最近在尝试将大模型能力集成到企业级应用中时发现很多开发者卡在了从“单次对话”到“智能工作流”的跨越上。Spring AI 提供了强大的抽象而 Alibaba Graph 的引入则为构建具备复杂推理和工具调用能力的 AI Agent 打开了新的大门。本文将以一个跨行业通用的 HR 自动化 AI Agent为例手把手带你基于 Spring AI Alibaba Graph 完成从零搭建并深入剖析其中涉及的近 20 个核心技术点。无论你是想快速上手 AI Agent 开发还是为面试储备深度项目经验这篇文章都能提供一条清晰的实践路径。1. 背景与核心概念为什么需要 AI Agent在深入代码之前我们有必要厘清几个核心概念这能帮助我们在后续设计和开发中做出更明智的决策。1.1 从大模型到 AI Agent大模型Large Language Model, LLM本身是一个强大的“知识库”和“文本生成器”。你可以通过 API 向它提问并获得高质量的回答。但这仍然是被动响应的模式。AI Agent智能体则更进一步它被赋予目标并能主动规划、调用工具、与环境交互以完成任务。简单比喻大模型一个博学的顾问。你问“如何面试一个Java工程师”它会给你一份清单。AI Agent一个虚拟的HR助理。你告诉它“帮我筛选这份简历并安排一场初试”它会自动解析简历、调用评分工具、查询面试官日历、发送邀请邮件。1.2 Spring AI 与 Alibaba Graph 的角色Spring AISpring 生态中对 AI 能力的统一抽象层。它定义了如ChatClient、EmbeddingClient、VectorStore等核心接口让开发者可以像切换数据库MySQL - PostgreSQL一样轻松切换底层的大模型供应商OpenAI - Anthropic - 阿里云灵积等。它解决了集成标准化的问题。Spring AI AlibabaSpring AI 对阿里云百炼/灵积平台大模型的适配实现。让你能方便地使用通义千问等国产大模型。Alibaba Graph (本文核心)这不是一个独立产品而是 Spring AI 中用于实现ReAct (Reasoning Acting)模式的核心框架组件。它提供了一个有向无环图DAG的执行引擎允许你将复杂的 AI 任务分解为多个可编排的“节点”Node每个节点可以是一个 LLM 调用、一个工具函数、或一个条件判断。Graph 是构建复杂、可靠 AI Agent 的“脚手架”。1.3 HR 自动化 Agent 场景价值我们选择 HR 自动化作为案例因为它需求明确、流程标准化且能力可复用到客服、IT支持、行政等多个领域。一个典型的 HR Agent 可以处理智能问答回答公司制度、假期政策等问题。简历初筛解析简历文件并与 JD职位描述进行匹配打分。面试安排理解面试请求自动查询日历空闲时间并发送邀约。报告生成根据多轮面试反馈自动生成候选人评估报告。接下来我们将从环境搭建开始一步步实现这个 Agent。2. 环境准备与版本说明本教程将创建一个标准的 Spring Boot 3.x 项目。请确保你的开发环境满足以下要求。2.1 基础环境JDK: 17 或 21 (推荐 17长期支持版本)构建工具: Maven 3.6 或 Gradle 8.xIDE: IntelliJ IDEA (推荐) 或 VS Code with Spring Boot 插件项目管理: 本文使用 Maven 进行演示。2.2 关键依赖版本Spring AI 和 Spring Boot 版本强相关。访问 Spring AI 官方文档 获取最新版本兼容信息。本文基于以下稳定版本!-- 在 pom.xml 的 parent 部分 -- parent groupIdorg.springframework.boot/groupId artifactIdspring-boot-starter-parent/artifactId version3.2.5/version !-- 使用稳定的 3.2.x 版本 -- relativePath/ /parent !-- Spring AI 依赖 BOM统一管理版本 -- dependencyManagement dependencies dependency groupIdorg.springframework.ai/groupId artifactIdspring-ai-bom/artifactId version1.0.0-M3/version !-- 注意Spring AI 版本迭代快请核对最新 -- typepom/type scopeimport/scope /dependency /dependencies /dependencyManagement2.3 项目初始化与核心依赖使用 Spring Initializr 或 IDE 创建项目选择Project: MavenLanguage: JavaSpring Boot: 3.2.5Dependencies:Spring Web,Lombok(可选简化代码)然后在pom.xml中添加以下核心依赖dependencies !-- Spring Web -- dependency groupIdorg.springframework.boot/groupId artifactIdspring-boot-starter-web/artifactId /dependency !-- Lombok -- dependency groupIdorg.projectlombok/groupId artifactIdlombok/artifactId optionaltrue/optional /dependency !-- Spring AI Alibaba (核心) -- dependency groupIdorg.springframework.ai/groupId artifactIdspring-ai-alibaba-ai-spring-boot-starter/artifactId /dependency !