提到大模型相关的应用，就肯定会听过一个词，叫智能体，也就是 Agent。打开通义千问的 APP，就有一个“智能体”的标签页，里面有各种智能体。这里我们说到的智能体，全称是 Large Language Model based AutonomousAgent，简称为 LLM Agent，或直接叫 Agent，指的是以大模型作为推理引擎的智能体。智能体之所以受到关注，是因为借助大模型的推理能力，智..

比如，如果大模型的响应中，包含了调用自定义函数的名称和参数。这就要求响应的处理方，缓存已经接收到的部分参数值，聚合成完整的参数值之后，再进行实际的函数调用。SSE 最大的优势在于，构建在已有的 HTTP 基础设施之上，实现和维护的成本低，学习的成本也低。随着 AI 大模型和 MCP 相关开发的流行，服务器推送事件（Server-sent Events，SSE），这个相对小众的技术又一次出现在大家的

在进行 AI 大模型应用开发时，很多人接触到的第一个相对陌生的概念，就是 token。但是 token 又是绕不开的名词，token 是大模型输入和输出的计量单位，更重要的，token 也是使用大模型时的计费单位。token 是大模型对文本进行编码的一种方式。计算机理解的不是文本，而是数值。不管是文本，还是图像和视频，在计算机内部的编码方式都是数值。更具体的来说，是数值的数组，也就是向量。以文本来

使用 Spring AI 开发 AI 应用时，Ollama 通常在本地开发和测试时使用，用来在本地运行大模型。由于本地开发机器的资源限制，当使用 Ollama 运行较大的模型时，大模型给出响应的时间会比较长。Spring AI 提供的 OllamaChatModel 与 Ollama 服务器交互时，默认的超时时间是 30 秒。也就是说，如果 Ollama 服务器无法在 30 秒内给出响应，Spri

内部的第一个 agent.execute 表示的是生成初始的文章的智能体的执行。第二个 agent.execute 表示的是优化文章内容的链条的执行过程。该链条内部有 3 个智能体的执行，分别对应于链条中的 3 个步骤。使用链式工作流的一个示例是优化文章内容的质量。最后一个智能体的输出是最终的任务执行结果。第一个步骤的输入是原始的任务输入。最后一个步骤的输出是整个任务的输出。每个步骤使用上一个步骤

该工具的 annotations 的声明如下，其中 readOnlyHint 的值是 true，destructiveHint 的值是 false，idempotentHint 的值是 true，openWorldHint 的值是 false。为了保证向后兼容性，如果工具的调用结果中包含了结构化的内容，也同时应该把 JSON 对象序列化之后的 JSON 文本包含在 content 中。提到 MCP

这个智能体使用并行的子任务生成代码示例，每个任务负责生成一种编程语言的代码示例。sample_code 表示生成的代码示例，其值来自并行运行的子任务的结果。模式中介绍的代码生成的例子，智能体可以并行执行 3 个子任务来使用 3 个不同的模型评估代码。作为示例的智能体编写关于算法的文章。在这种情况下，在执行子任务之前，需要把原始的任务输入转换成子任务需要的类型。每个子任务负责收集不同领域的信息，最后

比如，如果大模型的响应中，包含了调用自定义函数的名称和参数。这就要求响应的处理方，缓存已经接收到的部分参数值，聚合成完整的参数值之后，再进行实际的函数调用。SSE 最大的优势在于，构建在已有的 HTTP 基础设施之上，实现和维护的成本低，学习的成本也低。随着 AI 大模型和 MCP 相关开发的流行，服务器推送事件（Server-sent Events，SSE），这个相对小众的技术又一次出现在大家的

与并行工作流模式共同使用时，可以执行多个并行的评估，取这些评估值的平均值，作为最终的评估结果。当达到了最大的执行次数之后，即便评估的结果是不通过，最后一次生成的结果仍然会被返回。如果评估的结果是不通过，代码可以基于评估的反馈进行优化。评估者-优化者模式通过评估者的反馈来优化前一次生成的结果，从而提高最终生成结果的质量。如果评估不通过，feedback 中包含的是评估者的反馈。生成了初始的结果之后，

Docker MCP 网关使用的是简单的聚合策略。使用了 MCP 网关之后，应用的 MCP 客户端连接到 MCP 网关，MCP 网关连接到实际的 MCP 服务器。网关可以提供 MCP 服务器的集中管理，包括 MCP 服务器的添加和删除，工具的过滤，服务器和工具的权限控制等。客户端所连接的是一个虚拟的 MCP 服务器，该服务器所包含的提示模板，资源和工具，由网关从多个MCP服务器聚合而来。网关可以采