1. 什么是 LLM Agent

1.1 定义

LLM Agent（智能体） 是一个以大型语言模型（LLM）为核心决策引擎、能够自主调用外部工具、执行多步骤任务并动态调整行为的智能系统。

简单来说：如果说单个 LLM 调用是"一问一答"，那么 Agent 就是让 LLM 成为"能自己动手的助手"——它不再只是回答问题，而是可以规划步骤、调用工具、反思结果、循环迭代，直到完成目标任务。

举一个现实场景的例子：

• 普通 LLM 调用：用户问"帮我查下北京明天天气"，模型返回一段天气描述文本。

• Agent 行为：用户说"如果明天北京下雨，帮我取消户外会议并通知参会人"。

  1. 调用天气 API 获取数据
  2. 判断是否下雨
  3. 如果是，调用日历 API 取消会议
  4. 调用邮件/消息 API 通知所有人

1.2 为什么 Anthropic 的研究很重要？

2024 年底，Anthropic 发表了备受关注的论文 Building Effective Agents，其核心观点颠覆了业界对 Agent 的普遍认知：

主流误区	Anthropic 的洞察
Agent 越自主越好	对于大多数任务，预设工作流（Workflow） 比完全自主的 Agent 更可靠
框架越复杂越强大	简洁 + 可组合 优于复杂框架
一个 Agent 解决所有问题	应把任务分解，按需选择最合适的模式

这条理念与企业级应用的需求高度契合：可靠性和可维护性比炫技更重要。

💡 本文特色：所有模式均配有基于 Spring AI 的 Java 代码实现，完整可运行示例位于 spring-ai-examples 仓库的 agentic-patterns 目录。

---

2. Agent 系统概述

Anthropic 在其研究报告 Building Effective Agents 中分享了构建高效 LLM Agent 的宝贵经验。这项研究最引人注目之处在于：它强调简洁性和可组合性，而非复杂的框架。

本文重点展示如何使用 Spring AI 的模型可移植性和结构化输出两大特性，将这些模式落地为可运行的 Java 代码。建议先阅读原论文，再配合本文的代码示例进行实践。

📌 spring-ai-examples 仓库的 agentic-patterns 目录包含本文所有示例的完整源码。

---

3. Agent 系统架构：Workflow 与 Agent 的区别

原论文提出了一个重要的架构区分——两类 Agentic 系统：

3.1 Workflow（工作流）

LLM 和工具通过预定义的代码路径进行编排。系统的执行流程是确定的、可预测的。

类比：一条生产流水线 —— 每个环节做什么是事先定义好的，上一个环节的输出是下一个环节的输入。

3.2 Agent（智能体）

LLM 动态地主导自己的执行过程和工具使用。系统根据当前状态自行决定下一步做什么。

类比：一位项目经理 —— 面对一个模糊目标，自己拆解任务、决定先做什么、遇到问题自行调整方案。

3.3 关键洞见

核心洞察是：虽然完全自主的 Agent 听起来很酷，但对于定义明确的任务，Workflow 通常能提供更好的可预测性和一致性。这与企业需求完美吻合——在那里，可靠性和可维护性才是硬指标。

---

4. 五大核心模式

下面逐一拆解 Spring AI 实现的五种基础模式，每种模式服务于特定的使用场景。

4.1 Chain Workflow（链式工作流）

概念：将复杂任务拆解为一系列简单、可管理的步骤，按顺序依次执行。前一步的输出成为后一步的输入。

适用场景：

• 任务具有明确的顺序步骤
• 愿意用延迟换取更高的准确性
• 每一步都依赖前一步的输出

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

    public String chain(String userInput) {
        String response = userInput;
        for (String prompt : systemPrompts) {
            String input = String.format("{%s}\n {%s}", prompt, response);
            response = chatClient.prompt(input).call().content();
        }
        return response;
    }
}

设计要点：

• 每一步职责单一、聚焦
• 上一步输出自然流入下一步
• 链路易于扩展和维护

---

4.2 Parallelization Workflow（并行工作流）

概念：让 LLM 同时处理多个子任务，然后通过程序逻辑聚合所有结果。

适用场景：

• 处理大量相似但相互独立的条目
• 需要多个独立视角的任务
• 处理时间紧迫且任务可并行化

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

设计要点：

• 每个并行分支完全独立，互不依赖
• 最终结果由程序聚合，而非 LLM

---

4.3 Routing Workflow（路由工作流）

概念：实现智能任务分发——根据输入的不同类型，将其路由到不同的专业化处理分支。

适用场景：

• 复杂任务，输入有明显的类别划分
• 不同类型的输入需要不同的专业处理
• 分类可以准确完成

@Autowired
private ChatClient chatClient;

