我要投稿

Spring AI Alibaba实践｜后台定时Agent

发布日期：2025-10-11 20:42:07 浏览次数： 1537

作者：阿里云开发者

微信搜一搜，关注“阿里云开发者”

参考Langchain的这篇文章[1]，面对目前我们常见Chat模式的Agent形态以外，还可以充分发挥Agent新的运行形态：

自主持续运行Agent：突破目前大部分AI应用依赖用户主动发起对话（Chat）聊天模式的限制。Agent通过监听环境信号（如：定时运行、消息事件、上下文变化），Agent作为智能体，按计划定时运行的特性在实际业务场景中非常有用。
Agent发起人机交互：关键点在于部分任务需通过“人工确认”机制（如通知、提问、审核）确保与用户目标一致，Agent在自主运行过程中需要一个人机交互窗口，支持人工介入机制，从而在自主性与可控性间取得平衡。

Spring AI Alibaba（以下简称SAA）为开发上述形态的Agent提供了相应的框架支持，方便业务快速实现上述场景需求下的Agent开发。

为什么需要自主运行Agent

通过自主运行的Agent可以充分发挥其执行效率，让其具备按预设规划自主工作的能力，无需每次都等待人类指令运行，可将Agent作为一个能替代你部分工作自主运行的“人”来看待。

由此我们可以看到，随着Agent的能力增强，以及Agent自主能力的提升，应该会出现以下局面：

个体创业者的能力边界将被大幅度拓宽。
在工程领域多人协同的工作可拆解到由一个人+多Agent来完成，以提高生产效率。

从业务需求的角度看，可以有以下一些场景可探索挖掘。

自动化周期性业务

面向企业经营的业务系统，可构建周期性地自动收集分析数据、提取数据核心要素、可视化经营报表生成等场景。通过定时运行的Agent可实现无人值守的自动化执行，显著提升数据分析整理效率。相较于传统经营报表，通过模型对非结构化数据的分析总结能力，可显著提升报告质量。

批量清算处理

部署多个Agent，每个Agent可同时批量并行处理不同维度的数据信息。在金融行业智能投研领域，AI Agent 可批量处理来自于不同数据源渠道的海量金融数据、新闻资讯和社交媒体信息，借助大模型充分挖掘行业投资机遇和风险事件。

事件应急预案响应

在物联网、安全监控等场景中，系统需对突发消息事件（如设备报警、用户行为、危险事件识别触发）做出自动响应。后台常驻Agent可通过监听消息队列或定时巡检扫描的方式运行，分析识别事件等级做出响应级别的告警消息发布。

人类参与决策判断

Agent自动处理，人只在需要时进入决策判断以提升效率。比如Agent每天固定时间自动采集汇总供应商的新闻、舆情及社交平台讨论，并进行风险分类与情绪分析；遇到高风险负面事件（如食品安全事故）时，Agent能通知管理人员人工介入判断，选择采取下一步行动策略，比如生成自检报告、批量通知各网点下架对应供应商产品等。

复杂长周期任务

现阶段大批量基于模型进行数据分析处理的场景下，往往执行较慢，就不适合构建Chat模式交互。通过任务固定周期触发、涉及跨域和多模态数据分析，Agent在后台将数据做预制加工处理，最终交互上即可提供给用户加工完成后的数据信息。

周期性任务记忆管理

定时后台运行的Agent，在每个周期执行后可以管理其对应的多个周期的执行记忆。通过周期执行记录信息，可分析随时间周期变化，借助模型来解读数据的变化过程。比如出现舆论舆情时，可根据周期变化来分析事件是再持续发酵还是逐步消退，根据变化趋势来智能路由下一步决策。

