← 返回首页 📖 📖 Wiki知识库
📐 学习维度 本篇是 📖 📖 Wiki知识库 🏠 首页 🛤️ 学习路径 📚 全部文章
📑 本篇章节导航 (共9章,点击直达)
一、2026 AI 应用开发三大新趋势(面试必知)二、Spring AI 2.0 新特性(对比 1.0)三、Agentic Workflow(智能体工作流)—— 2026 核心四、DeepSeek-R1 推理模型实战五、Qwen3 与 MoE 架构(2026 新)六、A2A 协议(Agent间通信,2026新)七、面试真题精选(2026 新增)八、学习路线(针对你的情况)相关页面

Agentic Workflow 与国产大模型实战(2026前沿)

写在最前:这是 2026 年 AI 面试最大新热点。调研显示 Spring AI 2.0、Agentic Workflow、DeepSeek-R1、Qwen3、Spring AI Alibaba 成为企业级 AI 应用开发的高频考点。本文基于公开技术资料整理,覆盖前沿趋势 + 实战代码 + 面试要点。

>

⚠️ 本文数字多为定性描述或标注"经验值",未标注精确调研百分比。

一、2026 AI 应用开发三大新趋势(面试必知)


┌────────────────────────────────────────────────────────────┐
│              2026 AI 应用开发三大变化                        │
├────────────────────────────────────────────────────────────┤
│                                                            │
│  趋势1: 从"调API" → "Agentic Workflow(智能体工作流)"     │
│    单轮问答过时,多Agent协作编排成主流                      │
│    Spring AI Alibaba 的 Skill 系统是代表                   │
│                                                            │
│  趋势2: 从"海外模型" → "国产模型主导"                      │
│    DeepSeek-R1(推理模型)/ Qwen3(MoE)成部署首选         │
│    数据不出境 + 成本低 + 中文强                             │
│                                                            │
│  趋势3: 从"Spring AI 1.0(PoC)" → "Spring AI 2.0(生产)"     │
│    Spring Boot 4.0 + 统一抽象 + 模型热切换                 │
│    企业级稳定性增强                                         │
└────────────────────────────────────────────────────────────┘

二、Spring AI 2.0 新特性(对比 1.0)

2026 年面试高频:「Spring AI 1.0 和 2.0 有什么区别?」
维度Spring AI 1.0Spring AI 2.0(2026)
Spring Boot3.x4.0
定位概念验证(PoC)生产级(稳定性增强)
模型抽象基础统一大模型抽象层(50+模型一致API)
模型切换改配置运行时热切换(无需重启)
RAG基础支持增强(更完善的VectorStore/RetrievalAdvisor)
Function Calling支持增强(并行工具调用)
MCP基础集成MCP SDK 增强(注解重命名/Transport优化)
Agent/Workflow弱增强(更好地支持多步编排)
Starter命名原始统一重命名规范

面试标准回答:


"Spring AI 1.0 偏 PoC,2.0 进入了生产级。主要变化:
①升级到 Spring Boot 4.0;
②统一大模型抽象层,50+ 模型用一致 API,支持运行时热切换;
③RAG 和 Function Calling 增强;
④MCP SDK 优化。
迁移时注意 Starter 命名规范变更和 MCP 包路径重命名。
实战建议:新项目直接上 2.0,老项目评估迁移成本。"

Spring AI 2.0 模型热切换(关键新特性)


// Spring AI 2.0:运行时切换模型,不用重启
@Service
public class MultiModelService {

    @Autowired private ChatClient.Builder builder;

    // 根据任务复杂度动态选模型
    public String smartChat(String question) {
        ChatModel model = router.select(question);  // 简单→小模型,复杂→大模型
        
        return builder.defaultOptions(
                OpenAiChatOptions.builder().model(model.getName()).build())
            .build()
            .prompt().user(question).call().content();
    }
}
// 统一抽象层好处:换模型只改 options,业务代码不变

三、Agentic Workflow(智能体工作流)—— 2026 核心

什么是 Agentic Workflow


普通 LLM 应用:用户问 → 模型答(一次性,无编排)
Agent:模型自主决策调工具(ReAct循环)
Agentic Workflow:把多个 Agent 按流程编排,协同完成复杂任务

类比:
  普通 = 单人作业
  Agent = 一个会自主找工具的工人
  Agentic Workflow = 流水线,多个专业Agent协作(设计师→工程师→QA→交付)