RoutingWorkflow workflow = new RoutingWorkflow(chatClient);

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..."
);

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

设计要点：

• 分类逻辑决定后续处理路径
• 每条路由有独立的 System Prompt 和专业知识

---

4.4 Orchestrator-Workers（编排器-工作者）

概念：一个中央编排器（Orchestrator）先分析任务，动态拆解出子任务，然后分派给多个工作者（Worker）并行执行，最后汇总结果。

适用场景：

• 复杂任务，子任务无法事先预测
• 需要不同方法或视角的任务
• 需要自适应问题解决能力

public class OrchestratorWorkersWorkflow {
    public WorkerResponse process(String taskDescription) {
        // 1. 编排器分析任务并确定子任务
        OrchestratorResponse orchestratorResponse = // ...

        // 2. 工作者并行处理子任务
        List<String> workerResponses = // ...

        // 3. 汇总为最终响应
        return new WorkerResponse(/*...*/);
    }
}

使用示例：

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

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

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

设计要点：

• 编排器负责"想"，工作者负责"做"
• 子任务动态生成，非硬编码
• 三步走：分析 → 并行执行 → 汇总

---

4.5 Evaluator-Optimizer（评估器-优化器）

概念：引入迭代反馈循环——一个组件负责生成内容，另一个组件负责评估质量并给出改进建议，循环直到满足质量标准。

适用场景：

• 存在明确的评估标准
• 迭代改进能带来可衡量的价值提升
• 任务受益于多轮"批评-改进"循环

public class EvaluatorOptimizerWorkflow {
    public RefinedResponse loop(String task) {
        Generation generation = generate(task, context);
        EvaluationResponse evaluation = evaluate(generation.response(), task);
        return new RefinedResponse(finalSolution, chainOfThought);
    }
}

使用示例：

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

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

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

设计要点：

• 评估与生成分离，各司其职
• 保留思维链（chainOfThought）用于追踪演进过程
• 循环直到满足退出条件

---

5. Spring AI 的实现优势

Spring AI 对这些模式的实现提供了三大关键优势，与 Anthropic 的推荐高度一致：

5.1 模型可移植性

切换 LLM 供应商无需修改业务代码，只需更换 Starter 依赖：

<dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-openai-spring-boot-starter</artifactId>
</dependency>

5.2 结构化输出

通过 .entity() 将 LLM 的响应直接映射为类型安全的 Java 对象：

EvaluationResponse response = chatClient.prompt(prompt)
    .call()
    .entity(EvaluationResponse.class);

5.3 统一 API

• 跨 LLM 提供商的统一接口
• 内建的错误处理和重试机制
• 灵活的 Prompt 管理

---

6. 最佳实践

6.1 从简单开始

• 先用基础 Workflow 验证可行性，再考虑引入复杂度
• 使用能满足需求的最简单模式
• 只在真正需要时才叠加更多技巧

6.2 为可靠性设计

• 实现明确的错误处理路径
• 尽可能使用类型安全的结构化响应
• 在每一步内置验证机制

6.3 权衡取舍

• 延迟 vs 准确性：并行化可以加速，但聚合逻辑增加了复杂性
• 固定工作流 vs 动态 Agent：定义明确的任务用 Workflow，开放式任务再考虑 Agent
• 何时并行：仅当子任务真正独立时才并行，否则串行更简单可靠

---

7. 未来展望

后续指南将探索如何在这些基础模式之上构建更高级的 Agent 系统：

• 模式组合（Pattern Composition）：将多种模式组合成更强大的工作流，构建发挥各模式优势的混合系统，创建能适应变化需求的灵活架构。
• 高级记忆管理（Advanced Memory Management）：实现跨对话的持久化记忆，高效管理上下文窗口，制定长期知识保留策略。
• 工具与 MCP 集成（Model-Context Protocol）：通过标准化接口集成外部工具，实现 MCP 以增强模型交互，构建可扩展的 Agent 架构。

---

8. 总结

Anthropic 的研究洞见与 Spring AI 的工程实践相结合，为构建高效的 LLM 系统提供了强大的框架。

遵循这些模式和原则，开发者能创建健壮、可维护、有效的 AI 应用，在交付真实价值的同时避免不必要的复杂性。

关键要记住：最简单的解决方案往往才是最有效的。从基础模式开始，充分理解你的使用场景，只在你确信能显著提升系统性能或能力时才引入更多复杂性。

---

📌 本文配套 Demo 源码位于 spring-ai-examples 仓库的 agentic-patterns 目录。

📖 原始论文：Building Effective Agents — Anthropic

🖋 译者按：本文是对 Anthropic Building Effective Agents 研究的 Java 实战化翻译与重构，所有代码示例基于 Spring AI，展示了从理论研究到生产级 Java 代码的完整落地路径。