摘要：编排器-工作者模式（Orchestrator-Workers）是一种处理复杂任务的AI Agent架构，通过编排器分解任务并分配给专业工作者执行。该模式支持动态任务分解、专业化处理和并行执行，适用于多领域协作场景。与Manus框架相比，当前实现更简单直接但缺少结果验证等高级功能。核心代码通过编排器分析任务、工作者处理子任务的流程实现，建议借鉴Manus框架添加结果整合和并行执行功能以提升效率

评估优化器模式摘要 评估优化器（Evaluator-Optimizer）是一种基于AI的自动化质量保证机制，采用"生成-评估-优化"循环流程。该系统包含两个独立角色：生成器负责内容创作，评估器进行严格质量审查。通过多轮迭代，系统自动优化输出内容直至达到标准。 核心特点包括： 双角色设计避免自我评估偏见 递归循环实现持续改进 上下文传递历史反馈信息 结构化输出确保流程规范 工作流

AI Agent（人工智能代理）是一种能够自主感知环境、做出决策并执行动作的智能系统。与传统AI系统不同，AI Agent具备自主性、反应性、主动性和社会性等核心特征。其架构包含感知层、推理层、执行层、记忆层和学习层五个关键组成部分。AI Agent可分为简单反射型、基于模型、基于目标、基于效用和学习型五种类型，适用于不同复杂度的任务场景。典型工作流程包括感知理解、任务规划、工具选择和执行动作四个

Spring AI 通过 Spring Boot Actuator 提供可观测性功能，支持对 AI 操作（如聊天、嵌入、图像处理等）进行监控和追踪。配置需添加spring-boot-starter-actuator依赖，核心组件会自动生成指标和追踪数据。关键特性包括：低基数键用于指标聚合（如操作类型、流式调用标识），高基数键仅用于追踪（如完整提示文本、会话ID）。1.0.0-RC1版本对相关配置属

本文详细介绍了Spring AI RAG模型的评估方法，主要包括事实性评估器(FactCheckingEvaluator)和相关性评估器(RelevancyEvaluator)。RAG系统虽然能减少幻觉，但仍存在事实性错误、虚构细节等问题。评估能确保回答准确性，指导系统优化。事实性评估器检查回答与上下文的一致性，相关性评估器分析回答与问题的匹配度。文章提供了两种评估器的使用示例，包括参数说明和工作

本文介绍了基于LLM的文档元数据增强与过滤技术。通过KeywordMetadataEnricher调用大模型提取文档关键词并存入元数据，结合向量化存储实现高效检索。重点解析了元数据增强原理、关键词提取流程和元数据结构变化，并详细说明了FilterExpression的多种构建方式，包括单关键词过滤、多关键词OR组合、AND条件组合等典型应用模式。该技术可显著提升文档检索精度，适用于合同条款查询、政

摘要 该代码展示了如何使用ChatClient进行检索增强生成(RAG)实现问答功能。主要特点包括： 初始化阶段存储了两类文档向量：航班预订和取消预订的相关政策信息 测试方法testRag演示了通过QuestionAnswerAdvisor进行相似性检索，设置topK=5和相似度阈值0.6 testRag2展示了更宽松的相似度阈值(0.1)配置 使用DashScopeChatModel作为基础模型

05tools是一个演示 Spring AI 工具调用（Function Calling）功能的项目，展示了如何让 AI 大模型调用 Java 方法作为工具，实现 AI 与业务系统的无缝集成。让 AI 不仅能理解和生成文本，还能执行实际的业务操作将 AI 对话能力与现有业务系统无缝连接支持权限控制和动态工具配置@Service@Tool(description = "退票")@ToolParam(

简化开发：无需手动解析 JSON 或文本类型安全：直接获得强类型对象智能提取：AI 能够理解各种格式的输入易于集成：直接用于业务逻辑处理智能客服路由信息提取（地址、订单、个人信息等）数据清洗和标准化表单自动填充设计清晰的 Record 结构编写明确的提示词做好错误处理和验证考虑性能和缓存职责分离：不同模型负责不同任务结构化处理：使用结构化输出，类型安全智能路由：根据意图自动路由流式响应：实时反馈，

spring ai, 大模型