典型 Agentic Workflow 场景:
  - 研究报告生成:检索Agent收集资料 → 分析Agent提炼 → 写作Agent成文 → 审校Agent校对
  - 智能客服:意图Agent分类 → 知识Agent检索 → 执行Agent调业务系统 → 安抚Agent回复
  - 代码开发:需求Agent拆解 → 编码Agent实现 → 测试Agent验证 → 部署Agent上线

Spring AI Alibaba 的 Skill 系统(2026 新概念)

Spring AI Alibaba 是阿里基于 Spring AI 的国产增强版,Skill 系统是其特色。

Skill = 封装好的"能力包",比 Function Calling 更高层

Function Calling:模型调一个函数(原子操作)
Skill:一组相关能力的封装(含触发条件+执行流程+异常处理)

  例:客服系统的"退款处理"Skill 包含:
    - 查询订单(Function)
    - 校验退款条件(Function)
    - 创建退款单(Function)
    - 通知用户(Function)
    + 触发条件:用户提到"退款"
    + 异常处理:订单不存在/超期等

  Skill 比 Function Calling 更接近"业务能力"而非"技术操作"

// Spring AI Alibaba Skill 定义(概念)
@Skill(
    name = "退款处理",
    description = "处理用户退款请求,包含查询、校验、退款、通知",
    trigger = "用户提到退款/退货/取消订单"
)
public class RefundSkill {

    @Tool("查询用户订单")
    public Order queryOrder(String userId) { ... }

    @Tool("校验是否可退款")
    public boolean canRefund(String orderId) { ... }

    @Tool("创建退款单")
    public RefundResult createRefund(String orderId, String reason) { ... }

    @Tool("发送退款通知")
    public void notify(String userId, RefundResult result) { ... }
}
// Skill 被注册到 Agent,Agent 根据用户意图决定何时调用整个 Skill

Agentic Workflow 编排模式


四种编排模式(面试必背):

1. 串行(Sequential):Agent1 → Agent2 → Agent3
   例:检索 → 分析 → 生成(上一步输出是下一步输入)

2. 并行(Parallel):多个Agent同时执行 → 汇总
   例:同时查天气/查机票/查酒店 → 合并旅行方案

3. 路由(Router):按意图分发到不同专业Agent
   例:意图是退款 → 退款Agent;是咨询 → 知识Agent

4. 层级(Hierarchical):管理者Agent分解任务给子Agent
   例:项目经理Agent → 分配给开发/测试/运维Agent

实战选择:
  简单任务:单Agent + Function Calling
  复杂任务:Agentic Workflow(多Agent编排)
  → 不要为了多Agent而多Agent,能简单就简单

四、DeepSeek-R1 推理模型实战

DeepSeek-R1 是什么(区别于普通模型)


普通大模型(DeepSeek-V3/Qwen):
  输入问题 → 直接输出答案
  快,但复杂推理可能出错

推理模型(DeepSeek-R1 / OpenAI o1):
  输入问题 → 先输出"思考过程"(reasoning) → 再输出答案
  慢(思考耗时),但数学/逻辑/代码推理更准

  输出结构:
  {
    "reasoning_content": "让我一步步分析...首先...然后...",  ← 思考过程
    "content": "答案是42"                                    ← 最终答案
  }

为什么重要:复杂推理任务(数学题/代码debug/逻辑分析)用推理模型准确率明显更高
代价:延迟高(思考要时间)、成本高(生成更多token)

vLLM 部署 DeepSeek-R1(关键:reasoning_content)


# vLLM 部署 DeepSeek-R1 蒸馏版(7B,单卡可跑)
vllm serve deepseek-ai/DeepSeek-R1-Distill-Qwen-7B \
  --host 0.0.0.0 --port 8000 \
  --tensor-parallel-size 1 \
  --enable-reasoning \          # ★ 开启推理输出
  --reasoning-parser deepseek_r1  # ★ 解析 reasoning_content

# 调用时返回 reasoning_content 字段(思考过程)

// Spring AI 接入 DeepSeek-R1(vLLM 兼容 OpenAI 协议)
// application.yml
// spring.ai.openai.base-url=http://localhost:8000
// spring.ai.openai.chat.options.model=deepseek-ai/DeepSeek-R1-Distill-Qwen-7B

@Service
public class ReasoningService {

    @Autowired private ChatClient chatClient;

    public ReasoningResult solve(String problem) {
        // DeepSeek-R1 会先输出 reasoning_content(思考),再输出 content(答案)
        String full = chatClient.prompt()
            .user("解这道数学题:" + problem)
            .call()
            .content();

        // vLLM 返回的 content 通常已合并思考过程(可通过格式解析)
        return parseReasoning(full);  // 分离思考过程和最终答案
    }
}