-- Spring AI Graph (核心中的核心) -- dependency groupIdorg.springframework.ai/groupId artifactIdspring-ai-graph/artifactId /dependency !-- 测试 -- dependency groupIdorg.springframework.boot/groupId artifactIdspring-boot-starter-test/artifactId scopetest/scope /dependency /dependencies2.4 配置阿里云大模型访问密钥在application.yml中配置你的阿里云密钥和模型信息。你需要先在 阿里云百炼平台 创建应用并获取 API Key。# application.yml spring: ai: alibaba: ai: # 从阿里云控制台获取 access-key-id: your-access-key-id access-key-secret: your-access-key-secret # 通义千问 Max 模型 chat: options: model: qwen-max # 可选设置温度、top_p等参数 temperature: 0.7 # 如果使用 Embedding 模型如简历匹配也需要配置 embedding: options: model: text-embedding-v2重要提示请勿将密钥硬编码在代码中或提交到版本控制系统。在生产环境中务必使用环境变量、配置中心如 Nacos、Apollo或 Vault 来管理敏感信息。# 生产环境推荐做法使用环境变量 spring: ai: alibaba: ai: access-key-id: ${ALIBABA_AI_ACCESS_KEY_ID} access-key-secret: ${ALIBABA_AI_ACCESS_KEY_SECRET}3. 核心组件与原理拆解在动手编码前理解 Spring AI Graph 的核心组件至关重要。这能让你在设计和调试时心中有数。3.1 Graph 的核心抽象Spring AI Graph 将工作流抽象为以下几个部分Node节点工作流中的基本执行单元。可以是SupplierNode数据输入节点。FunctionNode执行一个 Java 函数工具调用。ChatModelNode调用大模型。DecisionNode根据条件决定下一步走向分支。SubgraphNode包含另一个子图实现模块化。Edge边连接节点定义执行流和数据流的方向。可以是有条件的ConditionalEdge。Graph图由节点和边组成的完整可执行工作流。Graph对象可以通过Graph.Builder构建。GraphExecutor图执行器负责执行构建好的Graph。3.2 ReAct 模式在 Graph 中的体现ReActReason Act模式是 AI Agent 的核心范式。在 Graph 中我们通过组合ChatModelNodeReason和FunctionNodeAct来实现。ReasonLLM 节点分析当前状态和用户目标决定下一步该“想什么”或“做什么”调用哪个工具。Act函数节点执行具体的工具调用如查询数据库、调用 API。循环工具执行的结果会作为输入再次传递给 LLM 节点进行下一轮推理直到任务完成。3.3 状态管理StateGraph 在执行过程中会在一个MapString, Object类型的State状态中传递和共享数据。每个节点可以从 State 中读取输入并将输出写回 State。这是节点间通信的桥梁。4. 实战构建 HR 自动化 AI Agent我们将构建一个能处理“面试安排”的 Agent。流程如下用户提出面试请求 - Agent 解析出候选人、职位、面试官 - 查询日历服务找到空闲时间 - 生成并发送邀请。4.1 定义数据结构与工具接口首先定义领域对象和我们要让 Agent 调用的“工具”即 Java 方法。// 文件src/main/java/com/example/hragent/dto/InterviewRequest.java package com.example.hragent.dto; import lombok.Data; import java.time.LocalDateTime; Data public class InterviewRequest { private String candidateName; private String candidateEmail; private String position; private String interviewerId; // 面试官ID private String preferredDate; // 用户偏好的日期如 “明天下午” 或 “下周一” }// 文件src/main/java/com/example/hragent/dto/InterviewSlot.java package com.example.hragent.dto; import lombok.Data; import java.time.LocalDateTime; Data public class InterviewSlot { private LocalDateTime startTime; private LocalDateTime endTime; private String interviewerId; private boolean booked; }// 文件src/main/java/com/example/hragent/service/CalendarService.java package com.example.hragent.service; import com.example.hragent.dto.InterviewSlot; import org.springframework.stereotype.Service; import java.time.LocalDateTime; import java.util.Arrays; import java.util.List; /** * 模拟的日历服务。