*面试答案评估智能体：**根据问题和用户输入的答案，通过 AI 模型来评估答案质量。首先创建一个 ChatClient 与 LLM 交互，因此这里称它为“智能体”（具备感知、决策、行动、反思能力），这里通过@Bean@Bean.build();SystemMessage：定义模型的行为和角色。它为模型提供上下文和行为指导，并确保模型在对话过程中保持一致的行为。UserMessage：通常是用户输入

本文来自于对 Agent 12 原则的总结。Agent 是软件，但不同于传统软件（需要工程师编写每个步骤和边缘情况），Agent 只需要给出目标和一组规则，通过 Agent 实时决策以确定执行路径，从而达成最后目标。Agent 给软件开发带来的改变：Agent 允许工程师编写更少的控制型代码，只需要将“图的边（Edge）”提供给 LLM，让他自行决策下一步执行节点。Agent 开发中，最重要的是提

代码位于：https://github.com/1020325258/spring-ai-alibaba-tutorial/blob/master/03-spring-ai-alibaba-mcp/bailian-mcp-client/src/test/java/com/alibaba/yycome/ClientSse.java。上边演示了借助于 Spring AI 封装的 MCP 快速集成百炼的

本节介绍了 Agent 的四种基础设计模式，来自于吴恩达 2024 年 3 月发表的演讲，这四种设计模式是最基础的设计模式，除了这些还有很多其他方式可以提升 Agent 的性能，例如在 Jina DeepResearch 中，会使用<xml>定义提示词，并且对查询进行重写，查询的重写非常重要，可以从更多角度获取潜在的答案，并且在 RAG 搜索中，可以基于查询重写得到更适合 BM25 算法的关键词，

下图来自于 Spring AI Alibaba 官方，最底层基于 Spring AI 来实现 Chatbot 和 RAG 应用。Spring AI Alibaba 基于 Spring AI 扩展了工作流（Workflow）、多智能体（Multi Agent）等能力，核心就是它所提供的多智能体能力，基于 Graph 能力编排多个智能体。相比于单智能体，

本地实现 MCP Client/Server 进行调用。集成百炼平台的 MCP Server，并且改造 Spring AI 源码实现了鉴权方式。原生 MCP Client 实现。除此之外，还介绍了 MCP 的两种通信方式，Stdio 和 SSE，其中 Stdio 是进程级别的通信，因此只能在本地运行，如果要调用远程 MCP Server，则需要使用 SSE 方式。

本文来自于对 Agent 12 原则的总结。Agent 是软件，但不同于传统软件（需要工程师编写每个步骤和边缘情况），Agent 只需要给出目标和一组规则，通过 Agent 实时决策以确定执行路径，从而达成最后目标。Agent 给软件开发带来的改变：Agent 允许工程师编写更少的控制型代码，只需要将“图的边（Edge）”提供给 LLM，让他自行决策下一步执行节点。Agent 开发中，最重要的是提

本节介绍基于 Spring AI Alibaba 实现的 DeepResearch 内部的核心流程，涵盖了常见 Agent 的开发范式。Agent 适用于目标明确，可以动态寻找最优解的场景。DeepResearch 就是经典的场景，根据用户的问题，大量搜集前置知识，并不断优化调整，以提升最终生成研究报告的质量。DeepResearch 中，想要生成兼具广度和深度的研究报告，首先需要搜集与用户问题相

本节介绍了 Agent 的四种基础设计模式，来自于吴恩达 2024 年 3 月发表的演讲，这四种设计模式是最基础的设计模式，除了这些还有很多其他方式可以提升 Agent 的性能，例如在 Jina DeepResearch 中，会使用<xml>定义提示词，并且对查询进行重写，查询的重写非常重要，可以从更多角度获取潜在的答案，并且在 RAG 搜索中，可以基于查询重写得到更适合 BM25 算法的关键词，

在分布式环境中，需要保证共享资源安全的话，一般是需要使用到分布式锁的，那么常用的分布式锁有基于 Redis 实现的，也就基于 ZooKeeper 来实现的这里说一下这两种分布式锁有什么区别，以及如何进行技术选型