LLM - 基于 Spring AI Alibaba Graph 重构多智能体订单助手：从单体 Agent 到图工作流的工程实践

大家好，我是讯享网，很高兴认识大家。这里提供最前沿的Ai技术和互联网信息。

文章目录

Pre
背景：为什么要上 Graph？
项目结构：按真实工程拆分
订单助手 Graph 设计：从多 Agent 视角出发

业务场景回顾
Graph 拆分为节点

实战：定义 OverAllState 与 Graph

定义 OverAllState
构建 StateGraph

节点实现：把 Agent 融入 Graph

1. 入口节点 EntryNode
2. 意图路由节点 IntentRouterNode
3. 条件边分发器 IntentRouteDispatcher
4. 商品 Agent 节点 ProductAgentNode

对外暴露：Controller 触发 Graph 执行
工程落地经验：从 Demo 到生产

1. 按模块拆分职责
2. Graph 与多智能体的演进路径
3. 与治理 / 观测体系集成

小结
扩展阅读

一、Spring AI Alibaba Graph（核心概念 & 官方实现）
二、Spring AI 多 Agent / 编排（Orchestrator & Workflow）
三、Spring AI Alibaba **实践 & 教程
四、Graph / Agent 原理解析 & 深度解读（中文社区）
五、阿里云 / 企业级案例 & 生态视角

LLM - 基于 Spring AI Alibaba Graph 重构多智能体订单助手：从单体 Agent 到图工作流的工程实践_#spring

LLM - 从生成式到 Agentic (Java技术栈)

StateGraph：整张「订单助手」流程图，描述有哪些节点、怎么跳转。
Node：一个节点就是一个「步骤」，例如意图识别、商品咨询 Agent、订单查询 Agent、退款 Agent 等。
Edge：节点间的连线，可以是固定跳转，也可以是根据上下文条件路由。
OverAllState：全局状态，贯穿整个流程，存放用户输入、上下文、中间结果等。

这样做的好处是：

业务逻辑从 if-else 中抽离出来，以图结构可视化管理。
支持多智能体协作、并行节点和条件边，后续要加新 Agent 只需加节点和边。
原生支持 streaming、Human-in-the-loop、快照与恢复，适合企业级智能体系统。

示例采用 Maven 多模块结构，参考官方与社区**实践，将 AI 能力与业务工程解耦。

springai-order-assistant/ ├── ai-starter/ # 封装 Spring AI Alibaba & Graph 的通用配置 ├── ai-graph-order/ # 本文核心：订单助手 StateGraph + Nodes 实现 ├── ai-domain/ # 领域模型与仓储（Order、Product 等） ├── ai-web/ # REST Controller，对外的 HTTP API └── pom.xml # 父工程

ai-starter：统一引入 Spring AI Alibaba 依赖、模型配置、日志与监控等。
ai-graph-order：只关心「订单助手这张图」，包含 StateGraph、节点实现与状态定义。
ai-domain：普通领域模块，负责订单、商品等数据访问，与 AI 解耦。
ai-web：Spring Boot Web 启动入口 + Controller，接收用户请求并触发图执行。

订单助手要解决三类需求：

商品咨询：用户问「这款耳机支持降噪吗？」
订单查询：用户说「查一下我上次买的耳机能不能退」
退货退款：用户想执行「帮我退掉昨天那单」

对应之前的四个 Agent 角色：

OrchestratorAgent：理解意图并路由。
ProductAgent：商品问答 / 推荐。
OrderAgent：订单查询。
RefundAgent：退款判断与创建。

在 Graph 版本中，这四个角色将对应 4 个主要节点，外加 1 个入口节点与 1 个结束节点，构成一张简单而清晰的状态图。

用 Spring AI Alibaba Graph 的术语，可以设计如下节点：

entry：入口节点，初始化全局状态（如 userId、原始输入）。
intent_router：意图识别节点，决定走 PRODUCT / ORDER / REFUND 分支。
product_agent：商品咨询 Agent 节点。
order_agent：订单查询 Agent 节点。
refund_agent：退款 Agent 节点。
end：结束节点，返回最终回复。

图上的边关系为：

entry → intent_router
intent_router → product_agent / order_agent / refund_agent / end（条件边）
product_agent / order_agent / refund_agent → end

在真实项目中，只要 OverAllState 设计合理，后面要加「人工校验节点」「日志审计节点」「风控节点」都可以通过新增 Node+Edge 实现。

OverAllState 是整条工作流共享的状态，一般包括：

userId、sessionId
用户原始输入与模型回复
意图识别结果（route）
各 Agent 的中间结果（订单列表、退款条件判断等）

示例代码（放在 ai-graph-order 模块）：

@Data public class OrderAssistantState {

// 上下文字段 private String userId; private String sessionId; // 本轮输入与最终输出 private String userInput; private String finalReply; // 路由结果：PRODUCT / ORDER / REFUND / UNKNOWN private String route; // 中间结果：订单、退款判断等 private List 
      
    
        
          orders; private boolean refundable;

}

在 Graph 执行过程中，所有节点对状态的修改都会写回 OverAllState，确保后续节点可以复用信息。

使用 Spring AI Alibaba Graph 的 StateGraph 定义节点和边。

@Configuration public class OrderAssistantGraphConfig }

这里使用了同步 node 与异步 node_async，对于需要调用外部服务或 LLM 的 Agent 节点，推荐异步以提高吞吐。

负责从 HTTP 请求参数构建初始状态。

@Component public class EntryNode implements Node 
        
     
          
            {

@Override public OrderAssistantState apply(OrderAssistantState state) { // 一般通过外层传入已有 state，这里可以做一些初始化 // 例如：写入时间戳、初始化列表等 return state; }

