Spring AI Alibaba Graph介绍
基于 Spring AI Alibaba Graph 进行工作流的开发。工作流是以相对固化的模式来人为地拆解任务，将一个大任务拆解为包含多个分支的固化流程。工作流的优势是确定性强，模型作为流程中的一个节点起到的更多是一个分类决策、内容生成的职责，因此它更适合意图识别等类别属性强的应用场景。
Spring AI Alibaba Graph 在设计理念上借鉴 LangGraph，并且增加了大量预置 Node、简化了 State 定义过程等，让开发者更容易编写对等低代码平台的工作流、多智能体等。
Graph框架核心概念包括：StateGraph（状态图，用于定义节点和边）、Node（节点，封装具体操作或模型调用）、Edge（边，表示节点间的跳转关系）以及 OverAllState（全局状态，贯穿流程共享数据）。
本文参考官方文档：工作流-阿里云Spring AI Alibaba官网官网，演示工作流的开发。
商品评价分类系统的流程
（1）根据评价内容，通过feedback_classifier，确定是正面（positive）还是负面（negative）评价。
（2）如果是正面评价，结束。
（3）如果是负面评价，执行specific_question_classifier，对负面评价进行分类，包括售后（after-sale）、质量（quality）、运输（transportation）、其他（others）。
（4）确定分类后，结束。
代码实现
导入jar
<!-- 引入 Graph 核心依赖 -->
<dependency>
<groupId>com.alibaba.cloud.ai</groupId>
<artifactId>spring-ai-alibaba-graph-core</artifactId>
</dependency>
<dependency>
<groupId>com.google.code.gson</groupId>
<artifactId>gson</artifactId>
<version>2.10.1</version>
</dependency>yml配置
spring:
ai:
dashscope:
api-key: 申请的key
chat:
options:
model: qwen-max
logging:
level:
org.springframework.ai.chat.client.advisor: DEBUG配置类
package com.qfedu.springaialibaba.config;
import com.alibaba.cloud.ai.graph.OverAllState;
import com.alibaba.cloud.ai.graph.OverAllStateFactory;
import com.alibaba.cloud.ai.graph.StateGraph;
import com.alibaba.cloud.ai.graph.action.EdgeAction;
import com.alibaba.cloud.ai.graph.exception.GraphStateException;
import com.alibaba.cloud.ai.graph.node.QuestionClassifierNode;
import com.alibaba.cloud.ai.graph.state.strategy.ReplaceStrategy;
import com.qfedu.springaialibaba.workflow.RecordingNode;
import jakarta.annotation.Resource;
import lombok.extern.slf4j.Slf4j;
import org.springframework.ai.chat.client.ChatClient;
import org.springframework.ai.chat.client.advisor.SimpleLoggerAdvisor;
import org.springframework.ai.chat.model.ChatModel;
import org.springframework.context.annotation.Bean;
import org.springframework.context.annotation.Configuration;
import java.util.HashMap;
import java.util.List;
import java.util.Map;
import static com.alibaba.cloud.ai.graph.StateGraph.END;
import static com.alibaba.cloud.ai.graph.StateGraph.START;
import static com.alibaba.cloud.ai.graph.action.AsyncEdgeAction.edge_async;
import static com.alibaba.cloud.ai.graph.action.AsyncNodeAction.node_async;
@Slf4j
@Configuration
public class AiConfig {
@Resource
private ChatModel chatModel;
@Bean
public ChatClient chatClient() {
ChatClient chatClient = ChatClient.builder(chatModel)
.defaultAdvisors(new SimpleLoggerAdvisor())
.build();
return chatClient;
}
@Bean
public StateGraph workflowGraph() throws GraphStateException {
// 用于在每次执行工作流时创建初始的全局状态对象。通过注册若干 Key 及其更新策略来管理上下文数据
// 注册了三个状态键：input（输入文本）、classifier_output（分类结果）和 solution（最终处理结论），
// 均采用 ReplaceStrategy（每次写入替换旧值）
OverAllStateFactory stateFactory = () -> {
OverAllState state = new OverAllState();
state.registerKeyAndStrategy("input", new ReplaceStrategy());
state.registerKeyAndStrategy("classifier_output", new ReplaceStrategy());
state.registerKeyAndStrategy("solution", new ReplaceStrategy());
return state;
};
// 定义节点 (Node)：创建工作流中的核心节点，包括两个文本分类节点和一个记录节点
// QuestionClassifierNode 类用于文本分类任务
// 评价正负分类节点，判断用户反馈是正面还是负面。
// 它利用 LLM 对输入文本（存储在 "input" 键）进行语义理解，并输出类别结果
// 分类结果会写入全局状态的 "classifier_output" 键
QuestionClassifierNode feedbackClassifier = QuestionClassifierNode.builder()
.chatClient(chatClient())
.inputTextKey("input")
.categories(List.of("正面反馈", "负面反馈")) // 分类内容
.classificationInstructions( // 分类的说明
List.of("尝试理解用户提供反馈时的感受"))
.build();
// 负面评价具体问题分类节点
// 在检测到反馈为负面时被执行。它会根据负面反馈的内容，将问题归类为 售后服务、运输物流、产品质量 或 其他 四种类型之一。
// 这个节点复用了输入文本 "input"，并将更具体的分类结果写入 "classifier_output"
QuestionClassifierNode specificQuestionClassifier = QuestionClassifierNode.builder()
.chatClient(chatClient())
.inputTextKey("input")
.categories(List.of("售后服务", "运输", "产品质量", "其他"))
.classificationInstructions(List.of(
"客户试图从我们这里获得什么样的服务或帮助？根据您的理解对问题进行分类"))
.build();
// 记录结果的节点
// 按需自定义的 NodeAction，实现对最终结果的记录和决策
RecordingNode recorderNode = new RecordingNode();
// 使用 StateGraph 定义工作流
StateGraph graph = new StateGraph("Consumer Service Workflow Demo", stateFactory)
// 定义节点
.addNode("feedback_classifier", node_async(feedbackClassifier))
.addNode("specific_question_classifier", node_async(specificQuestionClassifier))
