参考Langchain的这篇文章[1]，除了目前常见的Chat模式Agent形态以外，Agent还可以充分发挥新的运行形态：
- 自主持续运行Agent： 突破了大部分AI应用依赖用户主动发起对话（Chat）聊天模式的限制。Agent通过监听环境信号（如定时运行、消息事件、上下文变化），作为智能体按计划定时运行，在实际业务场景中非常有用。
- Agent发起人机交互： 关键在于部分任务需通过“人工确认”机制（如通知、提问、审核）确保与用户目标一致。Agent在自主运行过程中需要一个人机交互窗口，支持人工介入，从而在自主性与可控性间取得平衡。
Spring AI Alibaba（以下简称SAA）为开发上述形态的Agent提供了相应的框架支持，方便业务快速实现这些场景下的Agent开发。
为什么需要自主运行Agent？
通过自主运行的Agent可以充分发挥其执行效率，使其具备按预设规划自主工作的能力，无需每次都等待人类指令运行。可将Agent视为一个能替代部分工作并自主运行的“智能体”。
随着Agent能力和自主性的提升，预计将出现以下局面：
- 个体创业者的能力边界将被大幅拓宽。
- 在工程领域，多人协同的工作可拆解为由一个人与多个Agent共同完成，以提高生产效率。
从业务需求的角度看，可以探索和挖掘以下应用场景：
自动化周期性业务
面向企业经营的业务系统，可构建周期性自动收集分析数据、提取数据核心要素、可视化经营报表生成等场景。通过定时运行的Agent可实现无人值守的自动化执行，显著提升数据分析整理效率。相较于传统经营报表，通过模型对非结构化数据的分析总结能力，可显著提升报告质量。
批量清算处理
部署多个Agent，每个Agent可同时批量并行处理不同维度的数据信息。在金融行业智能投研领域，AI Agent可批量处理来自不同数据源渠道的海量金融数据、新闻资讯和社交媒体信息，借助大模型充分挖掘行业投资机遇和风险事件。
事件应急预案响应
在物联网、安全监控等场景中，系统需对突发消息事件（如设备报警、用户行为、危险事件识别触发）做出自动响应。后台常驻Agent可通过监听消息队列或定时巡检扫描的方式运行，分析识别事件等级并发布相应级别的告警消息。
人类参与决策判断
Agent自动处理任务，仅在需要时提示人类进行决策判断以提升效率。例如，Agent每天固定时间自动采集汇总供应商的新闻、舆情及社交平台讨论，并进行风险分类与情绪分析；当遇到高风险负面事件（如食品安全事故）时，Agent能通知管理人员人工介入判断，选择下一步行动策略，例如生成自检报告、批量通知各网点下架对应供应商产品等。
复杂长周期任务
现阶段，大批量基于模型进行数据分析处理的场景往往执行较慢，不适合构建Chat模式交互。通过任务固定周期触发、涉及跨域和多模态数据分析，Agent可在后台进行数据预加工处理，最终为用户提供加工完成后的数据信息。
周期性任务记忆管理
定时后台运行的Agent在每个周期执行后可管理其对应的多个周期的执行记忆。通过周期执行记录信息，可分析数据随时间周期的变化过程。例如，当出现舆论舆情时，可根据周期变化来分析事件是持续发酵还是逐步消退，并根据变化趋势智能路由下一步决策。
如何构建定时运行Agent？
目前市面上定时AI Task相关的应用，主要分为以下几类：
| 对比维度 | Chat聊天模式 | 低代码平台 | Agent开发框架 |
|---|---|---|---|
| 代表性产品 | ChatGPT Task、Manus Task | 百炼、Coze、Dify | LangGraph、Spring AI Alibaba |
| 使用方式 | 通过聊天提示按指定周期执行某项任务 | 配置定时触发器，或通过第三方定时触发源运行 | 提供API设置定时执行 |
| 特点说明 | 基于提示词的简单周期性总结提醒 | 低代码开发场景，依赖外部触发源管理；可通过MSE任务调度产品配置Http任务触发运行 | 高代码场景，适合开发复杂企业级AI Agent应用；LangGraph CronJob需要对接其专用调度平台支持 |
接下来重点说明SAA中的定时Agent设计构想。为了支持后台自主执行的Agent，在CompiledGraph上提供了schedule(ScheduleConfig config)方法，可自由设置该Agent定时执行。后台定时运行的Agent任务在设计上都通过ScheduledAgentManager进行注册管理。目前，开源默认实现提供了单机应用进程内的Agent任务运行管理实现。
通过上述方式，后续可支持在分布式部署场景下的定时Agent任务运行，同时为自定义Agent任务可视化管理和运行监控提供扩展点。
基于SAA自主运行Agent展示
Spring AI Alibaba作为Agent开发框架，为业务开发Agent提供了便捷的解决方案，同时在框架侧也提供了构建定时运行Agent的能力。后续将通过框架提供的定时调度、人工节点功能，实现两个实践案例：店铺经营分析Agent、评价舆情分析Agent。
店铺经营日报Agent
通过SAA框架可以方便地开发出自定义的Agent（Workflow Agent）。相比于低代码平台的流程构建，通过编码方式定义Agent流程更适合高度定制的场景。例如，当前的Agent需要从多个维度（交易订单、产品说明、客户画像信息、门店基础信息、客户评价反馈等）提取对应的数据信息，通过业务编码结合Prompt模板提供给LLM进行分析处理，在实现上更具灵活性和可控性。
通过这种方式，业务报表既能保持关键数据的准确性，又可结合发挥模型对非结构化数据分析的优势，提炼总结出报告的核心要点和下一步行动方案。
参考代码
@Bean
