自决策多轮对话智能体的初步实现

随着大模型的发展，智能体也是越来越火。看到的很多例子是通过构建DAG的形式形成Agent链，和我需要的不太一样。周末有点时间也是改造了一下之前做的个人超级中心，以初步实现自决策多轮对话智能体。基于该智能体，可实现在多轮对话中实现多重智能体的智能选择。

本次改造涉及新组件引入，其中包括langchain4j、spring state machine以及antdesign prochat。

组件基本介绍

langchain4j

langchain4j可以算是langchain的java版本，不过迭代和功能没有python版本的langchain那么全。目前支持了主流的集成与用法，具体可参考官网：
https://docs.langchain4j.dev/

spring state machine

Spring State Machine是一个基于Spring Framework的状态机实现，它允许开发者以声明式的方式构建复杂的状态管理和流程控制逻辑。状态机是软件工程中一个常用的设计模式，用于管理系统在不同状态之间的转换，以及每个状态下应该执行的动作。具体可以参考官网：https://spring.io/projects/spring-statemachine/

ant design prochat

ProChat是基于ant design构建的用于快速构建 LLM 聊天界面的组件库。对于使用ant design框架的开发者来说简直就是福音。具体可参考官网：
https://pro-chat.antdigital.dev/

基本实现

基本逻辑

整体流程如上图所示，用户输入信息后，经过super agent根据用户输入的信息决定选择具体的执行智能体，当满足条件1时，选择智能体1，同样满足条件2时，选择智能体2。当选中智能体后，即使用该智能体回答用户问题。

super agent的决策思路

具体逻辑可参考文章：https://sultanov.dev/blog/langchain4j-multi-agent-system-using-state-machine/

基于状态机实现Agent决策，在状态机中定义四个步骤，分别为：

用户输入评估
Agent选择
Agent校验
重新选择Agent

在用户输入评估中，用于判断输入问题是否明确，如果不明确则需要进一步让用户提供相关信息；Agent选择是将Agent名称以及描述记录在markdown表示的表格中，根据用户输入一起提供给大模型进行判断选择，之后输出相应智能体；Agent校验是初步使用选择的Agent回答问题，看是否能够回答用户的最初问题；如果前面选择的Agent不能够回答用户的问题，那么会带着原始选择的智能体相关信息以及用户输入重新进入选择Agent阶段，如此往复。

多轮对话中记忆的使用

langchain4j提供了对话记忆的功能，可扩展ChatMemoryStore接口来实现存储功能。考虑到在一个对话框中的多轮对话，是有可能需要使用多个Agent的，所以我也在多个Agent之间实现记忆共享。

初步使用

目前内部集成了用于知识库检索的RAGAgent和用于普通对话的ChatAgent，我们看一个例子，从知识库中检索一些知识，然后再使用ChatAgent询问知识的正确性。

把如下内容存入知识库中：

## hbase性能测试结果

| 规格 | 顺序写 | 随机写 | 顺序读 |顺序读|
| - | - | - | -|-|
| 500m，8G | 40843 | 3631 | 6409|7055|
| 1000m，8G | 82940 | 6795 | 13279|15674|
| 2000m，8G | 148700 | 7505 | 23749| 21028|

使用自决策智能体查看hbase性能测试结果。