TinyAgent

TinyAgent 是一个用 Java 实现的轻量级 Agent 教学项目。它以“比特严选智能客服”为示例场景，演示大模型如何通过 Chat Completions tools/tool_calls 调用本地工具，并逐步扩展到 ReAct、Plan-and-Execute、会话记忆、长期记忆、上下文工程和 Skill 技能机制。

项目配套文档对应：nageoffer/ai-handbook。

当前示例中的 Agent 可以查询订单、查询物流、检索售后知识库、发起退款申请、获取当前时间，并围绕多轮客服会话进行记忆管理与上下文压缩。

功能特性

• ReAct Agent：基于 tools/tool_calls 执行“模型决策 -> 工具调用 -> Observation 回传 -> 最终答复”的循环。
• Plan-and-Execute：先由 Planner 拆解复杂任务，再逐步执行计划，失败时支持重规划。
• 可插拔工具系统：实现 Tool 接口并注册到 ToolRegistry，即可把业务能力暴露给 Agent。
• Function Calling 参数描述：工具可通过 parameters() 提供 JSON Schema，提升模型调用工具的稳定性。
• Skill 技能机制：用 Markdown + YAML Front Matter 定义有作用域的技能指令和工具子集，支持渐进式工具展现。
• 短期会话记忆：支持内存记忆、滑动窗口记忆、摘要压缩记忆、混合记忆和 JDBC 持久化记忆。
• 长期记忆：支持 PostgreSQL KV 记忆、pgvector 向量记忆、用户画像提取和跨会话检索。
• 上下文工程：包含 Token 预算、工具筛选、Observation 折叠、重复工具调用检测和无进展检测。
• 电商客服 Mock 工具：内置订单、物流、退款、知识库和时间工具，便于专注学习 Agent 流程。

技术栈

• Java 21
• Spring Boot 4.1.0
• Maven Wrapper
• OkHttp
• Jackson / Jackson YAML
• PostgreSQL JDBC / pgvector
• Lombok
• JUnit 5

项目结构

.
├── pom.xml
├── README.md
├── .env.example
└── src
    ├── main
    │   ├── java/com/nageoffer/ai/tinyagent
    │   │   ├── TinyagentApplication.java
    │   │   └── react
    │   │       ├── ReActAgent.java
    │   │       ├── LlmClient.java
    │   │       ├── EmbeddingClient.java
    │   │       ├── Tool.java
    │   │       ├── ToolRegistry.java
    │   │       ├── context/
    │   │       ├── demo/
    │   │       ├── memory/
    │   │       ├── plan/
    │   │       ├── skill/
    │   │       └── tools/
    │   └── resources
    │       ├── application.yaml
    │       ├── schema.sql
    │       └── skills/
    └── test

核心模块说明：

模块	说明
react	ReAct Agent、LLM 客户端、工具接口、工具注册表等基础能力
react.tools	比特严选客服场景的本地 Mock 工具
react.plan	Planner、Plan、PlanStep、Plan-and-Execute Agent 和路由器
react.memory	会话记忆、持久化会话、长期记忆、画像提取和会话标题生成
react.context	上下文预算、工具筛选、Observation 折叠
react.skill	Skill 加载、注册、适配和执行
react.multiagent	主从式多智能体：Agent 抽象、子 Agent、编排者、共享黑板、消息总线、结果聚合
react.demo	不同能力的命令行演示入口
resources/skills	Markdown 技能定义文件
resources/schema.sql	PostgreSQL / pgvector 表结构

快速开始

1. 准备环境

确认本机已安装 JDK 21：

java -version

如果当前 shell 默认不是 Java 21，请先切换 JAVA_HOME：

export JAVA_HOME=$(/usr/libexec/java_home -v 21)
export PATH="$JAVA_HOME/bin:$PATH"

项目已包含 Maven Wrapper，不需要额外安装 Maven。

2. 配置大模型接口

复制示例配置：

cp .env.example .env

编辑 .env：

TINYAGENT_API_URL=https://dashscope.aliyuncs.com/compatible-mode/v1/chat/completions
TINYAGENT_API_KEY=your-api-key
TINYAGENT_MODEL=deepseek-v4-pro
TINYAGENT_EMBEDDING_URL=https://dashscope.aliyuncs.com/compatible-mode/v1/embeddings
TINYAGENT_EMBEDDING_MODEL=text-embedding-v3

