告别传统AI开发！SpringAI Agent + Skills重新定义智能应用 
    
要说最近AI相关话题中什么最火，毫无疑问是Claude Skills，让我感到震惊的倒不是它为什么火爆，而是SpringAI居然已经迅速支持上Skills了，这效率真的是堪比🚀了。
谁说AI时代java开发者要掉队了？ 肉虽然不一定吃得上，但是喝口汤还是妥妥的
接下来我们通过构建一个code reviewer, 来实际体验一把，如何将SpringAI和Skills结合起来使用
1. 基础环境要求
要体验SpringAI & Skills，目前需要升级到SpringAI 2.x版本，同时我们的SpringBoot也可以升级到4.x
 
  
    
    
 
     
SpringAI: 2.0.0-M2
 
     
JDK21
 
     
SpringBoot: 4.0.1
 
    
除了这几个基本依赖之外，我们可以选择一个支持Function Tool的大模型来作为这个实现的大脑中枢
我们这里选择智谱的大模型 （原因就是因为它免费，且效果还行，对所有想体验的小伙伴没有任何额外成本投入）
2. 项目创建
接下来我们创建一个SpringAI应用，对于一个标准的SpringAI应用，在配置中，你会看到下面这些基础版本指定，这个也没什么好说的
GPT plus 代充 只需 145
接下来重点看一下我们这个项目所用到的几个核心依赖
 
  
    
    
 
     
spring-ai-agent-utils: 这个就是SpringAI进行agent开发的关键依赖包
 
     
spring-ai-starter-model-zhipuai: 这个是智谱大模型进行交互的依赖包
 
    
3. 项目配置
依赖搞定之后，接下来就是在配置文件中，配置LLM访问的相关信息、以及agent相关配置参数，对应的配置文件 
GPT plus 代充 只需 145
这几个配置看起来和之前SpringAI相关的并没有太多的区别，其中 相关的配置中，主要设置了skills的存放路径，使用的model
根据上面的定义，我们将skills信息，放在目录下
新增一个目录，目录下的文件为 
对应的内容如下
GPT plus 代充 只需 145
4. Skills简要说明
我们上面的Skill比较简单，就是一个markdown文档，SpringAI支持的Skills中，除了包含基本的文件（包含元数据（名称和描述）以及指导代理如何执行特定任务的说明）之外，还可以有相关的脚本、模板和参考资料
一个常见的skills结构如下
现在前置准备已经完成，接下来开始正式的体验吧
2.1 交互日志打印 MyLoggingAdvisor
为了让系统与大模型之间的交互更清晰，我们将双方交互的日志进行更友好的打印（也顺便看一下，一次用户感知的问答过程中，实际上有几次交互）
GPT plus 代充 只需 145
2.2 准备用于评审的代码
我们直接使用 实战 | 零基础搭建知识库问答机器人：基于SpringAI+RAG的完整实现 中的代码分块的内容作为待评审的内容，看下这段简单的文本分块工具会评审出什么内容
2.3 核心实现
配置Agent实现代码评审
Bean定义与依赖注入
 
  
    
    
 
     
CommandLineRunner: Spring启动后自动执行的接口
 
     
ChatClient.Builder: 用于构建聊天客户端
 
     
@Value(“${agent.skills.dirs:Unknown}”): 注入配置属性，获取技能目录资源列表
 
    
ChatClient配置链
 
  
    
    
 
     
系统提示词配置：
 
     
技能工具配置： 
      
 
       
SkillsTool.builder().addSkillsResources(agentSkillsDirs).build(): 动态加载预定义的技能资源
 
       
FileSystemTools.builder().build(): 提供文件系统访问能力
 
       
ShellTools.builder().build(): 提供命令行执行能力
 
      
 
     
Advisor配置: 
      
 
       
ToolCallAdvisor.builder().build(): 处理工具调用逻辑
 
       
MyLoggingAdvisor.builder().showAvailableTools(false).showSystemMessage(false).build(): 自定义日志记录，隐藏工具和系统消息详情
 
      
 
    
代码评审执行流程
请求执行
 
  
    