}

实际项目里通常由外层 Controller 构造好 state，再交给 Graph 执行，EntryNode 可以留空或作为「预处理」节点。

对应之前 Orchestrator 里那段「只返回 PRODUCT / ORDER / REFUND」的逻辑，这里做成一个独立 Node。

@Component public class IntentRouterNode implements Node 
        
     
          
            {

private final ChatModel chatModel; public IntentRouterNode(ChatModel chatModel) { this.chatModel = chatModel; } @Override public OrderAssistantState apply(OrderAssistantState state)

}

Graph 执行到这里后，不直接决定下一个节点，而是交给条件边上的 IntentRouteDispatcher 来根据 route 决定跳转目标。

public class IntentRouteDispatcher implements EdgeDispatcher 
        
     
          
            ;

}

配合前面的 addConditionalEdges 使用，使得 intent_router 节点可以被复用于更多复杂路由，而不是在节点内部写死 if-else。

这里直接复用前文 ProductAgent 的核心逻辑，把它包装成一个 Node，注意从 state 中拿 userInput，并把结果写回 state.finalReply。

@Component public class ProductAgentNode implements Node

@Override public OrderAssistantState apply(OrderAssistantState state)

}

同理，实现 OrderAgentNode 与 RefundAgentNode 时，只需要替换工具集与 System Prompt，同时可在 state 中填充订单列表与退款判断结果以供后续节点使用。

Graph 本身只是一个可以被调用的「状态机」，需要一个入口来接收 HTTP 请求、构造初始状态并执行 Graph。

在 ai-web 模块中定义 Controller：

@RestController @RequestMapping(“/api/order-assistant”) public class OrderAssistantController

@PostMapping("/chat") public ResponseEntity 
        
    
          
            chat(@RequestBody ChatRequestDto request)

}

StateGraphExecutor 封装了 Graph 的执行流程与状态序列化 / 反序列化。
每次调用都会从入口节点开始，根据节点逻辑与条件边推进，直到 END。
最终通过 finalReply 字段返回字符串响应，前端可以直接展示。

Graph 与节点只负责「流程与智能体」，不直接依赖 Web、数据库细节。
领域模块（ai-domain）负责订单、商品、用户等实体与仓储。
ai-starter 中统一管理模型、工具与监控配置，避免在每个业务模块重复引入依赖。

这种分层有利于：

后续增加新的 Graph（如客服助手、营销 Agent）时复用 Starter 与领域模块。
把 Graph 部分抽象成「AI 能力中台」，供多个业务线共享。

第一阶段：像本文这样，将之前单工程 Orchestrator 重构为 Graph，保持 Agent 逻辑基本不变。
第二阶段：引入并行节点（ParallelNode），例如同时查询多个业务系统或同时跑多个推荐策略。
第三阶段：加 Human-in-the-loop 节点，让关键步骤（如退款审批）必须经过人工确认后再继续。
第四阶段：配合 Spring AI Alibaba Admin 或自研控制台，对 Graph 的配置、版本与监控进行可视化管理。

在 Graph 层统一注入 TraceId / SpanId，利用阿里云或自建链路追踪体系做全链路观测。
为每个节点打点：包括 LLM 调用次数、平均成本、错误率，支持按节点与按 Graph 分析瓶颈。
对敏感节点（如 RefundAgentNode）增加审计日志与强制 HITL，避免业务风险。

这一组是Graph / Agent 编排的中枢知识源：

Spring AI Alibaba Graph 官方介绍
https://java2ai.com/docs/1.0.0.2/tutorials/graph/whats-spring-ai-alibaba-graph/
Spring AI Alibaba Graph 源码（官方）
https://github.com/alibaba/spring-ai-alibaba/tree/main/spring-ai-alibaba-graph
Spring AI Alibaba Graph Issue & 设计讨论
https://github.com/alibaba/spring-ai-alibaba/issues/1251https://github.com/alibaba/spring-ai-alibaba/labels/area%2Fgraph
阿里系 Graph 相关深度文章（CNBlogs）
https://www.cnblogs.com/alisystemsoftware/p/https://www.cnblogs.com/alisystemsoftware/p/https://www.cnblogs.com/alisystemsoftware/p/

这组回答的是：Agent 如何分工？如何调度？如何协作？

Spring AI Orchestrator / Worker / Workflow 指南
https://bootcamptoprod.com/spring-ai-orchestrator-workers-workflow-guide/
Spring AI 多 Agent 实战（Azure Cosmos DB）
https://devblogs.microsoft.com/cosmosdb/building-multi-agent-ai-apps-in-java-with-spring-ai-and-azure-cosmos-db/
多 Agent 示例代码（微软官方）
https://github.com/AzureCosmosDB/multi-agent-spring-ai

偏工程落地 + 实战经验，非常适合你这种偏架构视角的人：

Spring AI Alibaba Best Practices（代码仓库）
https://github.com/hllqkb/Spring-AI-Ailibaba-Best-Practices
Spring AI 教程合集（GTyingzi）
https://github.com/GTyingzi/spring-ai-tutorial
Spring AI Alibaba 综合教程
https://www.hxstrive.com/subject/spring_ai/3478.htm

适合写“为什么要 Graph？”、“和传统流程引擎有什么本质区别？”

偏企业实践、平台化思路：

阿里云开发者社区（Spring AI 相关）
https://yqh.aliyun.com/detail/26692https://sca.aliyun.com/blog/case/
今日头条技术解读
https://www.toutiao.com/article//

LLM - 基于 Spring AI Alibaba Graph 重构多智能体订单助手：从单体 Agent 到图工作流的工程实践_#graph_02

LLM - 基于 Spring AI Alibaba Graph 重构多智能体订单助手：从单体 Agent 到图工作流的工程实践

文章目录

相关推荐