“多 Agent + Skills + Spring AI 构建自主决策智能体”是一种近年来非常热门的 AI 系统架构思路，核心目标是让系统具备像人一样的分工协作与自主决策能力。下面我帮你系统性拆解一下它的概念、架构和实现方式。

一、核心概念拆解

1️⃣ Multi-Agent（多智能体）

多 Agent 指的是由多个“智能体”组成的系统，每个 Agent 具备一定的：

• 感知能力（理解输入）
• 决策能力（推理规划）
• 执行能力（调用工具）

👉 类似一个团队分工：

📌 本质：
把复杂问题拆成多个小角色协作完成

2️⃣ Skills（技能/工具调用）

Skills 是 Agent 能调用的“外部能力”，也就是工具层。

常见 Skills：

• API 调用（天气、地图、支付）
• 数据库查询
• 代码执行（Python / Shell）
• RAG（知识库检索）
• 第三方系统（ERP、CRM）

👉 可以理解为：

Agent = 大脑
Skills = 手脚

3️⃣ Spring AI

Spring AI 是基于 Spring 生态的 AI 开发框架，核心特点：

• 支持接入大模型（OpenAI、Claude、DeepSeek 等）
• 提供统一的 Prompt API
• 支持 RAG、工具调用（Function Calling）
• 与 Spring Boot 无缝集成

👉 优势：

• 企业级开发友好
• 易于微服务架构集成
• 支持可扩展 Agent 设计

二、整体架构设计

典型架构如下：

用户请求
   ↓
Agent Orchestrator（调度器）
   ↓
┌───────────────┐
│ Planner Agent │ ← 任务拆解
└───────────────┘
   ↓
┌───────────────┐
│ Executor Agent│ ← 调用 Skills
└───────────────┘
   ↓
Skills 层（工具）
   ↓
结果汇总
   ↓
Reviewer Agent（校验）
   ↓
最终输出

三、工作流程（一步步发生什么）

以一个复杂请求为例：

👉 “帮我分析最近电商销量下降的原因，并给出优化建议”

系统执行流程：

1️⃣ 任务解析

Planner Agent：

• 分解任务：
  • 获取销量数据
  • 分析趋势
  • 查找异常
  • 给出策略

2️⃣ 工具调用（Skills）

Executor Agent：

• 调用数据库 → 获取销售数据
• 调用 Python → 做数据分析
• 调用 RAG → 查行业报告

3️⃣ 多 Agent 协作

• Data Agent：分析数据
• Research Agent：查资料
• Strategy Agent：生成建议

4️⃣ 审查与优化

Reviewer Agent：

• 检查逻辑是否合理
• 是否有数据支撑

5️⃣ 输出结果

最终生成：

• 分析报告
• 可执行建议

四、Spring AI 如何实现

1️⃣ 基础能力

Spring AI 提供：

• ChatClient：调用大模型
• PromptTemplate：提示词管理
• Function Calling：实现 Skills

2️⃣ Skills 实现方式

@Tool
public String getWeather(String city) {
    return weatherService.query(city);
}

👉 自动被 Agent 调用

3️⃣ Agent 构建方式

可以通过：

• Prompt + Function Calling
• 或封装 Agent 类

示例：

String response = chatClient.prompt()
    .user("分析销量下降原因")
    .tools(weatherTool, dbTool)
    .call()
    .content();