如何构建定时运行Agent

目前市面上定时AI Task相关的应用，主要分为以下几类：

对比维度	Chat聊天模式	低代码平台	Agent开发框架
代表性产品	ChatGPT Task、Manus Task	百炼、Coze、dify	LangGraph、Spring AI Alibaba
使用方式	通过聊天提示按指定周期执行某项任务	配置定时触发器，或者通过第三方定时触发源运行	提供API设置定时执行
特点说明	基于提示词简单周期性总结提醒	低代码开发场景，依赖外部触发源管理；可通过MSE任务调度产品配置Http任务触发运行	高代码场景，适合开发复杂企业级AI Agent应用场景；LangGraph CronJob需要对接其专用调度平台支持

接下来重点说明下SAA中的定时Agent设计构想，为了支持后台自主执行的Agent，在CompiledGraph上提供的schedule(ScheduleConfig config)方法可自由设置该Agent定时执行。对于后台定时运行的Agent任务在设计上都通过ScheduledAgentManager来进行任务的注册管理，目前开源默认实现提供了单机应用进程内的Agent任务运行管理实现。

通过上述方式，后续可支持在分布式部署场景下的定时Agent任务运行，同时为自定义Agent任务可视化管理和运行监控提供扩展点。

基于SAA自主运行Agent展示

Spring AI Alibaba作为Agent开发框架，可方便地为业务开发Agent提供了对应解决方案，同时在框架侧也提供了构建定时运行的Agent能力。后续将通过框架提供的定时调度、人工节点功能，实现两个实践案例：店铺经营分析Agent、评价舆情分析Agent。

店铺经营日报Agent

通过SAA框架可以方便的开发出自定义的Agent（Workflow Agent），相比于低代码平台的流程构建，通过编码方式定义Agent流程会更适合高度定制的场景。比如当前的这个Agent我们需要从多个维度（交易订单、产品说明、客户画像信息、门店基础信息、客户评价反馈等）去提取对应的数据信息，通过业务编码再结合Prompt模版提供给LLM进行分析处理在实现上更具灵活性和可控性。

通过这个方式，让业务报表既能保持关键数据的准确性，又可结合发挥模型对非结构化数据分析，提炼总结出报告的核心要点和下一步行动方案。

参考代码

@Beanpublic CompiledGraph dailyReportAgent(ChatModel chatModel) throws GraphStateException {
    ChatClient chatClient = ChatClient.builder(chatModel).defaultAdvisors(new SimpleLoggerAdvisor()).build();
    AsyncNodeAction dataLoaderNode = node_async(        (state) -> {            /*             * 业务报告元数据读取，如：指定周期的订单销量数据、             * 门店产品信息、订单用户反馈信息             */        }           );    // 定义一个经营日报生成节点，根据提供的原始数据信息结合Prompt生成报告    LlmNode llmDataAnalysisNode = LlmNode.builder().chatClient(chatClient)            .paramsKey("data_summary")            .outputKey("summary_message_to_sender")            .userPromptTemplate(DAILY_REPORT)            .build();    // Agent流程：提取原始数据-->生成经营日报-->发送日报信息    StateGraph stateGraph = new StateGraph("OperationAnalysisAgent", () -> {        Map<String, KeyStrategy> strategies = new HashMap<>();        strategies.put("data_summary", new ReplaceStrategy());        strategies.put("summary_message_to_sender", new ReplaceStrategy());        strategies.put("message_sender_result", new ReplaceStrategy());        strategies.put("access_token", new ReplaceStrategy());        return strategies;    }).addNode("data_loader", dataLoaderNode)            .addNode("data_analysis", node_async(llmDataAnalysisNode))            .addNode("message_sender", node_async(generateMessageSender()))            .addEdge(START, "data_loader")            .addEdge("data_loader", "data_analysis")            .addEdge("data_analysis", "message_sender")            .addEdge("message_sender", END);
    CompiledGraph compiledGraph = stateGraph.compile();    compiledGraph.setMaxIterations(100);
    // 设定当前Agent每天8点执行    ScheduleConfig scheduleConfig = ScheduleConfig.builder()        .cronExpression("0 0 8 */1 * ?") // 每天8点        .build();    compiledGraph.schedule(scheduleConfig);    return compiledGraph;}