.addNode("recorder", node_async(recorderNode))
// 定义边（流程顺序），本例表示start节点到feedback_classifier节点的边
// 第一个参数表示源节点，第二个参数表示目的节点
.addEdge(START, "feedback_classifier") // 起始节点
// 定义带条件的边，本例中，
.addConditionalEdges("feedback_classifier",
// 边的调度逻辑
edge_async(new FeedbackQuestionDispatcher()),
// 不同的调度结果，走不同的边，跳转到不同的节点
// 本例中，正面的结果调转到recorder节点；负面的结果跳转到specific_question_classifier节点
Map.of("正面的", "recorder", "负面的", "specific_question_classifier"))
.addConditionalEdges("specific_question_classifier",
edge_async(new SpecificQuestionDispatcher()),
Map.of("售后相关", "recorder", "运输相关", "recorder",
"质量相关", "recorder", "其他的", "recorder"))
.addEdge("recorder", END); // 结束节点
return graph;
}
// 两个分类节点之间的转接逻辑由 FeedbackQuestionDispatcher 和 SpecificQuestionDispatcher 来完成
// 作用是在节点执行完后读取全局状态，决定下一步该走哪条边
public class FeedbackQuestionDispatcher implements EdgeAction {
@Override
public String apply(OverAllState state) throws Exception {
String classifierOutput = (String) state.value("classifier_output").orElse("");
// log.info("classifierOutput: {}", classifierOutput);
// 如果反馈结果包含“正面”，走"正面的"对应的边
// 不同的边跳转到哪个节点，由StateGraph的addConditionalEdges方法决定
if (classifierOutput.contains("正面")) {
return "正面的";
}
return "负面的";
}
}
public class SpecificQuestionDispatcher implements EdgeAction {
@Override
public String apply(OverAllState state) throws Exception {
String classifierOutput = (String) state.value("classifier_output").orElse("");
// log.info("classifierOutput: {}", classifierOutput);
Map<String, String> classifierMap = new HashMap<>();
classifierMap.put("售后", "售后相关");
classifierMap.put("质量", "质量相关");
classifierMap.put("运输", "运输相关");
for (Map.Entry<String, String> entry : classifierMap.entrySet()) {
if (classifierOutput.contains(entry.getKey())) {
return entry.getValue();
}
}
return "其他的";
}
}
}注意：重点看workflowGraph()方法
该方法中我们定义了三个状态键，用于存储上下文的数据；
定义了feedbackClassifier节点，用于对商品的评论进行正面反馈或者负面反馈的分类；
定义了specificQuestionClassifier节点，用于对负面反馈的评论，进行进一步分类，确定反馈的评论是"售后服务"、"运输"、 "产品质量"或者"其他"中的哪种问题；
定义了recorderNode，对最终的反馈结果进行决策；
StateGraph对象，用于描述商品评价系统流程图的各个节点的关系和节点间流转条件
记录节点的类
package com.qfedu.springaialibaba.workflow;
import com.alibaba.cloud.ai.graph.OverAllState;
import com.alibaba.cloud.ai.graph.action.NodeAction;
import org.slf4j.Logger;
import org.slf4j.LoggerFactory;
import java.util.HashMap;
import java.util.Map;
public class RecordingNode implements NodeAction {
private static final Logger logger = LoggerFactory.getLogger(RecordingNode.class);
// 读取全局状态中的 "classifier_output" 字段值,
// 根据不同的值，向solution键写入不同的数据
@Override
public Map<String, Object> apply(OverAllState state) throws Exception {
String feedback = state.value("classifier_output").get().toString();
Map<String, Object> updatedState = new HashMap<>();
if (feedback.contains("正面")) {
// logger.info("Received positive feedback: {}", feedback);
updatedState.put("solution", "正面评论，不用进一步处理");
} else {
// logger.info("Received negative feedback: {}", feedback);
updatedState.put("solution", feedback);
}
return updatedState;
}
}控制器类
package com.qfedu.springaialibaba.workflow;
import com.alibaba.cloud.ai.graph.CompiledGraph;
import com.alibaba.cloud.ai.graph.OverAllState;
import com.alibaba.cloud.ai.graph.StateGraph;
import com.alibaba.cloud.ai.graph.exception.GraphStateException;
import org.springframework.beans.factory.annotation.Qualifier;
import org.springframework.web.bind.annotation.GetMapping;
import org.springframework.web.bind.annotation.RequestMapping;
import org.springframework.web.bind.annotation.RequestParam;
import org.springframework.web.bind.annotation.RestController;
import java.util.Map;
import java.util.Optional;
@RestController
@RequestMapping("/graph")
public class GraphController {
private CompiledGraph compiledGraph;
public GraphController(@Qualifier("workflowGraph") StateGraph stateGraph) throws GraphStateException {
this.compiledGraph = stateGraph.compile();
}
@GetMapping("/chat")
public String simpleChat(@RequestParam("query") String query) throws Exception {
Optional<OverAllState> input = compiledGraph.invoke(Map.of("input", query));
OverAllState overAllState = input.get();
return overAllState.value("solution").toString();
}
}
正面的反馈
负面的反馈
通过测试，执行结果符合预期
扫一扫
99
到【灌水乐园】发言
