Spring AI Alibaba Graph 是一款面向 Java 开发者的工作流、多智能体框架，用于构建由多个 AI 模型或步骤组成的复杂应用。

它基于 Spring Boot 生态进行深度集成，提供声明式的 API 来编排工作流，让开发者能将 AI 应用的各个步骤抽象为节点（Node），并通过有向图（Graph）的形式连接这些节点，形成可定制的执行流程。

State (状态) - 工作流的记忆中枢Node (节点) - 工作流的执行单元Edge (边) - 工作流的导航路径编译与执行 - 从蓝图到现实

本文将基于Spring AI Alibaba Graph 组件一步一步创建客户服务工作流（Customer Service Workflow）。

一、工作流图概述

客户服务请求分类如图所示，其中包含了几个核心组件和概念：

端点 (Endpoint)：客户请求输入

系统的输入点，通常是一个API接口（如RESTful API），接收来自前端（网站、APP）或外部系统（如邮箱、客服平台）的客户原始请求数据。

处理节点 (Process)：反馈分类器(feedback_classifier)

核心AI组件1。这是一个机器学习模型服务（如一个微服务），其功能是进行情感分析或意图识别，将输入初步分类为“积极”或“消极”。

决策节点 (Condition)：检查情感状态

业务规则引擎的一部分。根据第一个分类器的结果，执行预定义的业务规则，决定下一步流程的路径。这是一个逻辑路由组件。

处理节点 (Process)：具体问题分类器(specific_question_classifier)

核心AI组件2。另一个更细粒度的机器学习模型服务，负责对“消极”反馈进行多标签分类（如产品质量、售后服务等），精确识别具体问题类型。

决策节点 (Condition)：检查问题类型

业务规则引擎的另一部分。根据第二个分类器的结果，将请求路由到记录器的不同逻辑通道。在实际系统中，这个路由可能意味着为记录添加不同的类型标签。

处理节点 (Process) ：记录器(recorder)

数据持久化组件。是流程的汇聚点，所有路径最终都会到达这里。它将客户请求的元数据（原始内容、分类结果、时间戳等）写入数据库（如MySQL、PostgreSQL）或创建工单到工单系统。

端点 (Endpoint)：流程结束

系统的输出点。代表该条请求的自动化预处理流程已完成，记录已成功创建，等待后续的人工处理或自动化响应。

该工作流展示了一个高效的客户请求自动化预处理流程：

两级分类：先判断情感，再细化问题类型，结构清晰，判断准确。路由决策：通过条件节点 (condition1, condition2) 实现动态路由。集中记录：所有请求最终统一由记录器处理，保证了数据的一致性，为后续流程提供了可靠的输入。

简而言之，此流程将一个模糊的“客户请求”逐步精确分类并标记，最终转化为一条结构清晰的“待处理记录”，极大提升了客服系统的处理效率和智能化水平。

1. 第一级分类节点（feedback_classifier），将评论分为 positive 和 negative 两种。如果是 positive 评论则进行系统记录后结束流程；如果是 negative 评论则进行第二级分类

2. 第二级分类节点（specific_feedback_classifier），根据 negative 评论的具体内容识别用户的具体问题，如 “after-sale service”、“product quality”、“transportation” 等，根据具体问题分流到具体的问题处理节点。

3. 最后问题处理节点进行处理并记录后，流程结束。

二、创建节点

在开始创建工作流StateGraph之前，需要先初始化ChatClient 对象，以及创建工作流中的节点对象。

在示例项目中创建一个 Spring Boot 配置类（例如 WorkflowAutoconfiguration），如图所示：

在该配置类中，需要完成以下几个步骤。

1. 初始化 ChatClient

从容器中获取注入的 ChatModel（由上一步配置产生），构建一个 ChatClient 实例并附加必要的 Advisor（如日志记录器），用于后续 LLM 调用。例如：

// 构建 ChatClient：封装大模型调用并加入简单日志 Advisor ChatClient chatClient = ChatClient.builder(chatModel) .defaultAdvisors(new SimpleLoggerAdvisor()) .build();

这里 ChatClient 是 Spring AI 提供的与大模型对话的客户端，可看作对底层 API 的封装。

2. 设置全局状态 OverAllState

定义一个 OverAllStateFactory，用于在每次执行工作流时创建初始的全局状态对象。通过注册若干 Key 及其更新策略来管理上下文数据：

// 定义全局状态工厂：初始化可在节点之间共享 / 传递的数据键及其写入策略 OverAllStateFactory stateFactory = () -> { OverAllState state = new OverAllState(); // 用户原始输入 state.registerKeyAndStrategy("input", new ReplaceStrategy()); // 分类器输出（分类标签） state.registerKeyAndStrategy("classifier_output", new ReplaceStrategy()); // 最终解决方案或回复 state.registerKeyAndStrategy("solution", new ReplaceStrategy()); return state; };

上述代码注册了三个状态键：input（输入文本）、classifier_output（分类结果）和 solution（最终处理结论），均采用 ReplaceStrategy（每次写入替换旧值）。这些键将贯穿整个工作流，用于在节点之间传递数据。

3. 定义节点 (Node)