4️⃣ 多 Agent 编排

可通过：

• Service 层编排
• 或工作流引擎（如 Temporal / Camunda）

五、核心优势

✅ 1. 更强的复杂任务处理能力

单一大模型 → 容易“胡编”
多 Agent → 分工 + 校验 → 更可靠

✅ 2. 可扩展性强

• 新增 Agent = 新角色
• 新增 Skills = 新能力

✅ 3. 更贴近企业架构

• 微服务 + Agent
• API 即 Skills

✅ 4. 可控性更高

• 每一步可监控
• 可插入规则与审核

六、典型应用场景

🔹 企业智能助手

• 自动生成报告
• 自动分析业务数据

🔹 自动化运维（AIOps）

• 故障检测 → 分析 → 修复

🔹 智能客服

• 多轮推理
• 自动调用业务系统

🔹 AI 工作流平台

• 类似 AutoGPT / CrewAI

七、挑战与难点

⚠️ 1. Agent 协调复杂

• 多轮通信容易混乱

⚠️ 2. 成本问题

• 多次调用大模型 → 成本高

⚠️ 3. 幻觉问题

• 仍需 Reviewer 或规则校验

⚠️ 4. 延迟问题

• 多 Agent 串行执行 → 慢

八、一句话总结

👉
多 Agent + Skills + Spring AI = 用“团队协作 + 工具调用”的方式，把大模型从“聊天机器人”升级为“能自主决策的智能系统”。

课程截图：

课程目录：

├─第1章 AI 正式进入多 Agent 协作和自主决策的时代
│ 1-1 多Agent融合自主决策，AI发展的必然趋势.mp4
│ 1-2 准备工作：安装ApiFox.mp4
│ 1-3 准备工作：配置阿里大模型广场的ApiKey.mp4
│ 1-4 准备工作：百度地图API秘钥(AK).mp4
│ 1-5 准备工作：安装Nacos 3.mp4
│ 1-6 仿Manus能自主决策的框架：Jmanus.mp4
│ 1-7 具备ReAct核心能力的框架：AgentScope.mp4
│
├─第2章 大白话快速简单过一遍 Ai 大模型
│ 2-1 大模型咋就懂咱说啥 ？.mp4
│ 2-2 大模型的信息分析器：Transformer层.mp4
│ 2-3 大模型的大脑中枢：自注意力机制.mp4
│ 2-4 大模型的回应咋就这么体贴呢.mp4
│ 2-5 大模型是弹药库，智能体则是武器.mp4
│
├─第3章 MCP + Skills，Agent&工具+技能&的双轮驱动
│ 3-1 大模型困境：数据获取与整合上 的&抓瞎&.mp4
│ 3-2 困境解决方案：函数调用( Function Calling ).mp4
│ 3-3 Function Calling就是大模型的跑腿小弟.mp4
│ 3-4 更优的困境解决方案： MCP.mp4
│ 3-5 对比Function Calling，MCP的不同.mp4
│ 3-6 体验MCP：Jmanus配置MCP服务.mp4
│ 3-7 具有专业知识的Agent Skills.mp4
│ 3-8 工具调用最强组合：Agent Skills+MCP.mp4
│ 3-9 搞定复杂活儿，得靠多个Agent协作.mp4
│ 3-10 多Agent跨部门协作：A2A协议.mp4
│ 3-11 主流的多Agent开发框架.mp4
│ 3-12 多Agent的核心执行流程.mp4
│
├─第4章 SpringAi 1.1 实现 MCP+A2A
│ 4-1 以bom方式导入SpringAi Alibaba依赖.mp4
│ 4-2 导入MCP依赖.mp4
│ 4-3 MCP能连接万物的原因：通信的分层设计.mp4
│ 4-4 MCP的通信：SSE实时传输.mp4
│ 4-5 创建MCP工具.mp4
│ 4-6 将MCP工具注册到MCP服务.mp4
│ 4-7 线程不会被卡住：WebFlux框架.mp4
│ 4-8 Jmanus导入SpringAi自定义的MCP服务.mp4
│ 4-9 SpringAi Alibaba 1.1 以bom方式导入依赖.mp4
│ 4-10 SpringAi 1.1 整合MCP.mp4
│ 4-11 SpringAi 1.1 A2A的3个核心组件.mp4
│ 4-12 SpringAi 1.1 MCP注解：全新的MCP实现.mp4
│ 4-13 SpringAi 1.1 A2A的服务注册.mp4
│ 4-14 SpringAi 1.1 A2A的服务发现.mp4
│ 4-15 SpringAi 1.1 A2A的元数据AgentCard.mp4
│ 4-16 测试 SpringAi 1.1 实现的 A2A 协议.mp4
│
├─第5章 Agent 团队打造专属你的旅行规划
│ 5-1 旅行规划的复合任务拆解.mp4
│ 5-2 团队成员：路线制定专员Agent.mp4
│ 5-3 团队成员：行程规划经理Agent.mp4
│ 5-4 团队成员：费用统筹管家Agent.mp4
│ 5-5 Agent团队和大模型的无缝协作.mp4
│ 5-6 百度地图MCP提供的工具体系全景.mp4
│
├─第6章 多 Agent + ReAct架构，SpringAi迈入Agent新时代
│ 6-1 SpringAI 1.0，1.1 和 2.0.mp4
│ 6-2 SpringBoot整合SpringAi Alibaba.mp4
│ 6-3 和大模型互动的中枢：ChatModel对象.mp4
│ 6-4 和大模型互动的窗口：ChatClient对象.mp4
│ 6-5 ChatClient流式响应获取数据 (SSE).mp4
│ 6-6 SpringAi 1.1 正式进入Agent自主决策时代.mp4
