1. 为什么我要用 Spring AI Alibaba Graph 重写 OpenManusOpenManus 是一个多智能体协作系统能规划任务、调用工具、分步执行适合做自动化研究、信息收集、脚本执行这类复杂场景。但原版实现里大量代码都在处理流程编排串联子 Agent、维护消息记忆、转发工具调用、修改全局状态。我翻过它的源码粗略估算有八成代码跟智能体本身的能力无关全是在做流程控制。Spring AI Alibaba Graph 把这些问题抽象掉了。它提供 StateGraph、节点、边、条件路由、全局状态管理基本可以理解为 LangGraph 的 Java 版本。用它复刻 OpenManus核心逻辑能压缩到十几行 Graph 定义剩下的都是 Agent 内部实现。这篇文章面向想快速跑通多智能体编排的 Java 开发者。我会给出可复制的 Graph 节点/边配置骨架、TaoToken 统一 Key 接入的 settings.json 与 config.toml 示例以及启动验证和调用链路检查动作。目标是一次性跑通最小 OpenManus 预览。TaoToken 在这里的作用是统一管理模型访问凭证。你不需要在代码里硬编码各家模型的 Key而是通过一个兼容接口拿到统一的调用入口配置一次多个 Agent 共用。2. TaoToken 前置准备统一 Key 与配置文件在写 Graph 代码之前先把模型访问层配好。TaoToken 提供统一的 API 入口官网是 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content API 地址是 https://taotoken.net/api 。你需要先去控制台创建一个 API Key地址是 https://taotoken.net/console?utm_sourcetaotoken_aicg_blog_endutm_contentconsole 。拿到 Key 之后有两种配置方式。一种是给 Claude Code 这类工具用的 settings.json另一种是给通用 Spring Boot 项目用的 config.toml。下面分别给出示例。settings.json 适合放在项目根目录或用户配置目录内容如下{ api_key: sk-你的TaoToken密钥, base_url: https://taotoken.net/api, model: claude-sonnet-4-20250514, max_tokens: 4096, temperature: 0.7 }config.toml 适合 Spring Boot 项目读取放在 src/main/resources 下[taotoken] api-key sk-你的TaoToken密钥 base-url https://taotoken.net/api default-model claude-sonnet-4-20250514 timeout-seconds 60 [taotoken.retry] max-attempts 3 backoff-millis 1000然后在 application.yml 里引用spring: ai: openai: api-key: ${TAOTOKEN_API_KEY} base-url: https://taotoken.net/api chat: options: model: claude-sonnet-4-20250514环境变量里导出 Keyexport TAOTOKEN_API_KEYsk-你的TaoToken密钥这样 Spring AI 的 ChatClient 就会走 TaoToken 的统一入口。如果你需要查看可用模型列表可以访问模型对话页面 https://taotoken.net/models?utm_sourcetaotoken_aicg_blog_endutm_contentmodels 确认当前支持的模型名称。3. 可复制的 Graph 节点与边配置骨架OpenManus 的核心是三个 Agent 协作Planning Agent 负责任务规划Supervisor Agent 负责监督和转发Executor Agent 负责执行具体子任务。Planning 和 Executor 各自是嵌套的 ReAct Agent与父 Graph 上下文隔离。先定义全局状态工厂。OverAllState 是 Graph 的共享状态容器每个节点读写它AgentStateFactoryOverAllState stateFactory (inputs) - { OverAllState state new OverAllState(); state.registerKeyAndStrategy(input, new ReplaceStrategy()); state.registerKeyAndStrategy(plan, new ReplaceStrategy()); state.registerKeyAndStrategy(current_step, new ReplaceStrategy()); state.registerKeyAndStrategy(execution_result, new ReplaceStrategy()); state.registerKeyAndStrategy(messages, new AppendStrategy()); state.input(inputs); return state; };接着定义 Graph 骨架。