真实场景会集成 Outlook、Google Calendar 或内部系统。 */ Service public class CalendarService { /** * 工具函数1查询面试官的空闲时间段 * Graph 中的 FunctionNode 将调用此方法。 */ public ListInterviewSlot findAvailableSlots(String interviewerId, String dateHint) { // 模拟数据返回未来两天内的几个时间段 // 真实场景中这里会有复杂的日历查询逻辑 LocalDateTime baseTime LocalDateTime.now().plusDays(1).withHour(10).withMinute(0); return Arrays.asList( new InterviewSlot(baseTime, baseTime.plusHours(1), interviewerId, false), new InterviewSlot(baseTime.plusHours(2), baseTime.plusHours(3), interviewerId, false), new InterviewSlot(baseTime.plusDays(1).withHour(14), baseTime.plusDays(1).withHour(15), interviewerId, false) ); } /** * 工具函数2预订一个时间段 */ public boolean bookSlot(String interviewerId, LocalDateTime startTime, LocalDateTime endTime) { // 模拟预订逻辑 System.out.printf([CalendarService] 预订成功面试官%s, 时间%s 至 %s%n, interviewerId, startTime, endTime); // 真实场景会调用日历API return true; } }// 文件src/main/java/com/example/hragent/service/EmailService.java package com.example.hragent.service; import org.springframework.stereotype.Service; /** * 模拟的邮件服务 */ Service public class EmailService { public void sendInterviewInvitation(String toEmail, String candidateName, String position, String interviewer, String timeSlot) { // 模拟发送邮件 String emailContent String.format( 尊敬的 %s\n\n恭喜您通过初筛您应聘的 %s 职位面试安排如下\n面试官%s\n时间%s\n\n请准时参加。\n\nHR团队, candidateName, position, interviewer, timeSlot ); System.out.println( 发送面试邀请邮件 ); System.out.println(收件人 toEmail); System.out.println(内容\n emailContent); System.out.println(); // 真实场景集成 JavaMailSender 或第三方邮件服务 } }4.2 构建 Graph编排 AI Agent 工作流这是最核心的一步。我们将使用Graph.Builder来定义节点和边。// 文件src/main/java/com/example/hragent/graph/InterviewArrangementGraph.java package com.example.hragent.graph; import com.example.hragent.dto.InterviewRequest; import com.example.hragent.dto.InterviewSlot; import com.example.hragent.service.CalendarService; import com.example.hragent.service.EmailService; import org.springframework.ai.alibaba.AlibabaChatModel; import org.springframework.ai.graph.Graph; import org.springframework.ai.graph.node.ChatModelNode; import org.springframework.ai.graph.node.FunctionNode; import org.springframework.ai.graph.node.SupplierNode; import org.springframework.ai.model.ModelOptionsUtils; import org.springframework.ai.parser.BeanOutputParser; import org.springframework.beans.factory.annotation.Autowired; import