│ 6-7 SpringAi 1.1 组建旅游规划的Agent团队.mp4
│ 6-8 SpringAi 1.1 Agent团队协同合作.mp4
│ 6-9 AgentScope构建搭载工具的ReAct Agent（1）.mp4
│ 6-10 AgentScope构建搭载工具的ReAct Agent（2）.mp4
│ 6-11 MCP客户端连接MCP服务端.mp4
│ 6-12 大模型调用本地自定义的MCP服务.mp4
│ 6-13 RAG只是一个过渡阶段吗 ？.mp4
│ 6-14 长下文能取代RAG吗 ？.mp4
│ 6-15 测试AgentScope的Agent运行.mp4
│
├─第7章 Graph 搭建旅游规划工作流，像拼积木一样轻松
│ 7-1 以工作流方式编排旅行规划的团队协同.mp4
│ 7-2 搭建工作流的记忆中枢：OverAllState.mp4
│ 7-3 搭建工作流的框架蓝图：StateGraph.mp4
│ 7-4 搭建工作流的执行单元：NodeAction.mp4
│ 7-5 搭建工作流的流程顺序：Edge.mp4
│ 7-6 编译及运行工作流.mp4
│ 7-7 图形化展示工作流.mp4
│ 7-8 Flux就是装载SSE流式数据的容器.mp4
│ 7-9 Flux包装SSE返回给前端展示打字机输出效果.mp4
│ 7-10 SpringAi Alibaba1.1的Graph引擎.mp4
│ 7-11 SpringAi 1.1的工作流状态更新.mp4
│ 7-12 基于Graph搭建旅游规划工作流.mp4
│ 7-13 总结Agent和Graph分别构建的工作流.mp4
│
├─第8章 Jmanus 懂思考、会规划、一步步动手完成任务。
│ 8-1 多Agent设计思路 角色分工.mp4
│ 8-2 多Agent设计思路 冲突协商.mp4
│ 8-3 多Agent设计思路 SOP管理机制.mp4
│ 8-4 Manus多Agent的技术架构.mp4
│ 8-5 Manus是自主决策的Ai Agent.mp4
│ 8-6 OpenManus复刻Manus的架构思路.mp4
│ 8-7 PlanAct是全局流程规划的主管.mp4
│ 8-8 ReAct是灵活应变的基层执行者.mp4
│ 8-9 JManus的文件架构以及Prompt提交入口.mp4
│ 8-10 JManus的核心：计划协调器.mp4
│ 8-11 JManus向大模型请求计划创建.mp4
│ 8-12 根据计划类型创建不同的执行者.mp4
│ 8-13 不同的执行者调用不同的执行流程.mp4
│
├─第9章 Docker 部署分布式 Agent 搞定旅游规划
│ 9-1 AgentScope搭建工程化的分布式Agent协同.mp4
│ 9-2 分布式Agent自主旅游规划的架构思路.mp4
│ 9-3 SpringBoot 4 和 AgentScope 的整合.mp4
│ 9-4 创建不同节点的ReAct Agent.mp4
│ 9-5 主管Agent自主分解复杂任务.mp4
│ 9-6 自主分解任务的关键：PlanNotebook.mp4
│ 9-7 计划和执行中的事件拦截：Hook.mp4
│ 9-8 主管Agent分发任务给相应Agent.mp4
│ 9-9 团队成员的智能体卡片注册到Nacos.mp4
│ 9-10 远程Agent封装为工具执行子任务.mp4
│
├─第10章 Skills 让 Agent 按照专业流程工作
│ 10-1 Agent的牛马小弟：SubAgent.mp4
│ 10-2 Agent Skills就是个专属工作流.mp4
│ 10-3 Skills装载的是专业知识和工作流程.mp4
│ 10-4 Skills的渐进式加载机制.mp4
│ 10-5 Skills的文件结构标准.mp4
│ 10-6 总结Agent从助手到自主协作的进化过程.mp4
│ 10-7 SpringAi 1.1.2实现Agent装载Skills.mp4
│
├─第11章 MCP+A2A，助力旅游规划团队协作
│ 11-1 回顾AgentScope旅游规划的整体架构.mp4
│ 11-2 测试团队成员基于A2A协议注册到Nacos.mp4
│ 11-3 测试主管Agent基于A2A协议获取团队成员.mp4
│ 11-4 测试主管Agent调动团队成员执行任务.mp4
│ 11-5 获取百度地图MCP服务端的工具列表.mp4
│ 11-6 路线制定专员Agent挂载百度地图MCP.mp4
│ 11-7 主管Agent自主分发任务给远程相应的成员.mp4
│ 11-8 人工介入修改主管Agent制定的计划.mp4
│
├─第12章 专属SubAgent, 处理旅游规划专业Skills
│ 12-1 行程规划经理挂载Skills.mp4
│ 12-2 有限预算内规划精彩旅行的Skills.mp4
│ 12-3 表格制作Skills.mp4
│ 12-4 Skills实现Agent工具的渐进式加载.mp4
│ 12-5 景点推荐SubAgent执行景点推荐任务.mp4
│
├─第13章 旅游规划优化，监控，部署
│ 13-1 敏感资源处理方案.mp4
│ 13-2 主管Agent暴露和用户交互的接口.mp4
│ 13-3 docker搭建Agent跟踪和Token消费分析.mp4
│ 13-4 旅游规划Agent团队集成Agent追踪观测.mp4
│ 13-5 测试主管Agent接收Prompt及结构化输出.mp4
│ 13-6 旅游规划打印出Agent的深度思考.mp4
│ 13-7 测试路线制定专员规划最优驾车路线.mp4
│ 13-8 课程总结.mp4
│
└─代码
AiTripPlan-master.zip