这里用 StateGraph 把三个 Agent 串起来StateGraph graph new StateGraph(OpenManus Preview, stateFactory) .addNode(planning_agent, node_async(planningAgentNode)) .addNode(supervisor_agent, node_async(supervisorAgentNode)) .addNode(executor_agent, node_async(executorAgentNode)) .addEdge(START, planning_agent) .addEdge(planning_agent, supervisor_agent) .addConditionalEdges(supervisor_agent, edge_async(new SupervisorDispatcher()), Map.of(continue, executor_agent, finish, END)) .addEdge(executor_agent, supervisor_agent);这段代码的逻辑是用户输入先到 Planning Agent它产出一份多步骤规划写入 state 的 plan 字段。然后进入 Supervisor Agent它检查当前执行到第几步决定是继续派发给 Executor 还是结束。Executor 执行完把结果写回 state再回到 Supervisor 判断下一步。这个循环就是 OpenManus 的核心协作流程。SupervisorDispatcher 的实现很简单判断 plan 里是否还有未执行的步骤public class SupervisorDispatcher implements EdgeAction { Override public String apply(OverAllState state) { ListString plan (ListString) state.value(plan).orElse(List.of()); int currentStep (int) state.value(current_step).orElse(0); if (currentStep plan.size()) { return continue; } return finish; } }Planning Agent 节点内部是一个 ReAct Agent负责把用户任务拆成步骤列表ReactAgent planningAgent ReactAgent.builder() .name(Planning Agent) .prompt(你是一个任务规划专家。请把用户任务拆解为有序的步骤列表每步一行。) .chatClient(chatClient) .resolver(resolver) .maxIterations(5) .build();Executor Agent 节点同样是一个 ReAct Agent但绑定了工具ReactAgent executorAgent ReactAgent.builder() .name(Executor Agent) .prompt(你是一个任务执行者。根据给定的步骤描述调用合适工具完成它。) .chatClient(chatClient) .resolver(resolver) .tools(new FileSaverTool(), new PythonExecutorTool()) .maxIterations(10) .build();把这三个节点组装起来整个 OpenManus 预览版的 Graph 定义不超过二十行。相比原版需要手写流程控制、消息转发、状态同步代码量下降非常明显。4. 启动验证与调用链路检查代码写完后先编译再启动。如果你是从源码构建在项目根目录执行mvn clean install -DskipTests cd spring-ai-alibaba-graph-example mvn spring-boot:run启动日志里看到Started GraphApplication in X.XXX seconds就说明应用起来了。默认端口 18080。然后发一个测试请求验证 Planning 到 Supervisor 到 Executor 的完整链路curl http://localhost:18080/manus/chat?query帮我查询阿里巴巴近一周的股票信息预期返回是一个 JSON包含 plan 字段步骤列表、execution_result 字段每步执行结果和最终汇总。如果返回里 plan 为空说明 Planning Agent 没有正确写入状态检查 state 的 key 注册和节点返回值。再验证 ReAct 循环是否正常。单独测 Executor 的工具调用curl http://localhost:18080/react/chat?query分别帮我查询杭州、上海和南京的天气正常情况你会看到 Agent 在 AgentNode 和 ToolNode 之间循环直到模型返回不带 tool_call 的 AssistantMessage 才结束。如果循环次数达到 maxIterations 还没停说明结束条件没触发检查模型是否返回了 tool_call 字段。调用链路检查建议看三个地方一是 Graph 的节点执行日志确认 planning_agent、supervisor_agent、executor_agent 依次被调用二是 state 的 messages 字段确认消息在节点间正确传递三是 TaoToken 的请求日志确认每次模型调用都走了统一入口。5. 本篇常见错误排查第一个常见问题是状态 key 未注册。OverAllState 要求每个 key 先 registerKeyAndStrategy 才能读写否则 value() 返回空。如果你发现某个字段一直是 null先检查 stateFactory 里有没有注册。第二个是条件边返回值不匹配。addConditionalEdges 的 Map 里 key 必须和 EdgeAction 返回的字符串完全一致大小写敏感。返回 Continue 而 Map 里写的是 continue会直接抛异常。第三个是 ReAct Agent 死循环。maxIterations 设太小任务完不成设太大又可能空转。建议 Planning Agent 设 5Executor Agent 设 10。如果模型一直返回 tool_call检查工具描述是否清晰模型可能不知道什么时候该停。第四个是 TaoToken 配置未生效。