org.springframework.context.annotation.Bean; import org.springframework.context.annotation.Configuration; import org.springframework.core.io.ClassPathResource; import java.io.IOException; import java.nio.charset.StandardCharsets; import java.util.List; import java.util.Map; import java.util.function.Function; import java.util.function.Supplier; Configuration public class InterviewArrangementGraph { Autowired private AlibabaChatModel chatModel; // 注入 Spring AI Alibaba 的 ChatModel Autowired private CalendarService calendarService; Autowired private EmailService emailService; /** * 核心定义并返回一个可执行的 Graph Bean */ Bean public Graph interviewArrangementWorkflow() throws IOException { // 1. 读取系统提示词System Prompt定义 Agent 的角色和能力 String systemPrompt loadSystemPrompt(); // 2. 定义各个节点 // 节点1输入节点提供初始用户请求 SupplierNodeInterviewRequest requestSupplier SupplierNode .builder(requestSupplier, () - new InterviewRequest()) // 实际应用中这里应从HTTP请求获取 .withOutput(interviewRequest, InterviewRequest.class) .build(); // 节点2LLM节点解析用户自然语言请求并结构化输出 ChatModelNode requestParserNode ChatModelNode .builder(requestParser) .withChatModel(chatModel) .withUserMessageTemplate( 请解析以下用户的面试安排请求提取出候选人姓名、邮箱、职位、面试官ID和偏好时间。 用户请求{{userInput}} ) .withSystemMessage(systemPrompt) // 使用 BeanOutputParser 将 LLM 输出自动解析为 InterviewRequest 对象 .withOutputParser(new BeanOutputParser(InterviewRequest.class)) .withInput(userInput, String.class) // 从 State 中读取 key 为 “userInput” 的字符串 .withOutput(parsedRequest, InterviewRequest.class) // 解析结果存入 State 的 “parsedRequest” .build(); // 节点3工具函数节点调用日历服务查询空闲时间 FunctionNode findSlotsNode FunctionNode .builder(findSlots) .withFunction((FunctionMapString, Object, ListInterviewSlot) input - { InterviewRequest req (InterviewRequest) input.get(parsedRequest); return calendarService.findAvailableSlots(req.getInterviewerId(), req.getPreferredDate()); }) .withInput(parsedRequest, InterviewRequest.class) .withOutput(availableSlots, List.class) .build(); // 节点4LLM节点选择最合适的时间段 ChatModelNode slotSelectorNode ChatModelNode .builder(slotSelector) .withChatModel(chatModel) .withUserMessageTemplate( 以下是候选人信息和面试官的空闲时间段。 候选人{{candidateName}} ({{candidateEmail}}) 职位{{position}} 可用时间段 {{availableSlots}} 请根据候选人的偏好时间“{{preferredDate}}”选择一个最合适的、未预订的时间段。 你只需要返回选择的时间段对象不要任何解释。 ) .withSystemMessage(你是一个专业的HR助理负责高效安排面试。) .withOutputParser(new BeanOutputParser(InterviewSlot.class)) // 注意这里从 State 中读取多个输入 .withInput(parsedRequest, InterviewRequest.class) .withInput(availableSlots, List.class) .withOutput(selectedSlot, InterviewSlot.class) .build(); // 节点5工具函数节点预订选中的时间段 FunctionNode bookSlotNode FunctionNode .builder(bookSlot) .withFunction((FunctionMapString, Object, Boolean) input - { InterviewSlot slot (InterviewSlot) input.get(selectedSlot); return calendarService.bookSlot(slot.getInterviewerId(), slot.getStartTime(), slot.getEndTime()); }) .withInput(selectedSlot, InterviewSlot.class) .withOutput(bookingSuccess, Boolean.class) .build(); // 节点6工具函数节点发送邮件邀请 FunctionNode sendEmailNode FunctionNode .builder(sendEmail) .withFunction((FunctionMapString, Object, Void) input - { InterviewRequest req (InterviewRequest) input.get(parsedRequest); InterviewSlot slot (InterviewSlot) input.get(selectedSlot); emailService.sendInterviewInvitation( req.getCandidateEmail(), req.getCandidateName(), req.getPosition(), req.getInterviewerId(), slot.getStartTime().toString() ); return null; }) .withInput(parsedRequest, InterviewRequest.class) .withInput(selectedSlot, InterviewSlot.class) .build(); // 3. 构建图连接节点 return Graph.builder() // 添加所有节点 .addNode(requestSupplier) .addNode(requestParserNode) .addNode(findSlotsNode) .addNode(slotSelectorNode) .addNode(bookSlotNode) .addNode(sendEmailNode) // 定义边执行顺序 .addEdge(requestSupplier, requestParserNode) // 请求 - 解析 .addEdge(requestParserNode, findSlotsNode) // 解析 - 查日历 .addEdge(findSlotsNode, slotSelectorNode) // 查日历 - 选时间 .addEdge(slotSelectorNode, bookSlotNode) // 选时间 - 预订 .addEdge(bookSlotNode, sendEmailNode) // 预订 - 发邮件 .build(); } private String loadSystemPrompt() throws IOException { // 从 resources 目录加载提示词文件便于管理 ClassPathResource resource new ClassPathResource(prompts/interview-agent-system.md); return new String(resource.getInputStream().readAllBytes(), StandardCharsets.UTF_8); } }提示词文件resources/prompts/interview-agent-system.md你是一个专业的AI HR助理负责处理面试安排流程。 你的目标是从用户的自然语言描述中准确提取结构化信息。 如果用户请求中信息缺失如未指定面试官你可以根据上下文或默认规则进行合理推断并在输出中注明。 请确保输出的JSON格式严格符合 InterviewRequest 类的定义。4.3 创建控制器暴露 API 端点创建一个简单的 REST 控制器来触发 Graph 执行。// 文件src/main/java/com/example/hragent/controller/AgentController.java package com.example.hragent.controller; import org.springframework.ai.graph.Graph; import org.springframework.ai.graph.GraphExecutor; import org.springframework.beans.factory.annotation.Qualifier; import org.springframework.web.bind.annotation.PostMapping; import org.springframework.web.bind.annotation.RequestBody; import org.springframework.web.bind.annotation.RestController; import java.util.Map; RestController public class AgentController { private final GraphExecutor graphExecutor; // 通过 Qualifier 注入我们定义的 Graph Bean public AgentController(Qualifier(interviewArrangementWorkflow) Graph graph) { this.graphExecutor new GraphExecutor(graph); } PostMapping(/api/agent/arrange-interview) public MapString, Object arrangeInterview(RequestBody MapString, String request) { // 1. 