Spring AI Alibaba 46｜检索增强生成 RAG · RAG 架构：Agentic RAG
Agentic 检索增强生成（RAG）将检索增强生成的优势与基于 Agent 的推理相结合。Agent（由 LLM 驱动）不是在回答之前检索文档，而是逐步推理并决定在交互过程中何时以及如何检索信息。 提示Agent 启用 RAG 行为所需的
Spring AI Alibaba 45｜检索增强生成 RAG · RAG 架构：两步 RAG
大型语言模型（LLM）虽然强大，但有两个关键限制： 有限的上下文——它们无法一次性摄取整个语料库静态知识——它们的训练数据在某个时间点被冻结 检索通过在查询时获取相关的外部知识来解决这些问题。这是**检索增强生成（RAG）**的基础：使用特
Spring AI Alibaba 44｜多智能体编排 · 交接（Handoffs）：混合模式示例
你可以组合不同的模式创建复杂的工作流： // 1. 创建研究Agent（并行执行） ReactAgent webResearchAgent = ReactAgent.builder() .name(“web_research”) .mode
Spring AI Alibaba 43｜多智能体编排 · 交接（Handoffs）：自定义（Customized）
Spring AI Alibaba 提供了 FlowAgent 抽象类，允许你创建自定义的Agent工作流模式。通过继承 FlowAgent 并实现特定的图构建逻辑，你可以实现任何复杂的多Agent协作模式。 FlowAgent 架构 Fl
Spring AI Alibaba 42｜多智能体编排 · 交接（Handoffs）：监督者（SupervisorAgent）
在监督者模式中，使用大语言模型（LLM）作为监督者，动态决定将任务路由到哪个子Agent，并支持多步骤循环路由。与 LlmRoutingAgent 不同，SupervisorAgent 支持子Agent执行完成后返回监督者，监督者可以根据执
Spring AI Alibaba 41｜多智能体编排 · 交接（Handoffs）：路由（LlmRoutingAgent）
在路由模式中，使用大语言模型（LLM）动态决定将请求路由到哪个子Agent。这种模式非常适合需要智能选择不同专家Agent的场景。 流程： 路由Agent接收用户输入LLM分析输入并决定最合适的子Agent选中的子Agent处理请求结果返回
Spring AI Alibaba 40｜多智能体编排 · 交接（Handoffs）：并行执行（Parallel Agent）
在并行执行模式中，多个Agent同时处理相同的输入。它们的结果被收集并合并。 流程： 输入同时发送给所有Agent所有Agent并行处理结果被合并成单一输出 实现 import com.alibaba.cloud.ai.graph.agen
Spring AI Alibaba 39｜多智能体编排 · 交接（Handoffs）：顺序执行（Sequential Agent）
Multi-agent 将复杂的应用程序分解为多个协同工作的专业化Agent。与依赖单个Agent处理所有步骤不同，Multi-agent架构允许你将更小、更专注的Agent组合成协调的工作流。 Multi-agent系统在以下情况下很有用
Spring AI Alibaba 38｜人工介入 · 实用工具方法
为了简化人工介入的处理，你可以创建实用方法： public class HITLHelper { /** * 批准所有工具调用 */ public static InterruptionMetadata approveAll(Interru
Spring AI Alibaba 37｜人工介入 · Workflow 中嵌套 Agent 的人工中断
在复杂的应用场景中，你可能需要在 StateGraph 工作流中嵌套 ReactAgent，并为嵌套的 Agent 配置人工介入能力。这允许你在工作流执行过程中对 Agent 的工具调用进行人工监督。 工作原理 当 ReactAgent 作