/...；
  • Agent 的 system prompt 改成「你是代码评审助手，可以调用 codeReviewAssistant 工具……」。

Spring AI 会自动把两个工具的 Schema 一起发给模型，这样一个更通用的「工程生产力 Agent」就可以根据用户问题自动选择是「查数据」还是「审代码」了。

下一步可以一起细化两点：

  • 根据当前用的具体模型（OpenAI、Anthropic 代理、Mistral 等），调整 application.yml 中 Spring AI 的模型配置和函数调用选项。
  • 把「Skill 元数据（目录扫描） + MCP」结合起来，让 Spring AI 在运行时动态发现新的 Skill，而不仅仅是写死在配置中的两个函数。

扩展阅读

  1. Spring AI 官方主页
    https://spring.io/ai
  2. Spring AI 官方文档：Tools API
    https://docs.spring.io/spring-ai/reference/api/tools.html
  3. Spring AI GitHub 仓库
    https://github.com/spring-projects/spring-ai
  4. Spring AI 1.0 GA 官方发布（Azure 场景）
    https://techcommunity.microsoft.com/blog/appsonazureblog/spring-ai-1-0-ga-is-here—build-java-ai-apps-end-to-end-on-azure-today/4414763

Function Calling / Tool Calling 核心能力

  1. Function Calling in Java & Spring AI（Mistral）
    https://spring.io/blog/2024/03/06/function-calling-in-java-and-spring-ai-using-the-latest-mistral-ai-api
  2. Spring AI Function Calling 示例（HowToDoInJava）
    https://howtodoinjava.com/spring-ai/spring-ai-function-calling-example/
  3. Spring AI Function Calling 入门
    https://piotrminkowski.com/2025/01/30/getting-started-with-spring-ai-function-calling/
  4. Baeldung：Spring AI + Mistral Function Calling
    https://www.baeldung.com/spring-ai-mistral-api-function-calling
  5. Spring AI Chat Functions（OpenAI / 早期版本文档）
    https://www.spring-doc.cn/spring-ai/1.0.0-M4/api_chat_functions_openai-chat-functions.en.html

Tool / MCP / 动态能力扩展

  1. Spring AI + MCP：Dynamic Tool Updates
    https://spring.io/blog/2025/05/04/spring-ai-dynamic-tool-updates-with-mcp
  2. Spring AI GitHub Discussion：Tool / Function 设计讨论
    https://github.com/spring-projects/spring-ai/discussions/1082

架构实践 / 综合教程

  1. Building AI-Driven Applications with Spring AI
    https://javapro.io/2025/04/22/building-ai-driven-applications-with-spring-ai/
  2. Integrating Spring AI
    https://dimitri.codes/integrating-spring-ai/
  3. Spring AI 入门教程（InfoWorld）
    https://www.infoworld.com/article/4091447/spring-ai-tutorial-get-started-with-spring-ai.html
  4. Spring Boot + Spring AI 集成指南
    https://javatechonline.com/spring-ai-how-to-integrate-ai-with-spring-boot/

Java × Python / 跨语言协作（Agent 常见落地形态）

  1. Java 调用 Python 的几种方式（Baeldung）
    https://www.baeldung.com/java-working-with-python
  2. Java 调用 Python ML 服务的架构选择（StackOverflow）
    https://stackoverflow.com/questions/59492410/calling-python-machine-learning-service-from-java-as-an-os-process-or-micro-serv
  3. Java 与 Python 并行运行的实践讨论（Reddit）
    https://www.reddit.com/r/javahelp/comments/jwnygr/running_persistent_python_program_in_parallel_to/

Agent / Claude / 外部参照体系

  1. Anthropic：Agent Skills 官方工程文
    https://www.anthropic.com/engineering/equipping-agents-for-the-real-world-with-agent-skills
  2. Claude Code 作为数据分析 Agent 的实践
    https://pub.towardsai.net/claude-code-as-a-data-analyst-from-zero-to-first-report-0aa55539a19f
  3. 中文解读：Claude Agent Skills
    https://www.toutiao.com/article/7581769941976711718/

