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
-
批量清算处理
-
事件应急预案响应
-
人类参与决策判断
-
复杂长周期任务
-
周期性任务记忆管理
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
public 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
public 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;}