// 面试要点:
// Q: DeepSeek-R1 和普通模型调用有什么区别?
// A: R1 会输出 reasoning_content(思考过程),比 content 先。
//    复杂推理更准但更慢更贵。简单任务用普通模型,复杂推理用 R1。
//    vLLM 部署要 --enable-reasoning 开启。

DeepSeek-R1 蒸馏版选型


R1 满血版 671B:需多卡集群,一般走API
蒸馏版(推荐本地部署):
  DeepSeek-R1-Distill-Qwen-7B   → 单卡(24G),入门首选
  DeepSeek-R1-Distill-Qwen-14B  → 单卡(80G)或双4090
  DeepSeek-R1-Distill-Qwen-32B  → 需A100
  DeepSeek-R1-Distill-Llama-8B  → 单卡,Llama系

"蒸馏"= 用大模型(R1)的输出训练小模型(Qwen-7B),
        让小模型获得部分推理能力,体积小可本地部署

五、Qwen3 与 MoE 架构(2026 新)

Qwen3 相比 Qwen2.5 的进化


Qwen2.5:传统稠密模型(Dense),所有参数参与每次计算
Qwen3:  混合专家模型(MoE),只激活部分参数 → 更快更省

MoE(Mixture of Experts)原理:
  不是所有"专家(参数)"都工作,每次只激活最相关的几个
  例:Qwen3-235B 总参数235B,但每次只激活22B(A22B)
  → 效果接近235B大模型,速度成本接近22B小模型

Qwen3-235B-A22B:
  总235B参数,激活22B
  代码/数学能力媲美 DeepSeek-R1、o1、o3-mini
  → 2026 推理任务的强力选择

# vLLM 部署 Qwen3(MoE 模型)
vllm serve Qwen/Qwen3-235B-A22B \
  --tensor-parallel-size 4 \     # MoE大模型通常需多卡
  --gpu-memory-utilization 0.9 \
  --max-model-len 32768

# Spring AI 接入(同 DeepSeek,改 model 名即可)
# spring.ai.openai.chat.options.model=Qwen/Qwen3-235B-A22B

国产模型 2026 选型速查

模型类型特点部署适用
DeepSeek-V3稠密671B通用强,MoEAPI/多卡通用对话
DeepSeek-R1推理671B数学/逻辑强API/多卡复杂推理
DeepSeek-R1-Distill-7B推理7BR1蒸馏,单卡vLLM单卡本地推理入门
Qwen3-235B-A22BMoE代码/数学强vLLM多卡推理+通用
Qwen2.5-7B稠密7B通用首选vLLM单卡通用本地部署
GLM-4-9B稠密9B中文好vLLM单卡中文场景

面试选型话术:


"通用本地部署选 Qwen2.5-7B(性价比)或 GLM-4-9B(中文)。
复杂推理(数学/代码/逻辑)选 DeepSeek-R1,要单卡就上蒸馏版7B。
追求极致能力且有资源选 Qwen3-235B-A22B(MoE,激活参数少效果好)。
合规优先国产(数据不出境),成本敏感先小模型验证。"

六、A2A 协议(Agent间通信,2026新)


MCP(Model Context Protocol):Agent ↔ 工具 的连接标准
A2A(Agent-to-Agent):Agent ↔ Agent 的通信标准

为什么需要 A2A:
  不同框架(LangChain/Dify/自研)的 Agent 互相不认识,无法协作
  A2A 定义统一的 Agent 间通信协议(类似 HTTP 之于 Web)

  例:公司的"采购Agent"(自研)要和"审批Agent"(钉钉)
      通过 A2A 协议互相调用,无需对接私有接口

2026 现状:A2A 是 Google 推出的新协议,技术热度高,
          但大规模落地尚早,多见于架构师级讨论。
          面试作为"前沿了解"即可,不是必考。

七、面试真题精选(2026 新增)

A. Spring AI 2.0(5道)

Spring AI 1.0 和 2.0 的核心区别?

答:2.0 升级到 Spring Boot 4.0,从 PoC 进入生产级。核心增强:统一大模型抽象层(50+模型一致API)、运行时模型热切换、RAG/Function Calling/MCP 增强。迁移注意 Starter 命名和 MCP 包路径变更。

Spring AI 怎么实现模型热切换?

答:2.0 的统一抽象层 + ChatOptions。运行时通过 OpenAiChatOptions.builder().model(name) 动态指定,业务代码用统一 ChatClient 接口不变。配合 Router 按任务复杂度路由到不同模型。

Spring AI 和 Spring AI Alibaba 什么关系?

