Spring AI Agent Utils：逆向Claude Code核心功能的Java Agent工具集

概述

Spring AI社区悄然上线了一个重磅工具集——Spring AI Agent Utils，它直接逆向了Claude Code的核心功能，将其强大的Agent能力完整搬到了Spring AI生态中。从工具封装到技能模块、任务编排全覆盖，让Java开发者无需切换技术栈就能构建强大的AI Agent应用。

据了解，这个工具集藏在Spring AI社区中，90%的Java开发者尚未发现它的存在。本文将深入解析其核心功能模块及实际应用价值。

核心功能模块解析

Skill：基于Function Call的技能实现

Spring AI Agent Utils的Skill模块基于Function Call进行实现，最大的优势在于不依赖特定大模型。这意味着你可以在不同的大模型之间无缝切换，而无需修改任何业务代码。

Function Call技术背景：Function Call（函数调用）是大语言模型与外部工具交互的核心机制。其原理是：开发者预先定义一组函数的名称、参数结构和功能描述，模型在推理时会判断是否需要调用某个函数，并生成结构化的调用参数，由宿主程序实际执行后将结果返回给模型继续推理。OpenAI在2023年率先将其标准化，随后Anthropic、Google等主流模型厂商相继跟进，但各家的实现细节和API格式存在差异。Spring AI通过统一抽象层屏蔽了这些差异，使得同一套Skill定义可以在GPT-4、Claude、通义千问等不同模型上运行，这正是Skill模块"不依赖特定大模型"的技术基础。

对于企业级应用来说，这种解耦设计至关重要。当你需要从一个模型供应商迁移到另一个时，只需要更换配置即可，业务逻辑层完全不受影响。这也是Spring生态一贯的设计哲学——面向接口编程，降低耦合度。

Ask a User Question：智能交互补全

这个模块让Agent在执行过程中能够主动向用户提出多选择题，用于补全用户提出的模糊需求。它专门解决用户提示词不明确的问题。

在实际开发场景中，用户的需求描述往往是模糊的。比如用户说"帮我写一个接口"，Agent可以通过Ask a User Question模块追问：是REST接口还是GraphQL？需要什么认证方式？返回格式是什么？通过多轮交互精确理解用户意图。

To Do Write：自动规划与执行

To Do Write模块类似于Agent的自动规划功能，它会按照规划的明细逐步执行任务。本质上就是Agent架构中经典的Planning and Execute模式。

Planning and Execute模式背景：Planning and Execute（规划-执行）是AI Agent架构中最经典的任务分解范式，由斯坦福大学2023年发布的论文《Plan-and-Solve Prompting》等研究系统化提出。其核心思想是将复杂任务的"思考"与"行动"分离：Planner负责将高层目标拆解为有序的子任务列表，Executor负责逐步执行每个子任务并处理异常。这与传统的ReAct（Reasoning + Acting）模式不同——ReAct是边推理边行动的交织模式，而Planning and Execute先全局规划再局部执行，更适合步骤明确、依赖关系清晰的工程类任务。Claude Code正是采用了这一模式来处理复杂的代码生成需求，To Do Write模块将其引入Spring生态。

Agent会先将复杂任务拆解为多个子任务，形成待办清单，然后按照优先级和依赖关系逐一执行。这种方式特别适合处理多步骤的开发任务，比如"创建一个完整的CRUD模块"这样的复合需求。

Auto Memory：跨会话长期记忆

Auto Memory是Claude Code的经典长期记忆实现，使用Markdown文件存储记忆内容。即便是跨会话场景，Agent也能记住你的需求偏好和项目上下文。

Agent长期记忆技术背景：Agent记忆系统通常分为四类：短期记忆（当前会话上下文窗口）、长期记忆（跨会话持久化存储）、情节记忆（具体事件的记录）和语义记忆（抽象知识的提炼）。主流的长期记忆实现方案包括向量数据库（如Pinecone、Chroma）、关系型数据库和结构化文件三种路径。Claude Code选择Markdown文件作为记忆载体，是一种务实的工程决策：Markdown格式对LLM友好（模型训练数据中大量包含Markdown），同时对人类可读可编辑，还能纳入Git版本控制体系。Auto Memory模块复刻了这一设计，相比向量数据库方案，省去了额外的基础设施依赖，降低了部署复杂度，特别适合开发工具类Agent场景。

