> ## Documentation Index
> Fetch the complete documentation index at: https://blog.pig4cloud.com/llms.txt
> Use this file to discover all available pages before exploring further.

# 下一代 AI 架构：Spring AI Agents 的“超级中控”模式

> 统一接口、多智能体编排、自主任务执行——开发者正式进入“AI 团队协作”新纪元。

## 背景

在刚刚落幕的 GitHub Universe 2025 大会上，GitHub 发布了其平台的颠覆性进化——**Agent HQ**（智能体中控）。它为开发者提供了一个统一的工作流，使其能够在任何时间、任何地点协调任何智能体。

![3NjV1k](https://minio.pigx.vip/oss/202511/3NjV1k.png)

Agent HQ 旨在将 GitHub 转变为一个开放的 AI 生态系统，在单一平台上整合所有主流智能体。在未来几个月内，来自 Anthropic、OpenAI、Google、Cognition、xAI 等公司的 Code CLI 将作为 GitHub Copilot 的一部分，直接在 GitHub 上提供。

Agent HQ 的核心理念不是简单地将智能体“插入”现有系统，而是让智能体**原生融入**（natively integrate）你已习惯的 GitHub 工作流。

![](https://minio.pigx.vip/oss/202511/04Bz3C.png)

这一设计理念与 **Cursor 2.0 的多 Agent 模式**不谋而合。在 Cursor 中，开发者可以通过 Mission Control (中控) 同时驱动多个 AI 智能体协同工作，每个智能体专注于不同的任务领域——代码审查、测试生成、文档编写、问题修复等。

这标志着开发模式从 **“单一 AI 助手”向“AI 团队协作”** 的重大转变。在这种“超级智能中心”架构下，开发者不再是独自战斗，而是成为一名指挥官，指挥一支 AI 团队来攻克复杂的软件工程任务。

## **Spring AI Agents：打造 Java 开发者自己的“中控室”**

GitHub Agent HQ 的愿景固然宏大，但这种“多智能体编排”的理念并非遥不可及。在 Java 社区，**Spring AI** 团队早已洞察到这一趋势，并通过 **Spring AI Agents** 项目为 Java 开发者带来了类似的实现。

借鉴 GitHub Agent HQ 和 Cursor 的设计理念，通过 Spring AI Agents，开发者可以在 Java 企业级开发中，构建和编排一个强大的、多 AI 智能体协同工作的“超级中控系统”。

### **什么是 Spring AI Agents?**

![6bd3Dv](https://minio.pigx.vip/oss/202511/6bd3Dv.png)

**Spring AI Agents** 是一个面向 Java 企业级开发的自主智能体（Autonomous Agents）集成层。它为开发者提供了统一的 Java SDK 接口，用以调度和编排多个主流的 AI Coding Agent。

就像当年 JDBC 统一了数据库访问接口一样，Spring AI Agents 正在为自主智能体访问提供标准化的 Java 抽象。

> 当前项目需要自行下载 Spring Ai Agents 源码并编译安装，未来将发布到 Maven 中央仓库，敬请期待！

### **已适配的主流 AI Agent**

Spring AI Agents 已经完成与多个业界领先的自主编码智能体的深度集成：

| 智能体                      | 状态     | 说明                                    |
| :----------------------- | :----- | :------------------------------------ |
| **Claude Agent SDK**     | ✅ 已支持  | Anthropic 的自主编码智能体，原名 Claude Code SDK |
| **Gemini CLI Agent**     | ✅ 已支持  | Google 的命令行编码智能体，支持多模态能力              |
| **Amp CLI**              | ✅ 已支持  | Sourcegraph 的自主编码智能体，功能完善             |
| **Amazon Q Developer**   | ✅ 已支持  | AWS 的 /dev 智能体，支持多文件和跨代码库的自主规划        |
| **OpenAI Codex**         | ✅ 已支持  | OpenAI 的 GPT-5-Codex，针对智能体编码优化        |
| **mini-swe-agent**       | ✅ 已支持  | 轻量级100行自主智能体，用于基准测试                   |
| **Goose**                | 🚧 规划中 | Block 的开源可扩展 AI 智能体，可本地运行             |
| **GitHub Copilot Agent** | 🚧 规划中 | GitHub 的自主编码智能体，可在 Actions 中自主创建 PR   |

## **快速上手：驱动单个 Agent**

以驱动 **Claude Agent** 为例，我们来看看上手有多简单。

**1. 添加依赖**

```xml theme={null}
<!-- Claude Agent Model -->
<dependency>
    <groupId>org.springaicommunity.agents</groupId>
    <artifactId>spring-ai-starter-agent-claude</artifactId>
    <version>0.1.0-SNAPSHOT</version>
</dependency>
```