创建工作流中的核心节点，包括两个文本分类节点和一个记录节点。在本示例中，框架提供了预定义的 QuestionClassifierNode 类用于文本分类任务。利用其构建器指定分类的细分类别及提示语，引入 ChatClient 来调用大模型服务，实现智能分类：

// == 情感/反馈正负分类节点 == // 作用：判断当前输入属于正向还是负向反馈；输出写入 key:ifier_output QuestionClassifierNode feedbackClassifier = QuestionClassifierNode.builder() .chatClient(chatClient) .inputTextKey("input") // 从全局状态读取用户原始输入 .outputKey("classifier_output") // 分类结果写入同一状态 key // 注意：categories 返回值目前是 "positive feedback"/"negative feedback" .categories(List.of("positive feedback", "negative feedback")) .classificationInstructions( List.of("Try to understand the user's feeling when he/she is giving the feedback.") ).build(); // == 负面反馈细分问题分类节点 == // 触发条件：来自上一阶段判定为负面（需要在 dispatcher 中控制） // 输出同样写入ifier_output，后续仅用于路由到 recorder QuestionClassifierNode specificQuestionClassifier = QuestionClassifierNode.builder() .chatClient(chatClient) .inputTextKey("input") .outputKey("classifier_output") .categories(List.of("after-sale service", "transportation", "product quality", "others")) .classificationInstructions(List.of( "What kind of service or help the customer is trying to get from us? " + "Classify the question based on your understanding." )).build();

上面定义了两个节点：feedbackClassifier 将判断反馈是正面（positive feedback）还是负面（negative feedback）；specificQuestionClassifier 则对负面反馈进一步归类（如售后服务、运输、产品质量或其他）。两者都使用 ChatClient 调用大模型完成分类，并会把结果写入全局状态的 "classifier_output" 键中（框架内部约定）。此外，也可以按需定义自定义节点。

框架预定义的 QuestionClassifierNode 类用于文本分类任务，QuestionClassifierNode 是一个实现 NodeAction 的分类节点，利用 Spring AI 的 ChatClient 调用大模型，将输入文本归类到给定类别之一，并抽取关键词，再把结果写回流程状态。

QuestionClassifierNode 类的功能大致如下，具体细节可以参考源码：

通过构造函数或 Builder 注入：输入文本在状态中的键 inputTextKey、类别列表categories、分类指令classificationInstructions、输出键 outputKey、ChatClient。从 OverAllState 读取输入文本（inputTextKey 对应的值）。构建 few-shot 示例：手工加入两组 用户/助手 消息，作为分类示例。使用 SystemPromptTemplate 渲染系统提示（包含占位符: inputText、categories、classificationInstructions）。发送对话：chatClient.prompt().system(...).user(inputText).messages(few-shot).call()取模型返回文本，放入 updatedState 的 outputKey。如果原状态里存在 messages 键，则附加当前输出消息对象。返回新的局部状态 Map（供外部合并）。

接下来，自定义的 RecordingNode 节点用于记录和处理最终结果：

// == 结果记录节点 == RecordingNode recorderNode = new RecordingNode();

RecordingNode 实现了 NodeAction 接口，会在流程末尾根据分类结果生成相应的 Solution，并将结果写回OverAllState。

/** * 功能： * 1. 从全局工作流状态中读取上游节点写入的分类结果（键：classifier_output）。 * 2. 依据文本是否包含 "positive" 做简单正/负向判定，仅用于日志区分。 * 3. 将原始结果写入增量状态键 "solution"，供后续节点继续使用。 */ public RecordingNode implements NodeAction { private static final Logger logger = LoggerFactory.getLogger(RecordingNode.class); @Override public Map<String, Object> apply(OverAllState state) throws Exception { // 从全局状态中获取分类器的输出结果 String feedback = (String) state.value("classifier_output").get(); // 初始化状态更新映射，用于存储本节点产生的新状态数据 Map<String, Object> updatedState = new HashMap<>(); // 根据反馈内容进行简单的正负向分类判断 if(feedback.contains("positive")) { logger.info("Received positive feedback: {}", feedback); // 将原始反馈作为解决方案存储到状态中 updatedState.put("solution", feedback); } else { // 未检测到正向关键词，按负向反馈处理，记录相应日志 logger.info("Received negative feedback: {}", feedback); // 同样将原始反馈作为解决方案存储（实际业务中可能需要不同处理） updatedState.put("solution", feedback); } // 返回更新后的状态映射给工作流引擎 // 该映射将被合并到全局状态中，供后续节点访问 // 键 "solution" 包含了经过记录节点处理的最终结果 return updatedState; } }

RecordingNode 是一个工作流节点，在AI工作流中充当数据记录和传递的角色。

数据读取：从全局工作流状态中获取上游分类器节点的输出结果简单分类：根据文本内容是否包含 "positive" 进行正负向判断状态更新：将处理结果写入状态，供下游节点使用

这个节点在AI工作流中起到承上启下的作用，将分类器的输出转换为标准化的Solution 格式，为后续节点提供统一的数据接口。

现在，流程图中的三个节点已经定义好了。下一步，将添加节点和边到状态图StateGraph中。