配置项说明：

配置项	说明
TINYAGENT_API_URL	兼容 Chat Completions 的接口地址
TINYAGENT_API_KEY	大模型接口访问密钥
TINYAGENT_MODEL	Chat 模型名称
TINYAGENT_EMBEDDING_URL	Embedding 接口地址，长期记忆 demo 使用
TINYAGENT_EMBEDDING_MODEL	Embedding 模型名称，长期记忆 demo 使用

当前 demo 从项目根目录的 .env 文件读取配置，不依赖 Spring 配置注入。

3. 编译和测试

./mvnw test

4. 运行不依赖数据库的 Demo

Plan-and-Execute 示例：

./mvnw -q -DskipTests compile exec:java \
  -Dexec.mainClass=com.nageoffer.ai.tinyagent.react.demo.PlanAndExecuteDemo

Skill 技能示例：

./mvnw -q -DskipTests compile exec:java \
  -Dexec.mainClass=com.nageoffer.ai.tinyagent.react.demo.SkillDemo

主从式多智能体示例，编排者按 agent card 分诊，收齐子 Agent 结论后综合：

./mvnw -q -DskipTests compile exec:java \
  -Dexec.mainClass=com.nageoffer.ai.tinyagent.react.demo.MultiAgentSupervisorDemo

多智能体上下文与通信示例：用固定的“售后 → 商品 → IoT”执行计划，演示共享黑板、显式消息、依赖 Handoff 和确定性结果聚合。三位专家都是真实的 ReAct Agent，需要在 .env 里配好 TINYAGENT_API_KEY，工具则全部是内存 Mock：

./mvnw -q -DskipTests compile exec:java \
  -Dexec.mainClass=com.nageoffer.ai.tinyagent.react.demo.MultiAgentContextDemo

5. 运行数据库相关 Demo

BitMallAgentDemo、LongTermMemoryDemo 和 ContextEngineeringDemo 使用 PostgreSQL 持久化会话或长期记忆。运行前需要准备 PostgreSQL，并安装 pgvector 扩展。

在 .env 中补充数据库配置：

TINYAGENT_DB_URL=jdbc:postgresql://localhost:5432/tinyagent
TINYAGENT_DB_USER=postgres
TINYAGENT_DB_PASSWORD=postgres

初始化表结构：

createdb tinyagent
psql -d tinyagent -f src/main/resources/schema.sql

运行基础客服会话 demo：

./mvnw -q -DskipTests compile exec:java \
  -Dexec.mainClass=com.nageoffer.ai.tinyagent.react.demo.BitMallAgentDemo

运行长期记忆 demo：

./mvnw -q -DskipTests compile exec:java \
  -Dexec.mainClass=com.nageoffer.ai.tinyagent.react.demo.LongTermMemoryDemo

运行上下文工程 demo：

./mvnw -q -DskipTests compile exec:java \
  -Dexec.mainClass=com.nageoffer.ai.tinyagent.react.demo.ContextEngineeringDemo

工作原理

ReAct Agent

ReActAgent 会构造系统提示词、会话历史、长期记忆和工具列表，然后调用 LlmClient.chatWithTools()。当模型返回 tool_calls 时，Agent 通过 ToolRegistry 执行对应工具，并把结果作为 tool 消息回传给模型；当模型不再返回工具调用时，当前内容就是最终答复。

执行过程中还会处理：

• ContextBudget：估算并限制系统提示词、长期记忆、工具描述、历史消息和当前轮次的上下文占用。
• ToolFilter：根据用户问题筛选候选工具，减少一次性暴露给模型的工具数量。
• ObservationFolder：对过长工具结果做 JSON 摘要或截断。
• 重复调用检测：发现同参数重复调用时先提醒模型，仍重复则终止。
• 无进展检测：连续多轮推理内容高度相似时终止。

