【SpringAIAlibaba新手村系列】（18）Agent 智能体与今日菜单应用

第十八章 Agent 智能体与今日菜单应用

s01 > s02 > s03 > s04 > s05 > s06 > s07 > s08 > s09 > s10 > s11 > s12 > s13 > s14 > s15 > s16 > s17 > [ s18 ]

一、本章要做什么

这一章的目标不是再做一个“只有本地工具”的 Agent，而是把两类工具放进同一个 ReactAgent：

1. 本地工具：菜单推荐能力。
2. 外部工具：通过 MCP Client 自动发现到的第三方工具。

这样可以直接验证：Agent 在一次对话里，可以同时调度本地 @Tool 和外部 MCP 工具。

二、和前面 ChatModel / ChatClient 的区别

前面章节里，ChatModel / ChatClient 更偏“发起一次对话调用”。

本章里的 ReactAgent 更偏“执行任务”：

1. 理解用户意图。
2. 判断要调用哪个工具。
3. 调用工具并观察结果。
4. 基于结果组织最终答案。

对于简单问题，这三者体感差异可能不大；但一旦涉及多工具组合，ReactAgent 的优势会更明显。

三、Saa18 当前可运行代码

3.1 配置类：合并本地工具与 MCP 工具

package cn.edu.nnu.opengms.config;

import cn.edu.nnu.opengms.service.MenuTools;
import com.alibaba.cloud.ai.graph.agent.ReactAgent;
import org.springframework.ai.ch@t.model.ChatModel;
import org.springframework.ai.support.ToolCallbacks;
import org.springframework.ai.tool.ToolCallback;
import org.springframework.ai.tool.ToolCallbackProvider;
import org.springframework.context.annotation.Bean;
import org.springframework.context.annotation.Configuration;

import java.util.Arrays;
import java.util.stream.Stream;

@Configuration
public class DashScopeConfig {
    @Bean
    public ReactAgent menuAgent(ChatModel ch@tModel, MenuTools menuTools, ToolCallbackProvider mcpTools)
    {
        ToolCallback[] localTools = ToolCallbacks.from(menuTools);
        ToolCallback[] externalTools = mcpTools.getToolCallbacks();

        ToolCallback[] allTools = Stream.concat(Arrays.stream(localTools), Arrays.stream(externalTools))
                .toArray(ToolCallback[]::new);

        return ReactAgent.builder()
                .name("menu-agent")
                .description("根据用户问题推荐菜单、解释菜品或查询天气")
                .model(ch@tModel)
                .tools(allTools)
                .build();
    }
}

这段代码是本章核心。

它做了三件事：

1. ToolCallbacks.from(menuTools)：加载本地菜单工具。
2. mcpTools.getToolCallbacks()：加载外部 MCP 工具。
3. 合并后通过 .tools(allTools) 注册到同一个 Agent。

这就是“本地 + 外部”组合能力的关键实现。

3.2 本地工具类：菜单推荐

package cn.edu.nnu.opengms.service;

import org.springframework.ai.tool.annotation.Tool;
import org.springframework.stereotype.Service;

@Service
public class MenuTools {
    @Tool(description = "根据口味推荐菜单")
    public String recommendMenu(String taste) {
        if (taste == null || taste.isBlank()) {
            return "请先告诉我口味偏好（甜/咸/辣）。";
        }

        if (taste.equalsIgnoreCase("甜")) {
            return "推荐菜单：蛋挞、奶茶、甜甜圈";
        } else if (taste.equalsIgnoreCase("咸")) {
            return "推荐菜单：炸鸡、薯条、汉堡";
        } else if (taste.equalsIgnoreCase("辣")) {
            return "推荐菜单：麻辣香锅、辣子鸡、火锅";
        } else {
            return "抱歉，暂时没有相关口味的菜单推荐。";
        }
    }

    @Tool(description = "根据天气状况和温度推荐菜单，参数示例：weather=小雨, temperature=12")
    public String recommendByWeather(String weather, Integer temperature) {
        if (weather == null || weather.isBlank() || temperature == null) {
            return "请提供完整信息，例如：weather=小雨, temperature=12。";
        }