从请求体中获取用户输入 String userInput request.get(message); if (userInput null || userInput.isBlank()) { throw new IllegalArgumentException(请求必须包含 message 字段); } // 2. 准备初始状态将用户输入放入 State MapString, Object initialState Map.of(userInput, userInput); // 3. 执行 Graph MapString, Object resultState graphExecutor.execute(initialState); // 4. 从最终 State 中提取并返回关键结果 // 你可以返回整个 State或加工后返回 return Map.of( success, true, selectedSlot, resultState.get(selectedSlot), bookingSuccess, resultState.get(bookingSuccess), message, 面试安排流程执行完毕请检查控制台日志查看邮件发送情况。 ); } }4.4 运行与验证启动应用运行HrAgentApplication的 main 方法。发送测试请求使用 Postman、curl 或任何 HTTP 客户端发送 POST 请求。curl -X POST http://localhost:8080/api/agent/arrange-interview \ -H Content-Type: application/json \ -d { message: 请为候选人张三zhangsanexample.com安排一个后端开发工程师的面试面试官是 li.si他希望明天下午面试。 }查看结果观察应用控制台你应该能看到类似以下的日志展示了 Agent 的完整执行链条[CalendarService] 预订成功面试官li.si, 时间2024-05-XXT14:00 至 2024-05-XXT15:00 发送面试邀请邮件 收件人zhangsanexample.com 内容 尊敬的 张三 恭喜您通过初筛您应聘的 后端开发工程师 职位面试安排如下 面试官li.si 时间2024-05-XXT14:00 请准时参加。 HR团队 API 响应你会收到一个 JSON 响应包含选择的时间段和预订状态。5. 核心技术点深度剖析通过上面的实战我们已经触及了多个关键点。下面我们来系统性地梳理和深化这正是在面试中展现深度的好材料。5.1 提示词工程Prompt Engineering系统提示词System Prompt在ChatModelNode中通过.withSystemMessage()设置用于定义 AI 的角色、行为边界和输出格式。好的系统提示词是 Agent 稳定性的基石。用户提示词User Prompt通过.withUserMessageTemplate()设置包含具体的任务指令和从 State 中注入的动态变量如{{userInput}}。输出解析器Output Parser如BeanOutputParser强制 LLM 以特定格式JSON输出并自动反序列化为 Java 对象。这是连接非结构化文本和结构化程序的关键。5.2 工具调用Function Calling的实现Spring AI Graph 通过FunctionNode原生支持工具调用。定义工具就是一个普通的 Spring Bean 方法如CalendarService.findAvailableSlots。封装节点使用FunctionNode.builder()将方法包装成 Graph 节点。数据流节点从 State 的Map中按名称withInput获取输入参数执行函数再将结果按名称withOutput放回 State。类型安全虽然 State 是MapString, Object但withInput/withOutput方法通过ClassT参数提供了类型提示在构建时和运行时通过强制转换保障类型安全。5.3 图的构建与执行流程声明式构建使用Graph.Builder的流式 API清晰定义节点和边。执行引擎GraphExecutor负责驱动。它从起始节点通常是SupplierNode或没有入边的节点开始按边定义的顺序异步或同步执行节点。状态传递每个节点执行后其输出会更新共享的 State。下游节点读取的是更新后的最新状态。错误处理Graph 本身提供了基本的错误传播机制。生产环境中需要在关键节点添加异常处理逻辑或使用DecisionNode实现重试分支。5.4 与不同大模型供应商的集成Spring AI 的核心价值在于抽象。我们的代码没有绑定阿里云。若要切换为 OpenAI更换依赖将spring-ai-alibaba-ai-spring-boot-starter替换为spring-ai-openai-spring-boot-starter。更新配置spring: ai: openai: api-key: ${OPENAI_API_KEY} chat: options: model: gpt-4-turbo-preview注入OpenAiChatModel而非AlibabaChatModel。