Plan-and-Execute

PlanAndExecuteAgent 面向复杂任务。它先使用 Planner 把用户问题拆成 JSON 计划，每一步包含 stepId、description 和可选的 toolHint。执行器按步骤运行，每一步最多进行有限轮工具调用；如果步骤失败，会在 maxReplanCount 范围内根据已完成结果重新规划剩余步骤。

Memory

项目内置多种会话记忆实现：

实现	说明
InMemoryChatMemory	简单内存保存，进程结束即丢失
SlidingWindowChatMemory	只保留最近 N 条消息
SummaryChatMemory	超过阈值后调用大模型压缩旧对话
HybridChatMemory	保留摘要 + 最近消息
JdbcChatMemory	把完整会话写入 PostgreSQL
PersistentHybridChatMemory	PostgreSQL 持久化 + 内存侧摘要压缩

长期记忆由 PgKeyValueLongTermMemory 和 PgVectorLongTermMemory 组成。会话结束后，UserProfileExtractor 可从对话中提取用户画像和交互记录；下一次会话开始时，LongTermMemoryRetriever 会把相关记忆注入上下文。

Skill

Skill 用 Markdown 文件定义一个有作用域的执行上下文。文件由 YAML Front Matter 和 Markdown 指令正文组成，例如：

---
name: processRefund
description: 退款处理技能
tools:
  - queryOrder
  - applyRefund
parameters:
  type: object
  properties:
    orderId:
      type: string
    reason:
      type: string
  required:
    - orderId
    - reason
---

SkillRegistry 会扫描 src/main/resources/skills/*.md，把每个 Skill 注册成主 Agent 可调用的工具；SkillExecutor 在技能内部只暴露该技能声明的工具子集。

当前内置 Skill：

Skill	作用	内部工具
inquireOrderStatus	查询订单详情，并在已发货时继续查询物流	queryOrder、queryLogistics
processRefund	查询订单状态，验证退款条件并提交退款申请	queryOrder、applyRefund

内置工具

工具名	作用	关键参数
queryOrder	查询订单详情	orderId
queryLogistics	查询物流轨迹	trackingNo
applyRefund	发起退款申请	orderId、reason
searchKnowledge	检索售后政策、常见问题或产品信息	query
getCurrentTime	获取当前时间	无

这些工具目前使用本地 Mock 数据，适合学习 Agent 调用链路。接入真实业务时，可以在工具实现中调用数据库、HTTP 服务、RPC 服务或其他内部系统。

扩展工具

新增工具只需要三步：

1. 实现 Tool 接口。

public class QueryCouponTool implements Tool {

    @Override
    public String name() {
        return "queryCoupon";
    }

    @Override
    public String description() {
        return "查询用户优惠券，返回可用优惠券列表。";
    }

    @Override
    public String parameters() {
        return """
                {
                  "type": "object",
                  "properties": {
                    "userId": {
                      "type": "string",
                      "description": "用户 ID"
                    }
                  },
                  "required": ["userId"]
                }""";
    }

    @Override
    public String invoke(String input) {
        String userId = ToolUtils.extractRequiredField(input, "userId");
        if (userId.isBlank()) {
            return ToolUtils.missingRequiredField("userId");
        }
        return "{\"coupons\":[]}";
    }
}

2. 注册工具。

ToolRegistry toolRegistry = new ToolRegistry();
toolRegistry.register(new QueryCouponTool());

3. 写清楚 description() 和 parameters()。Agent 会把它们发送给模型，描述越明确，模型越容易稳定调用。

扩展 Skill

在 src/main/resources/skills 下新增 .md 文件即可。建议每个 Skill 只封装一个高频业务流程，并只声明该流程需要的工具，避免技能内部上下文过宽。

注意事项

• 当前项目是教学和 demo 项目，内置业务工具返回的是 Mock 数据。
• TinyagentApplication 目前只启动 Spring Boot 应用上下文，没有暴露 HTTP 接口。
• .env 不应提交到代码仓库，请只提交 .env.example。
• 数据库相关 demo 需要先初始化 src/main/resources/schema.sql。
• 长期记忆和上下文工程 demo 依赖 Embedding 接口与 pgvector。

License

Apache License 2.0