项目是一支由 7 名 AI Agent 组成的投资决策团队，精通意图理解、金融知识检索、市场数据采集、深度推演与决策生成。采用 Java 21 虚拟线程 + Reactor Flux 并行调度，最快 ~2 分钟完成从用户需求到投资报告的完整链路。现寻求一个有挑战性的业务场景施展才华。
| 编号 | 姓名 | 职位 | 擅长 |
|---|---|---|---|
| 1 | IntentClassifyAgent | 意图分类 | 两层递进分类（关键词白名单 + LLM 结构化分类），非投资消息直接婉拒，节省团队精力 |
| 2 | ProblemPerceptionAgent | 需求分析师 | 理解用户投资目标、预算、风险偏好、期限，输出结构化需求画像 |
| 3 | KnowledgeRetrievalAgent | 金融知识专家 | ReAct 工具调用，向量检索金融知识库，提供专业领域支撑 |
| 4 | DataFetchAgent | 市场数据专员 | ReAct 多工具调用（股价/指数/波动率/VaR/夏普比率），自动适配 Function Calling 模型 |
| 5 | ReasoningAnalysisAgent | 资深金融分析师 | 综合知识+数据，评估趋势/风险/收益，给出置信度标注 |
| 6 | DecisionGenerateAgent | 投资顾问 | 生成结构化投资建议（策略/操作/风控/期限），严格执行风险声明 |
| 7 | GraphScheduleAgent | 流程主管 | 汇总验证各成员输出，一致性评估，签署最终报告 |
用户需求
│ ←── 【开启虚拟线程】
├── [1. 前台] 意图分类 ←── 投资?
│ │
│ ✔ (进入团队)
│ │
│ [2. 需求分析师] 问题感知
│ │
│ ┌────┴────┐ ←── 【虚拟线程并行】
│ │ │
│ [3. 知识专家] [4. 数据专员]
│ RAG检索 市场数据
│ │ │
│ └────┬────┘
│ │
│ [5. 资深分析师] 综合推演
│ │
│ [6. 投资顾问] 决策生成
│ │
│ [7. 流程主管] 汇总签署
│ │
│ ┌────┴────┐
│ │ 最终报告 + Langfuse 审计追踪
│ └─────────┘
│
└── ✘ (非投资) → "我是投资助手，请咨询投资理财问题"
- DeepSeek：主力推理 + Function Calling
- OpenAI 兼容：Agnes AI 等代理
- DashScope Qwen：中文优化场景
- 智能路由：工具调用自动切换到支持 Function Calling 的模型，避免上游 404
getStockPrice(symbol)— 实时股价getMarketIndex(indexName)— 大盘指数getMarketVolatility()/getMarketSentiment()— 市场情绪calculateValueAtRisk(amount, confidence, days)— VaR 计算calculateSharpeRatio(return, riskFree, volatility)— 夏普比率calculatePortfolioReturn(stock, bond, cash)— 组合收益retrieveKnowledge(query)— 向量知识检索
每一步进展实时推送给前端（打字机效果），用户无需等待全部完成就能看到团队工作进程。
- 每个团队成员的推理过程可追溯
- Token 用量 + 成本实时追踪
- 支持本地/云端双模式部署
| 技术 | 版本 | 用途 |
|---|---|---|
| Spring Boot | 3.3.7 | 应用框架 |
| Spring AI | 1.1.2 | AI 模型抽象层 |
| Spring AI Alibaba | 1.1.2.2 | ReactAgent + Graph + DashScope |
| Java 21 Virtual Threads | — | 全局虚拟线程，零池化限制 |
| Reactor Flux | — | 响应式流 + Flux.merge 并行调度 |
| Langfuse | 3.x | 可观测性平台 |
| OpenTelemetry | 2.17.0 | Trace 导出 |
| Knife4j | 4.5.0 | API 文档 |
Tomcat 请求线程 (Virtual Thread) ← spring.threads.virtual.enabled=true
│
├─ Step 1 (意图分类) → 虚拟线程 #1
├─ Step 2 (问题感知) → 虚拟线程 #2
├─ Step 3 (知识检索) ┐
│ ├─ Flux.merge() 并行 → 虚拟线程 #3 + #4
├─ Step 4 (数据获取) ┘
├─ Step 5 (推理分析) → 虚拟线程 #5
├─ Step 6 (决策生成) → 虚拟线程 #6
└─ Step 7 (汇总输出) → 虚拟线程 #7
- 全局：
spring.threads.virtual.enabled=true自动配置 Tomcat +@Async+TaskExecutor为虚拟线程 - 步骤执行：
Executors.newVirtualThreadPerTaskExecutor()→ Reactor Scheduler，每个阻塞 LLM 调用独立虚拟线程 - Steps 3+4 并行：
Flux.merge()替代串行Flux.concat()，知识检索与数据获取并发，节省约 30-45 秒 - 线程安全：
ConcurrentHashMap承载多 Agent 共享状态
- Java 21+
- Docker（Langfuse 本地追踪）
- Maven 3.9+
# 1. 启动 Langfuse 追踪
docker compose -f docker/docker-compose-langfuse.yml up -d
# 2. 配置 API Key（application-dev.yml）
spring.ai.deepseek.api-key=你的key
spring.ai.openai.api-key=你的key
# 3. 启动应用
mvn spring-boot:run -Dspring-boot.run.profiles=dev# 流式决策（看我们团队实时工作）
curl -X POST http://localhost:8182/api/agent/decide/stream \
-H "Content-Type: application/json" \
-d '{"message":"我想投资科技股，预算10万，风险中等"}'
# 健康检查
curl http://localhost:8182/api/agent/health观察 Steps 3+4 的 stepStart 事件几乎同时到达，确认并行执行生效。
访问 http://localhost:8182/swagger-ui.html 查看完整 API 文档。
src/main/java/com/zhou/ai/
├── agent/
│ ├── controller/MultiAgentController.java # REST 入口
│ ├── service/MultiAgentInvestService.java # 7 节点 Flux 编排 + 虚拟线程调度
│ ├── node/ # 7 个 Agent 节点
│ │ ├── IntentClassifyAgent.java
│ │ ├── ProblemPerceptionAgent.java
│ │ ├── KnowledgeRetrievalAgent.java
│ │ ├── DataFetchAgent.java
│ │ ├── ReasoningAnalysisAgent.java
│ │ ├── DecisionGenerateAgent.java
│ │ └── GraphScheduleAgent.java
│ ├── config/
│ │ ├── ReactAgentFactory.java # Agent 工厂 + 模型路由
│ │ └── MultiChatClientConfig.java
│ └── model/
│ ├── AgentGraphState.java # 状态键常量
│ └── AgentPipelineContext.java # 上下文记录（空值兜底）
├── investment/ # 遗留流程（另一个团队）
├── observability/ # Langfuse 追踪
├── graph/ # Graph 工作流
├── skills/ # Skills 技能框架
└── tools/ # 投资工具集
| 环境变量 | 说明 |
|---|---|
DEEPSEEK_API_KEY |
DeepSeek API 密钥 |
AGNES_AI_API_KEY |
OpenAI 兼容 API 密钥 |
DASHSCOPE_API_KEY |
DashScope API 密钥 |
Spring Profiles: local (本地Langfuse), cloud (云端Langfuse), dev (开发密钥, gitignore)
MIT License