Graph 的定义和业务代码无需任何改动。5.5 性能与成本考量Token 消耗每个ChatModelNode都是一次 LLM API 调用消耗 Token。设计 Graph 时应尽量减少不必要的 LLM 节点能用规则FunctionNode判断的就不要问 LLM。异步执行对于无依赖的节点Spring AI Graph 支持异步执行以提升性能。可以通过Graph.Builder的相关配置进行优化。缓存对频繁查询且变化不大的数据如公司制度问答可以考虑在FunctionNode中引入缓存机制如 Caffeine减少对 LLM 或外部服务的调用。6. 常见问题与排查思路在开发和调试过程中你可能会遇到以下典型问题。问题现象可能原因排查思路与解决方案启动报错No qualifying bean of type ‘AlibabaChatModel’1. 依赖未正确引入。2.application.yml配置错误或密钥无效。3. Spring AI 版本与 Boot 版本不兼容。1. 检查pom.xml依赖和版本号。2. 使用Autowired是否报错检查配置项前缀spring.ai.alibaba.ai。3. 核对 Spring AI 官方文档 的版本兼容表。Graph 执行失败State 中缺少某个 key1. 上游节点未成功将输出写入 State。2.withOutput的 key 与下游节点withInput的 key 不匹配。3. 上游节点执行过程抛出异常。1. 在节点函数内打印日志确认执行成功。2. 仔细检查所有节点的输入输出 key 名称确保完全一致区分大小写。3. 查看异常堆栈定位是哪个节点出错。LLM 输出无法被BeanOutputParser解析1. LLM 没有按照指定格式JSON输出。2. Java Bean 的字段与 LLM 输出的 JSON 字段不匹配。3. 提示词指令不够清晰。1. 打印出 LLM 的原始响应内容查看其格式。2. 确保 Bean 的字段名与 JSON key 一致或使用JsonProperty注解。3. 强化系统提示词例如“你必须以严格的 JSON 格式响应且只包含以下字段xxx, yyy”。FunctionNode中类型转换异常ClassCastExceptionState 中存储的实际对象类型与withInput声明的ClassT不匹配。1. 确保上游节点输出的对象类型正确。2. 在FunctionNode的函数体内可以先使用instanceof判断类型或打印input.get(“key”)的类名进行调试。流程不符合预期例如直接跳过了某个节点Graph 的边Edge连接逻辑有误。1. 使用Graph.toString()或可视化工具如果可用检查图的结构。2. 确认DecisionNode的条件表达式是否正确。3. 检查是否有节点因为输入条件不满足而被跳过。7. 最佳实践与工程建议将 AI Agent 投入生产环境需要更严谨的工程化考虑。7.1 提示词管理外部化不要将提示词硬编码在 Java 代码中。像我们示例一样将其放在resources/prompts/目录下的.md或.txt文件中。版本化将提示词文件纳入 Git 管理便于追踪变更和回滚。环境隔离可以为开发、测试、生产环境配置不同的提示词例如通过Profile注解或配置中心管理。7.2 可观测性与监控结构化日志在每个ChatModelNode和FunctionNode的执行前后记录日志包含节点名、输入 State 快照、输出结果、耗时和 Token 用量。使用 MDCMapped Diagnostic Context为每次 Graph 执行关联一个唯一 Trace ID。指标收集集成 Micrometer暴露 Graph 执行成功率、各节点平均耗时、LLM API 调用次数和 Token 消耗量等指标接入 Prometheus 和 Grafana。链路追踪考虑集成 Spring Cloud Sleuth 或 OpenTelemetry将 AI Agent 的调用链路纳入整个微服务的分布式追踪体系中。7.3 稳定性与容错重试机制对于 LLM API 调用和外部服务调用在FunctionNode内部或通过 Spring Retry 注解添加重试逻辑应对网络抖动或服务暂时不可用。熔断降级使用 Resilience4j 或 Sentinel 为关键的 LLM 或工具调用配置熔断器。当失败率过高时快速失败或执行降级策略如返回缓存数据、使用更简单的规则引擎。超时控制为整个 Graph 或单个节点设置执行超时避免因某个节点 hang 住导致请求长时间阻塞。7.4 安全与合规输入输出过滤对流入 Graph 的用户输入和 LLM 返回的内容进行安全检查防止 Prompt 注入攻击或输出有害内容。数据脱敏在日志和监控中对候选人邮箱、手机号等个人敏感信息进行脱敏处理。权限控制确保FunctionNode调用的工具服务如日历、邮件具有最小必要权限并在调用前进行业务级权限校验。7.5 测试策略单元测试单独测试每个FunctionNode对应的 Service 方法。集成测试使用SpringBootTest加载完整的 Graph通过 Mock 外部服务如 CalendarService、EmailService和 LLM 响应验证整个工作流的编排逻辑是否正确。端到端测试在预发布环境中使用真实的 LLM 和测试用的外部服务进行全链路测试重点关注提示词的效果和稳定性。通过以上步骤你不仅搭建了一个可工作的 HR 自动化 AI Agent更掌握了一套基于 Spring AI Alibaba Graph 构建企业级智能工作流的完整方法论。从概念理解、环境搭建、核心编码到生产级的最佳实践这套技术栈为你处理更复杂的业务流程自动化如客服工单处理、IT运维自动化、智能审批流提供了坚实的基础。记住Graph 的核心价值在于将复杂的 AI 逻辑“可视化”为可编排、可测试、可维护的组件这是 AI 应用工程化的关键一步。