评价舆情分析Agent

当前案例主要体现Agent自主定时运行，仅在分析发现必要时提示用户进入“人工决策”。相比较于传统的基于数值比较、关键词匹配等监控方式，通过LLM接入可增加业务监控新的维度，让监控面向更加泛化的数据场景，包括非结构化的文本数据、图片、影像等等，通过各类型结构数据充分挖掘出潜在风险。

参考代码

@Beanpublic CompiledGraph evaluationAnalysisAgent(ChatModel chatModel,                 FeedbackMapper feedbackMapper) throws GraphStateException {
    ChatClient chatClient = ChatClient.builder(chatModel).defaultAdvisors(new SimpleLoggerAdvisor()).build();
    EvaluationClassifierNode sessionAnalysis = EvaluationClassifierNode.builder()            .chatClient(chatClient)            .inputTextKey("iterator_item")            .outputKey("session_analysis_result")            .categories(List.of("yes", "no"))            .classificationInstructions(List.of("要求返回纯JSON字符串，禁止包含非JSON格式内容，包含字段:user、time、complaint、satisfaction、summary。",                            "complaint: 表示当前评价是否为店铺或产品投诉，取值范围（yes or no）.",                            "satisfaction: 表示用户实际的消费满意度",                            "summary: 提炼本条核心吐槽点，以及可以改进的方向"))            .build();
    StateGraph sessionAnalysisGraph = new StateGraph("session_analysis", subFactory1)            .addNode("iterator", node_async(sessionAnalysis))            .addEdge(StateGraph.START, "iterator")            .addEdge("iterator", StateGraph.END);
    AsyncNodeAction sessionLoaderNode = node_async((state) -> {        // 舆情和评价数据加载... ...        return result;    });
    // 舆情评价结果分析汇总    AsyncNodeAction sessionResultSummaryNode = node_async((state) -> {        // 舆情评价结果分析汇总... ...        return Map.of();    });
    // 通过LLM生成告警报告    LlmNode llmNode = LlmNode.builder().chatClient(chatClient)            .paramsKey("summary_message")            .outputKey("summary_message_to_sender")            .systemPromptTemplate("自定义Prompt")            .build();
    // 构建Agent运行流程    StateGraph stateGraph = new StateGraph("ReviewAnalysisAgent", () -> {        Map<String, KeyStrategy> strategies = new HashMap<>();        ... ...        return strategies;    }).addNode("session_loader_node", sessionLoaderNode)            .addNode("iteration_session_analysis_node", iterationNode)            .addNode("session_result_summary_node", sessionResultSummaryNode)            .addNode("message_parse", node_async(llmNode))            .addNode("message_sender", node_async(generateMessageSender()))            .addNode("human_feedback", node_async(new HumanFeedbackNode()))            .addNode("human_action", node_async(new HumanActionNode()))            .addEdge(START, "session_loader_node")            .addEdge("session_loader_node", "iteration_session_analysis_node")            .addEdge("iteration_session_analysis_node", "session_result_summary_node")            .addConditionalEdges("session_result_summary_node", AsyncEdgeAction.edge_async(state -> {                Integer complaint = state.value("complaint", 0);                return complaint > 0 ? "message_parse" : StateGraph.END;            }), Map.of("message_parse", "message_parse", StateGraph.END, StateGraph.END))            .addEdge("message_parse", "message_sender")            .addEdge("message_sender", "human_feedback")            .addConditionalEdges("human_feedback", AsyncEdgeAction.edge_async(state -> {                boolean ignore = state.value("ignore", true);                return ignore ? StateGraph.END : "human_action";            }), Map.of("human_action", "human_action", StateGraph.END, StateGraph.END))            .addEdge("message_sender", END);
    CompiledGraph compiledGraph = stateGraph.compile();    compiledGraph.setMaxIterations(1000);    // 设定当前Agent每小时执行检测一次    ScheduleConfig scheduleConfig = ScheduleConfig.builder()        .cronExpression("0 0 */1 * * ?") // 每小时执行检测一次        .build();    compiledGraph.schedule(scheduleConfig);    return compiledGraph;}