如果你在 application.yml 里配了 base-url 但请求还是打到默认地址检查环境变量 TAOTOKEN_API_KEY 是否导出成功以及 Spring AI 的 openai 配置前缀是否正确。可以用echo $TAOTOKEN_API_KEY确认。第五个是嵌套 Agent 上下文污染。Planning 和 Executor 是嵌套 Graph它们的状态应该与父 Graph 隔离。如果你发现子 Agent 读到了父 Graph 的 messages检查是否误用了同一个 OverAllState 实例。6. 下一步从预览到可用跑通这个最小预览之后你可以做几件事让它更接近生产可用。一是给 Executor Agent 加更多工具比如浏览器操作、HTTP 请求、数据库查询。二是给 Supervisor 加人工介入点在关键步骤前暂停等待确认。三是把 Graph 的状态持久化支持断点续跑。如果你主要做长期编码或 Agent 开发可以看看 Coding Plan https://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_contentcoding-plan 里面有更完整的模型接入方案。需要管理多个 Key 或查看用量去 API Keys 页面 https://taotoken.net/api-keys?utm_sourcetaotoken_aicg_blog_endutm_contentapi-keys 。接入文档在 https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_contentdoc 里面有各语言的调用示例。Spring AI Alibaba Graph 目前还在快速迭代正式版发布后 API 可能有调整。建议关注官方仓库的 release note及时同步。我实测下来这套骨架已经能覆盖大部分多智能体编排场景剩下的就是按你的业务往里填工具和提示词了。
企业数字化 ERP 产品动态
相关推荐
Diem 创世初始化深入解析：Genesis 模块的 Move 入口与链上状态引导流程 Diem 创世初始化深入解析：Genesis 模块的 Move 入口与链上状态引导流程 【免费下载链接】diem Diem’s mission is to build a trusted and innovative financial network that empowers people and businesses around the world. 项目地址: https://gitcode.com/… · 2026/9/23 2:31:34
基于MediaPipe与LSTM的手语识别系统：关键点提取与实战解析 简介：基于MediaPipe的手语识别Python项目，主要面向计算机视觉方向毕业设计、课程设计或期末大作业场景，适合有一定Python基础并希望实践手势识别全流程的学习者。项目涵盖静态手势与动态手势识别，包含数据集采集脚本、模型训练与调… · 2026/9/23 12:32:00
潘家园配眼镜避坑指南：3个高频坑点与底层逻辑拆解 潘家园配眼镜避坑指南：3个高频坑点与底层逻辑拆解 官方文档通常又长又臭，读完还是不知道哪里会崩。做后端开发的都知道，配置错误是线上事故的头号杀手。这份 避坑指南… · 2026/9/23 12:32:00
3道高频面试题拆解嫦娥死了真的照片背后的性能优化陷阱 3道高频面试题拆解嫦娥死了真的照片背后的性能优化陷阱 是不是也经历过这种崩溃时刻？教程里代码跑得飞起，一到公司写项目就卡壳，对着文档发呆，连个像样的接口都写不出来。这种“看会了，手不会”的断层，在面试中更是致命伤。面试官不问八股文，直接甩出… · 2026/9/23 12:32:00
深入解读 go-hclog：HashiCorp 结构化键值日志库在 vcluster 中的实践 深入解读 go-hclog：HashiCorp 结构化键值日志库在 vcluster 中的实践 【免费下载链接】vcluster vCluster creates tenant clusters: fully isolated environments delivered as managed Kubernetes, or as the foundation for Slurm, Ray, Run:ai and inference cl… · 2026/9/23 12:32:00
GFL目标检测实战：QFL与DFL如何提升定位精度与训练稳定性 1. 从分类与定位的纠葛说起：GFL到底想解决什么问题做过目标检测的朋友大概率都经历过这样一个阶段：模型训练完了，mAP看着还行，但一到实际部署就发现框的位置总是差那么一点意思，尤其是物体边缘、密集场景或者尺度变化剧… · 2026/9/23 12:31:53
AXI3协议中文详解：五通道握手、突发地址计算与Slave验证实战 简介：AMBA AXI3中文协议详解是一份面向SoC设计、FPGA开发及嵌入式系统工程师的中文技术文档，适合需要深入理解AXI总线握手、突发传输与通道机制的读者。资源包内含1个PDF文件，大小约1.5MB，内容围绕AXI协议的核心概念展开ÿ… · 2026/9/23 12:31:39
3招搞定手机怎么下载微信面试难题实战项目解析 3招搞定手机怎么下载微信面试难题实战项目解析 面试被问“手机怎么下载微信”背后的原理，90%的人答不上来。别笑，这看似弱智的问题，实则是考察你对移动应用分发机制、安全校验及网络协议理解的试金石。我带过不少校招新人，他们背了八股文，却连一个A… · 2026/9/23 0:00:03
你有新短消息请注意查收：3个新手避坑指南搞定消息系统选型 你有新短消息请注意查收：3个新手避坑指南搞定消息系统选型 面试被问“高并发下如何保证消息不丢失”，你张口就是“用Redis”，结果面试官追问“如果Redis宕机了怎么办”，你瞬间卡壳。这种场景太常见了，很多新手在背八股文时，只记住了技术名词… · 2026/9/23 0:00:29