**2. 通过 AgentClient 驱动 Claude Agent**

```java theme={null}
// 1. 创建 Claude CLI 客户端
ClaudeAgentClient claudeClient = ClaudeAgentClient.create();

// 2. 配置代理选项
ClaudeAgentOptions options = ClaudeAgentOptions.builder()
        .executablePath("/usr/local/bin/claude")
        .yolo(true)
        .workingDirectory("/Users/lengleng/Downloads/cursor-web") 
        .build();

Sandbox sandbox = new LocalSandbox();
// 3. 创建代理模型
ClaudeAgentModel agentModel = new ClaudeAgentModel(claudeClient, options, sandbox);

// 4. 创建 AgentClient
AgentClient agentClient = AgentClient
        .create(agentModel);

// 5. 执行目标
AgentClientResponse response = agentClient.run(
        "基于现有技术栈完成一个独立的增删改查"
);
```

通过以上代码，我们就能驱动 Claude Agent，让它基于现有技术栈自主分析并完成一个 CRUD 功能。

## **进阶：多智能体协同工作流**

Spring AI Agents 真正的威力在于编排。正如 GitHub Agent HQ 的理念，我们可以创建多个 AgentClient，并通过一个“中控”来协同调度它们。

**1. 添加多个 Agent 依赖**

例如，要同时联动 CodeX 和 Gemini，首先添加依赖：

```xml theme={null}
<dependency>
    <groupId>org.springaicommunity.agents</groupId>
    <artifactId>spring-ai-starter-agent-codex</artifactId>
    <version>0.1.0-SNAPSHOT</version>
</dependency>
<dependency>
    <groupId>org.springaicommunity.agents</groupId>
    <artifactId>spring-ai-starter-agent-gemini</artifactId>
    <version>0.1.0-SNAPSHOT</version>
</dependency>
```

**2. 编排多智能体协同工作**

下面的示例展示了一个 MultiAgentWorkflow（多智能体工作流），它协同 Claude 和 Gemini 来完成一次复杂的代码审查和重构任务。

```java theme={null}
public class MultiAgentWorkflow {

    private final AgentClient claudeAgent;
    private final AgentClient geminiAgent;

    public MultiAgentWorkflow(
            @Qualifier("claudeAgentClient") AgentClient claudeAgent,
            @Qualifier("geminiAgentClient") AgentClient geminiAgent) {
        this.claudeAgent = claudeAgent;
        this.geminiAgent = geminiAgent;
    }

    public String collaborativeCodeReview(String pullRequestId) {
        // 使用 Claude 进行详细分析
        String claudeAnalysis = claudeAgent.run(
                "对 PR " + pullRequestId + " 进行详细的代码审查" +
                        "。重点关注逻辑正确性和潜在的 bug。"
        ).getResult();

        // 使用 Gemini 进行架构审查
        String geminiAnalysis = geminiAgent.run(
                "审查 PR " + pullRequestId + " 的架构问题和 " +
                        "Google Cloud 最佳实践。"
        ).getResult();

        // 合并分析结果
        String combinedPrompt = String.format(
                "将这两份代码审查分析合并成一份综合报告：" +
                        "分析1（逻辑与Bug）：%s\n\n" +
                        "分析2（架构）：%s\n\n" +
                        "创建一个按优先级排序的问题列表，并提供可操作的建议。",
                claudeAnalysis, geminiAnalysis
        );

        return claudeAgent.run(combinedPrompt).getResult();
    }

    public String distributeRefactoringTask(String className) {
        // Claude 处理方法提取和逻辑优化
        CompletableFuture<String> claudeTask = CompletableFuture.supplyAsync(() ->
                claudeAgent.run("优化 " + className + " 中的方法，提高可读性和性能").getResult()
        );

        // Gemini 处理架构改进
        CompletableFuture<String> geminiTask = CompletableFuture.supplyAsync(() ->
                geminiAgent.run("按照 SOLID 原则改进 " + className + " 的架构").getResult()
        );

        // 合并结果
        return claudeTask.thenCombine(geminiTask, (claudeResult, geminiResult) -> {
            return claudeAgent.run(
                    "合并这些重构方案：" + claudeResult + "\n\n" + geminiResult
            ).getResult();
        }).join();
    }
}
```

## 总结

AI 开发又进入了下一代玩法，从 vibe coding 的 "code cli 百团大战"，演进到了下一代的协同合作。

正如本文所展示的，Spring AI Agents 提供的统一抽象层，正推动软件开发从“人机结对”的 Copilot 模式，进化到“人指挥、AI 协同”的智能体团队模式。这种“中控室”架构极大地降低了 Java 开发者构建和编排复杂 AI 工作流的门槛，将成为未来企业级 AI 应用的核心。