public CompiledGraph dailyReportAgent(ChatModel chatModel) throws GraphStateException {
ChatClient chatClient = ChatClient.builder(chatModel).defaultAdvisors(new SimpleLoggerAdvisor()).build();
AsyncNodeAction dataLoaderNode = node_async(
(state) -> {
/*
* 业务报告元数据读取，如：指定周期的订单销量数据、
* 门店产品信息、订单用户反馈信息
*/
}
);
// 定义一个经营日报生成节点，根据提供的原始数据信息结合Prompt生成报告
LlmNode llmDataAnalysisNode = LlmNode.builder().chatClient(chatClient)
.paramsKey("data_summary")
.outputKey("summary_message_to_sender")
.userPromptTemplate(DAILY_REPORT)
.build();
// Agent流程：提取原始数据-->生成经营日报-->发送日报信息
StateGraph stateGraph = new StateGraph("OperationAnalysisAgent", () -> {
Map<String, KeyStrategy> strategies = new HashMap<>();
strategies.put("data_summary", new ReplaceStrategy());
strategies.put("summary_message_to_sender", new ReplaceStrategy());
strategies.put("message_sender_result", new ReplaceStrategy());
strategies.put("access_token", new ReplaceStrategy());
return strategies;
}).addNode("data_loader", dataLoaderNode)
.addNode("data_analysis", node_async(llmDataAnalysisNode))
.addNode("message_sender", node_async(generateMessageSender()))
.addEdge(START, "data_loader")
.addEdge("data_loader", "data_analysis")
.addEdge("data_analysis", "message_sender")
.addEdge("message_sender", END);
CompiledGraph compiledGraph = stateGraph.compile();
compiledGraph.setMaxIterations(100);
// 设定当前Agent每天8点执行
ScheduleConfig scheduleConfig = ScheduleConfig.builder()
.cronExpression("0 0 8 */1 * ?") // 每天8点
.build();
compiledGraph.schedule(scheduleConfig);
return compiledGraph;
}
评价舆情分析Agent
此案例主要体现Agent的自主定时运行能力，仅在分析发现必要时提示用户进入“人工决策”。相较于传统的基于数值比较、关键词匹配等监控方式，LLM的接入可为业务监控增加新的维度，使监控面向更泛化的数据场景，包括非结构化的文本数据、图片、影像等，通过各类结构化数据充分挖掘潜在风险。
参考代码
@Bean
public CompiledGraph evaluationAnalysisAgent(ChatModel chatModel,
FeedbackMapper feedbackMapper) throws GraphStateException {
ChatClient chatClient = ChatClient.builder(chatModel).defaultAdvisors(new SimpleLoggerAdvisor()).build();
EvaluationClassifierNode sessionAnalysis = EvaluationClassifierNode.builder()
.chatClient(chatClient)
.inputTextKey("iterator_item")
.outputKey("session_analysis_result")
.categories(List.of("yes", "no"))
.classificationInstructions(List.of("要求返回纯JSON字符串，禁止包含非JSON格式内容，包含字段:user、time、complaint、satisfaction、summary。",
"complaint: 表示当前评价是否为店铺或产品投诉，取值范围（yes or no）.",
"satisfaction: 表示用户实际的消费满意度",
"summary: 提炼本条核心吐槽点，以及可以改进的方向"))
.build();