视频资源

  1. Spring AI 实战讲解（YouTube）
    https://www.youtube.com/watch?v=LJCnpsdhPlQ
  2. Spring AI / Function Calling 视频教程
    https://www.youtube.com/watch?v=qezHjW7oryE
在这里插入图片描述

Read more

Flutter 组件 okay 的适配 鸿蒙Harmony 实战 - 驾驭类型化结果包装、实现鸿蒙端函数式异常处理与逻辑自愈架构方案

Flutter 组件 okay 的适配 鸿蒙Harmony 实战 - 驾驭类型化结果包装、实现鸿蒙端函数式异常处理与逻辑自愈架构方案

欢迎加入开源鸿蒙跨平台社区：https://openharmonycrossplatform.ZEEKLOG.net Flutter 组件 okay 的适配 鸿蒙Harmony 实战 - 驾驭类型化结果包装、实现鸿蒙端函数式异常处理与逻辑自愈架构方案 前言 在鸿蒙（OpenHarmony）生态的分布式事务处理、金融支付核心链路以及对系统鲁棒性有极致要求的复杂业务逻辑开发中，“错误的精确支配”是工程质量的最后一道防线。面对一个可能因断网、鉴权失效或数据格式错误而失败的 API 调用。如果仅仅依靠原始的 try-catch 捕获所有 Exception。那么不仅会导致业务逻辑代码中充斥着大量的跳转噪音、使代码流程变得支离破碎。更会因为无法在类型层面强制开发者处理异常逻辑，引发严重的运行时“空指针引发的崩溃”事故方案。 我们需要一种“显式包装、类型受控”的逻辑处理艺术。 okay 是一套专注于引入 Rust/Swift 风格的 Result 类型（或者称为 Ok/Err 模式）

By Ne0inhk

云服务器MySQL 8.0安装与远程连接配置完整教程

云服务器MySQL 8.0安装与远程连接配置完整教程 📋 文章摘要 本文详细介绍在腾讯云轻量应用服务器（Ubuntu 20.04 LTS）上安装MySQL 8.0，并配置远程连接的完整过程。包括MySQL安装、root用户密码设置、远程访问配置、防火墙设置等关键步骤，以及常见问题的解决方案。 关键词：MySQL 8.0、云服务器、远程连接、Ubuntu、数据库配置 🖥️ 环境说明 * 服务器：腾讯云轻量应用服务器 * 操作系统：Ubuntu 20.04 LTS * MySQL版本：8.0.42 * 服务器配置：4核4G3M * 公网IP：你的公网IP 📚 目录 1. 准备工作 2. 安装MySQL 8.0 3.

By Ne0inhk
KingbaseES数据库：ksql 命令行用户与权限全攻略，从创建到删除

KingbaseES数据库：ksql 命令行用户与权限全攻略，从创建到删除

KingbaseES数据库：ksql 命令行用户与权限全攻略，从创建到删除 本文聚焦 KingbaseES 数据库的 ksql 命令行用户与权限管理，先明确操作前需用管理员账号（如 system）连接数据库，并确认依赖的数据库、模式、表等对象存在。接着解析权限 “数据库→模式→表” 的层级关系，再分步讲解用户管理全流程：创建用户时需设置用户名、密码及属性，可通过 \du 命令查看用户信息，用 ALTER USER 修改密码、权限属性及默认配置，按层级用 GRANT 授予、REVOKE 回收权限，删除用户需谨慎，存在依赖对象时需加 CASCADE 参数。还列举了登录、查表、删用户的常见报错及解决办法，强调最小权限、层级清晰等核心原则，助力新手掌握数据安全控制要点。 前言     中电科金仓（北京）

By Ne0inhk