答:Spring AI 是 Spring 官方的 AI 框架。Spring AI Alibaba 是阿里基于 Spring AI 的国产增强版,额外提供 Skill 系统、国产模型优化、DashScope(通义)深度集成。国内项目两者常结合用。

Skill 系统和 Function Calling 区别?

答:Function Calling 是模型调单个函数(原子操作)。Skill 是一组相关能力的封装(含多个Function+触发条件+异常处理),更接近"业务能力"。Skill 构建在 Function Calling 之上。

为什么用 Spring AI 而不直接调 API?

答:①统一抽象(换模型不改代码);②Spring 生态集成(事务/安全/监控原生);③工程化(Advisor链/Prompt管理/可观测);④RAG/Agent 封装好。调API是玩具级,Spring AI 是企业级。

B. Agentic Workflow(5道)

什么是 Agentic Workflow?和普通Agent区别?

答:普通Agent是单Agent自主决策。Agentic Workflow 是多Agent按流程编排协作(串行/并行/路由/层级)。复杂任务(如研究报告生成:检索→分析→写作→审校)用Workflow比单Agent效果好。

多Agent编排什么时候用?

答:任务可拆解、各子任务需不同专业能力、单Agent上下文爆炸时用。简单任务别用(成本高)。四模式:串行(流水线)、并行(汇总)、路由(分流)、层级(管理分派)。

Agentic Workflow 怎么保证可靠性?

答:①每个Agent设最大轮数/超时;②关键节点人工确认;③失败重试+降级;④全链路Trace观测;⑤结果校验(不让错误传播)。多Agent比单Agent更易出错,工程化更重要。

Skill 系统怎么设计的?

答:一个Skill = 触发条件(何时用)+ 多个Tool(具体操作)+ 执行流程(编排)+ 异常处理。按业务能力粒度封装(如"退款处理"而非"查订单")。Agent根据意图决定调用哪个Skill。

Agentic Workflow 的成本怎么控?

答:①简单子任务用小模型;②缓存中间结果;③减少不必要的Agent(能合并就合并);④限最大轮数;⑤Router前置过滤(简单问题不进Workflow)。多Agent烧Token快,成本是主要挑战。

C. 国产大模型(5道)

DeepSeek-R1 和 V3 区别?什么时候用R1?

答:V3是通用模型直接出答案。R1是推理模型,先输出reasoning_content(思考过程)再出答案,复杂推理更准但慢贵。数学/代码/逻辑题用R1,简单对话用V3。vLLM部署R1要--enable-reasoning。

DeepSeek-R1 蒸馏版是什么?怎么选?

答:蒸馏=用R1输出训练小模型,让它获得部分推理能力。Distill-7B单卡可跑(入门),14B/32B需更好硬件。本地部署推理模型首选蒸馏版,满血671B走API。

Qwen3 的 MoE 架构有什么优势?

答:MoE(混合专家)只激活部分参数。Qwen3-235B总235B但只激活22B,效果接近235B大模型,速度成本接近22B。代码/数学能力媲美R1/o1。代价:显存仍要存全部参数(部署门槛未降)。

国产模型怎么选?为什么不用GPT/Claude?

答:合规(数据不出境)、成本(国产便宜)、中文强是主因。通用选Qwen2.5-7B,推理选DeepSeek-R1,中文选GLM-4。GPT/Claude效果好但数据出境+贵+受限,金融/政务必须国产。

vLLM 部署推理模型和普通模型有什么不同?

答:推理模型(R1)要 --enable-reasoning --reasoning-parser,输出含reasoning_content。普通模型不需要。Java侧接入都一样(OpenAI兼容协议),但处理响应时要解析思考过程和最终答案。


八、学习路线(针对你的情况)


你的现状:AI基础已补(RAG/向量库/Prompt/部署/Agent),但前沿(2.0/Workflow/国产模型)薄

第一步(3天):国产模型实操
  - 本地用 Ollama 跑 DeepSeek-R1-Distill-7B,体验 reasoning_content
  - 本地跑 Qwen2.5-7B 对比
  - 能讲清 R1 和普通模型区别

第二步(1周):Spring AI 2.0
  - 读 Spring AI 2.0 新特性文档
  - 能讲 1.0→2.0 变化和迁移注意点
  - 写个模型热切换 Demo

第三步(1周):Agentic Workflow
  - 理解四种编排模式
  - 了解 Skill 系统概念
  - 能设计一个简单的多Agent流程(如客服分流)

第四步:结合项目
  - 把 Spring AI 2.0 + DeepSeek-R1 整合到你现有的AI项目
  - 面试能讲"我用Spring AI 2.0+本地DeepSeek-R1做了XX"

相关页面