StateGraph sessionAnalysisGraph = new StateGraph("session_analysis", subFactory1)
.addNode("iterator", node_async(sessionAnalysis))
.addEdge(StateGraph.START, "iterator")
.addEdge(StateGraph.END, "iterator");
AsyncNodeAction sessionLoaderNode = node_async((state) -> {
// 舆情和评价数据加载... ...
return result;
});
// 舆情评价结果分析汇总
AsyncNodeAction sessionResultSummaryNode = node_async((state) -> {
// 舆情评价结果分析汇总... ...
return Map.of();
});
// 通过LLM生成告警报告
LlmNode llmNode = LlmNode.builder().chatClient(chatClient)
.paramsKey("summary_message")
.outputKey("summary_message_to_sender")
.systemPromptTemplate("自定义Prompt")
.build();
// 构建Agent运行流程
StateGraph stateGraph = new StateGraph("ReviewAnalysisAgent", () -> {
Map<String, KeyStrategy> strategies = new HashMap<>();
// ... ...
return strategies;
}).addNode("session_loader_node", sessionLoaderNode)
.addNode("iteration_session_analysis_node", iterationNode)
.addNode("session_result_summary_node", sessionResultSummaryNode)
.addNode("message_parse", node_async(llmNode))
.addNode("message_sender", node_async(generateMessageSender()))
.addNode("human_feedback", node_async(new HumanFeedbackNode()))
.addNode("human_action", node_async(new HumanActionNode()))
.addEdge(START, "session_loader_node")
.addEdge("session_loader_node", "iteration_session_analysis_node")
.addEdge("iteration_session_analysis_node", "session_result_summary_node")
.addConditionalEdges("session_result_summary_node", AsyncEdgeAction.edge_async(state -> {
Integer complaint = state.value("complaint", 0);
return complaint > 0 ? "message_parse" : StateGraph.END;
}), Map.of("message_parse", "message_parse", StateGraph.END, StateGraph.END))
.addEdge("message_parse", "message_sender")
.addEdge("message_sender", "human_feedback")
.addConditionalEdges("human_feedback", AsyncEdgeAction.edge_async(state -> {
boolean ignore = state.value("ignore", true);
return ignore ? StateGraph.END : "human_action";
}), Map.of("human_action", "human_action", StateGraph.END, StateGraph.END))
.addEdge("message_sender", END);
CompiledGraph compiledGraph = stateGraph.compile();
compiledGraph.setMaxIterations(1000);
// 设定当前Agent每小时执行检测一次
ScheduleConfig scheduleConfig = ScheduleConfig.builder()
.cronExpression("0 0 */1 * * ?") // 每小时执行检测一次
.build();
compiledGraph.schedule(scheduleConfig);
return compiledGraph;
}
自主运行的AI Agent开拓了企业智能化场景，通过定时触发、事件响应和人工协同机制，为业务带来高效、精准的自动化能力。借助Spring AI Alibaba框架，开发者可快速构建定制化Agent，实现从数据采集、分析到决策的全流程闭环。
参考链接：