    
 
     
prompt(): 构建提示词
 
     
.call(): 发起AI请求
 
     
.content(): 获取返回结果
 
    
GPT plus 代充 只需 145
2.4 执行演示
接下来我们启动项目，验证一下效果如何（在启动命令行参数中，配置上大模型的api-key，当然也可以直接在yml配置文件中进行配置）
 
  
    
    
 
      
    
 
  
    
    
 
      
    
从上面的截图也可以看出，系统与大模型之间进行了三轮对话，
 
  
    
    
 
     
第一轮： 用户的原始诉求 -> 大模型
 
    
 
  
    
    
 
     
大模型识别到需要进行代码评审，给系统响应 
 
    
 
  
    
    
 
     
第二轮：系统接收到响应之后，读取skills的约束进行响应
 
    
 
  
    
    
 
     
大模型返回需要读取需要评审的代码内容，对应的响应为 
 
    
 
  
    
    
 
     
第三轮：系统读取代码内容，发送给大模型
 
    
 
  
    
    
 
     
大模型返回评审结果
 
    
下面是完整的返回文本，有兴趣的小伙伴可以看看
GPT plus 代充 只需 145
SpringAI的Agent开发范式配合Skills机制，非常简单就实现了AI应用的工程化。整个过程实现下来，门槛还是比较低的。 不得不高喊一声：
实现方式虽然简单，但是这个背后的设计哲学、开发思维的转变，还是很值得我们学习参考的——在AI时代，如何将我们现有的技能（如可复用、模块化思设计等）转变到大模型应用开发，这可能是我们每一个程序员最大的财富。
那么这一套是怎么实现的呢？
 
  
    
    
 
      
    
Spring AI采用基于工具的集成方法，通过实现各种工具，使任何LLM都能回调执行，Skills的运行过程，通常是下面三步：
 
  
    
    
 
     
发现（启动阶段）
 
    
 
  
    
    
 
     
通过文件中的元数据，快速实现技能的安装注册
 
    
 
  
    
    
 
     
语义匹配（对话过程中）
 
    
 
  
    
    
 
     
当用户发出请求时，LLM 会检查工具定义中嵌入的技能描述。如果 LLM 判断用户请求在语义上与某个技能的描述匹配，则会调用该技能工具，并将技能名称作为参数传递给它。
 
    
 
  
    
    
 
     
执行（技能调用时）
 
    
 
  
    
    
 
     
当调用技能工具时，SkillsTool会从磁盘加载完整的SKILL.md内容，并将其与技能的基础目录路径一起返回给大型语言模型（LLM）。然后，LLM会按照技能内容中的指令执行。如果技能引用了其他文件或辅助脚本，LLM会使用的函数或的函数来按需访问它们
 
    
 
  
    
    
 
     
项目源码：
 
     
 
      
https://github.com/liuyueyi/spring-ai-demo/tree/master/v2/T01-agentic-skills-simple-design
 
     
 
     
零基础入门：
 
     
 
      
LLM 应用开发是什么：零基础也可以读懂的科普文(极简版)
 
      
大模型应用开发系列教程：序-为什么你“会用 LLM”，但做不出复杂应用？
 
      
大模型应用开发系列教程：第一章LLM到底在做什么？
 
      
大模型应用开发系列教程：第二章 模型不是重点，参数才是你真正的控制面板
 
      
大模型应用开发系列教程：第三章 为什么我的Prompt表现很糟？
 
      
大模型应用开发系列教程：第四章Prompt 的工程化结构设计
 
      
大模型应用开发系列教程：第五章 从 Prompt 到 Prompt 模板与工程治理
 
      
大模型应用开发系列教程：第六章 上下文窗口的真实边界
 
      
大模型应用开发系列教程：第七章：从 “堆上下文” 到 “管理上下文”
 
     
 
     
 
      
实战
 
      
 
       
大模型应用开发实战：两百行实现一个自然语言地址提取智能体
 
       
大模型应用开发实战：基于SpringAI与大模型的零配置发票智能提取架构
 
       
实战 | 零基础搭建知识库问答机器人：基于SpringAI+RAG的完整实现
 
      
 
      
参考：
 
      
 
       
Spring AI Agentic Patterns (Part 1): Agent Skills - Modular, Reusable Capabilities