AI客服系统升级：从单Agent到专业分工体系 本文介绍了AI客服系统从单一Agent架构升级为多Agent专业分工体系的实战经验。核心改进包括： 多Agent路由系统：拆分为投诉处理、售后服务和售前咨询三个专业Agent，通过规则路由实现精准分流，避免单Agent过载和注意力分散问题。 记忆系统升级：采用Spring AI官方JdbcChatMemoryRepository替代自定义Redis实

本文介绍了如何将 AgentScope-Java 2.0 的模型供应商从 DashScope 切换到 DeepSeek。关键点包括： 替换依赖项为 agentscope-extensions-model-openai 修改 application.yml 配置为 DeepSeek 相关参数 重构配置类，改用 ModelRegistry.resolve() 创建模型实例 文章揭示了 AgentSco

本文介绍了如何在本地部署DeepSeek大模型，包括环境搭建、模型获取、API调用以及代码集成等核心环节。DeepSeek凭借优秀的中文理解和代码生成能力，适合作为私有化代码助手或企业内部知识库。文章推荐使用Ollama工具简化安装流程，支持命令行交互和RESTful API调用，并提供了Python集成示例。针对性能调优，重点讲解了温度值和上下文长度的配置技巧。此外，还展示了如何构建基于本地文档

本文介绍了如何将 AgentScope-Java 2.0 的模型供应商从 DashScope 切换到 DeepSeek。关键点包括： 替换依赖项为 agentscope-extensions-model-openai 修改 application.yml 配置为 DeepSeek 相关参数 重构配置类，改用 ModelRegistry.resolve() 创建模型实例 文章揭示了 AgentSco

本文介绍了如何搭建 AgentScope-Java 的 Review Copilot 项目骨架。作者强调不从简单的聊天Demo入手，而是先构建一个完整的前后端项目框架，包括： 后端采用Spring Boot WebFlux + AgentScope-Java 前端使用Vue3+TypeScript+Vite 定义了ReviewRequest和ReviewJob核心数据结构 设计了可扩展的Model

本文介绍了如何在 AgentScope-Java 中使用 Middleware 实现 Agent 调用的审计功能。主要内容包括： 项目背景：Review Copilot 已完成基础功能开发，需要增强可观测性 审计需求：需要跟踪模型调用情况、耗时、失败信息及最终评审结果 技术实现： 定义 AuditRecord 记录审计数据 创建 ReviewAuditSink 接口实现可替换的审计输出 通过 Mi

本文分析了Spring AI的整体架构设计，主要包含以下要点： 模块化结构：分为核心抽象层、客户端层、模型实现层和存储实现层，核心模块只定义接口，具体实现通过依赖注入完成。 核心接口体系： 顶层Model接口定义泛型调用契约 扩展出ChatModel、EmbeddingModel和ImageModel三大模型接口 StreamingChatModel作为独立子接口实现流式输出 数据模型设计： Pr

Spring AI 的消息体系设计解析 核心组件： Message接口体系 定义UserMessage、SystemMessage等四种消息类型 每种消息对应不同角色（用户/系统/助手/工具） Prompt数据模型 封装消息列表和对话选项 支持多种构建方式（单消息/列表/Builder模式） PromptTemplate模板引擎 支持动态内容生成 通过占位符实现变量替换 设计特点： 统一消息处理接

本文介绍了Spring AI Alibaba+RAG知识库检索模块的设计与实现。作为AI客服系统的核心组件，该模块采用混合检索策略，结合向量检索和关键词倒排索引，通过RRF算法进行结果融合排序。系统支持多格式文档解析、幂等写入、动态权重配置等特性，并提供了相似度评分扩展功能。文章还展示了当前系统状态和后续开发计划，包括多轮对话优化和转人工功能等。作者分享了源码获取方式，并预告将发布RAG知识库踩坑

本文介绍了AI客服系统的安全加固方案，重点实现JWT鉴权和三层限流功能。系统采用Spring Boot 3.5+Spring Security框架，通过JWT实现无状态鉴权，使用Bucket4j+Redis构建三层令牌桶限流机制（全局/用户/LLM）。文章详细阐述了JWT工具类实现、过滤器顺序配置要点，以及登录认证流程。特别强调了生产环境中的安全注意事项，包括Filter执行顺序必须显式注册、密钥