这个设计非常巧妙——用Markdown文件作为记忆载体，既方便人类阅读和编辑，又易于版本控制。开发者可以直接查看和修改Agent的"记忆"，实现透明可控的AI协作。

多Agent编排：基于A2A协议的协作

在复杂任务场景中，单个Agent往往力不从心。Spring AI Agent Utils提供了多Agent编排能力，基于A2A（Agent-to-Agent）协议实现多个Agent的分工协作。

A2A协议背景：A2A（Agent-to-Agent）协议是Google于2025年4月联合50余家科技公司发布的开放标准，旨在解决不同框架、不同厂商构建的AI Agent之间的互操作性问题。在此之前，多Agent系统的通信完全依赖各框架自定义的内部机制，导致Agent之间无法跨框架协作。A2A协议定义了Agent能力发现（Agent Card）、任务委派、状态同步和结果返回的标准接口，基于HTTP/SSE实现，与现有Web基础设施天然兼容。与Anthropic推出的MCP（Model Context Protocol）专注于Agent与工具/数据源的连接不同，A2A专注于Agent与Agent之间的对等协作。Spring AI Agent Utils对A2A的支持，意味着基于该框架构建的Agent可以与其他遵循A2A标准的Agent生态互联互通。

例如，一个负责代码生成的Agent、一个负责代码审查的Agent、一个负责测试用例编写的Agent，它们可以协同完成一个完整的开发流程。整个代码基于Spring Boot构建，对Java程序员来说是熟悉的开发体验。

与阿里巴巴Agent Framework的对比

需要客观指出的是，目前阿里巴巴Agent Framework对Agent开发的支持更加完善。其优势体现在几个方面：

1. 完全兼容Spring AI：Spring AI的所有能力在阿里巴巴Agent Framework中都可以直接使用
2. Workflow流程编排：提供基于Graph的Workflow流派流程编排能力
3. 开箱即用的Agent：内置多种预制Agent，降低开发门槛

Graph-based Workflow背景：基于图（Graph）的Workflow编排是当前Agent框架的主流架构选择，代表性实现包括LangGraph、LlamaIndex Workflows等。其核心是将Agent的执行流程建模为有向图：节点（Node）代表具体的处理步骤或Agent，边（Edge）代表控制流转，支持条件分支、循环、并行执行等复杂拓扑。相比线性的Pipeline模式，Graph模式能够表达更复杂的业务逻辑，例如"代码审查不通过则回退到生成节点重新生成"这样的循环修正流程。阿里巴巴Agent Framework引入Graph-based Workflow，填补了Spring AI在复杂流程编排上的空白，使其更适合需要多轮反馈、条件路由的企业级Agent应用场景。

阿里巴巴采用的策略是"吸收+扩展"——Spring AI更新的功能都会成为其基础能力的一部分，在此之上再提供更丰富的上层抽象。

适用场景与选型建议

选择Spring AI Agent Utils的场景：

• 轻量级Agent应用开发
• 不想引入过多框架依赖
• 需要高度自定义的Agent行为
• 项目已深度使用Spring AI生态

选择阿里巴巴Agent Framework的场景：

• 企业级复杂Agent应用
• 需要完整的Workflow编排
• 希望开箱即用快速上线
• 需要更丰富的Agent模板

总结

Spring AI Agent Utils的出现，标志着Java生态在AI Agent开发领域又迈出了重要一步。它将Claude Code验证过的成熟模式带入了Spring生态，让Java开发者无需学习Python或TypeScript就能构建功能完备的AI Agent。

对于Java开发者而言，现在有了更多选择：轻量级场景用Spring AI + Agent Utils，复杂场景用阿里巴巴Agent Framework。无论哪种选择，Java在AI应用开发领域的能力都在快速补齐。

核心要点

• Spring AI Agent Utils逆向实现了Claude Code核心功能，包括Skill、Ask a User Question、To Do Write、Auto Memory和多Agent编排五大模块
• Skill模块基于Function Call实现，不依赖特定大模型，支持跨模型无缝切换
• Auto Memory使用Markdown文件存储长期记忆，支持跨会话保持上下文
• 与阿里巴巴Agent Framework相比，Spring AI Agent Utils更适合轻量级Agent应用开发场景
• 整个工具集基于Spring Boot构建，Java开发者可以用熟悉的技术栈开发AI Agent应用