        String w = weather.toLowerCase();

        if (temperature <= 5) {
            return "当前" + weather + "，约" + temperature + "度，推荐暖身菜单：羊肉汤、番茄牛腩、砂锅米线。";
        }

        if (temperature <= 15) {
            if (w.contains("雨") || w.contains("雪")) {
                return "当前" + weather + "，约" + temperature + "度，推荐热汤类：酸辣汤面、菌菇鸡汤、馄饨。";
            }
            return "当前" + weather + "，约" + temperature + "度，推荐家常热菜：土豆炖牛肉、青椒肉丝、米饭。";
        }

        if (temperature <= 25) {
            if (w.contains("雨")) {
                return "当前" + weather + "，约" + temperature + "度，推荐温和口味：鲜虾粥、番茄鸡蛋面、清蒸鱼。";
            }
            if (w.contains("晴")) {
                return "当前" + weather + "，约" + temperature + "度，推荐轻食搭配：鸡胸沙拉、玉米浓汤、全麦三明治。";
            }
            return "当前" + weather + "，约" + temperature + "度，推荐均衡菜单：宫保鸡丁、时蔬、紫菜蛋花汤。";
        }

        if (w.contains("雨") || w.contains("闷")) {
            return "当前" + weather + "，约" + temperature + "度，推荐清爽低负担：绿豆粥、凉拌鸡丝、蒸南瓜。";
        }

        return "当前" + weather + "，约" + temperature + "度，推荐夏季清凉菜单：凉面、手撕鸡、冬瓜排骨汤。";
    }
}

这个版本比“甜咸辣”单一推荐更适合测试 Agent 的决策路径，尤其是当问题里同时出现天气和温度时。

3.3 控制器：统一入口

package cn.edu.nnu.opengms.controller;

import com.alibaba.cloud.ai.graph.agent.ReactAgent;
import com.alibaba.cloud.ai.graph.exception.GraphRunnerException;
import jakarta.annotation.Resource;
import org.springframework.web.bind.annotation.GetMapping;
import org.springframework.web.bind.annotation.RequestParam;
import org.springframework.web.bind.annotation.RestController;

@RestController
public class MenuController {
    @Resource(name = "menuAgent")
    private ReactAgent menuAgent;

    @GetMapping(value = "/eatAgent")
    public String eatAgent(@RequestParam(name = "msg", defaultValue = "今天吃什么") String msg) throws GraphRunnerException {
        return menuAgent.call(msg).getText();
    }
}

这一层保持简单：把用户输入交给 Agent，后续工具决策由 Agent 运行期处理。

四、application.yml 与依赖

4.1 当前配置

server:
  port: 8001

spring:
  application:
    name: Saa09

  ai:
    dashscope:
      api-key: ${DASHSCOPE_API_KEY}

    mcp:
      client:
        request-timeout: 20s
        toolcallback:
          enabled: true
        stdio:
          servers-configuration: classpath:/mcp-server.json5

说明：

1. 本章除了模型 API Key，还需要 MCP Client 配置。
2. servers-configuration 指向外部 MCP 服务清单文件。

4.2 关键依赖

<dependency>
    <groupId>com.alibaba.cloud.ai</groupId>
    <artifactId>spring-ai-alibaba-agent-framework</artifactId>
</dependency>

<dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-starter-mcp-client</artifactId>
</dependency>

前者提供 Agent 运行能力，后者提供外部 MCP 工具接入能力。

五、测试建议

启动后可先测：

我想吃辣的
今天小雨12度，推荐晚饭
今天的n京天气适合吃什么？

观察点：

1. 是否会触发菜单推荐工具。
2. 当问题涉及天气时，是否能利用外部工具结果再给菜单建议。
3. 返回是否明显比纯对话更“任务化”。

六、本章小结

当前 Saa18 的价值在于跑通了一个实用结构：

1. ReactAgent 作为统一执行入口。
2. 本地 MenuTools 提供业务逻辑。
3. ToolCallbackProvider 注入外部 MCP 工具。
4. 在一个 Agent 中完成“本地能力 + 外部能力”的协同调用。

这个结构是后续扩展多工具、多步骤 Agent 的基础。

本章重点：

1. 读懂本章不是单工具示例，而是工具合并示例。
2. 理解 .tools(allTools) 里的本地与外部工具来源。
3. 用更真实菜单逻辑验证 Agent 的任务执行能力。