Agents-Flex： 一个基于 Java 的 LLM（大语言模型）应用开发及编排框架。

基本能力

• LLM 的访问能力
• Prompt、Prompt Template 定义加载的能力
• Function Calling 定义、调用和执行等能力
• 记忆的能力（Memory）
• Embedding
• Vector Store
• 文档处理
  • 加载器（Loader）
    • Http
    • FileSystem
  • 分割器（Splitter）
  • 解析器（Parser）
    • PoiParser
    • PdfBoxParser
• Agent
  • LLM Agent
  • IOAgent
• Chain 执行链
  • SequentialChain 顺序执行链
  • ParallelChain 并发（并行）执行链
  • LoopChain 循环执行连
  • ChainNode
    • AgentNode Agent 执行节点
    • EndNode 终点节点
    • RouterNode 路由节点
      • GroovyRouterNode Groovy 规则路由
      • QLExpressRouterNode QLExpress 规则路由
      • LLMRouterNode LLM 路由（由 AI 自行判断路由规则）

Agents-Flex beta.8 更新细节：

• 新增：为 ChainNode 添加 "async" 属性标识的设置
• 新增：添加基于 Ollama 大语言模型的对接，非 openai 适配模式
• 新增：新增 DnjsonClient 用于和 Ollama 的 stream 模型对接
• 优化：重构 ChainCondition
• 优化：chat 时当大语言模型发生错误时抛出异常，之前返回 null
• 优化：重构 DocumentParser
• 优化：Parameter 支持子参数的配置能力
• 修复：Milvus 向量数据库当传入 number 类型是出错的问题
• 测试：添加对 LoopChain 的测试
• 测试：添加文使用 openai 兼容 api 对 Ollama 对接的测试

简单对话

使用 OpenAi 大语言模型:

 @Test
public void testChat() {
OpenAiLlmConfig config = new OpenAiLlmConfig();
config.setApiKey("sk-rts5NF6n*******");

Llm llm = new OpenAiLlm(config);
String response = llm.chat("请问你叫什么名字");

System.out.println(response);
}

使用 “通义千问” 大语言模型:

@Test
public void testChat() {
QwenLlmConfig config = new QwenLlmConfig();
config.setApiKey("sk-28a6be3236****");
config.setModel("qwen-turbo");

Llm llm = new QwenLlm(config);
String response = llm.chat("请问你叫什么名字");

System.out.println(response);
}

使用 “讯飞星火” 大语言模型:

@Test
public void testChat() {
SparkLlmConfig config = new SparkLlmConfig();
config.setAppId("****");
config.setApiKey("****");
config.setApiSecret("****");

Llm llm = new SparkLlm(config);
String response = llm.chat("请问你叫什么名字");

System.out.println(response);
}

历史对话示例

public static void main(String[] args) {
SparkLlmConfig config = new SparkLlmConfig();
config.setAppId("****");
config.setApiKey("****");
config.setApiSecret("****");

Llm llm = new SparkLlm(config);

HistoriesPrompt prompt = new HistoriesPrompt();

System.out.println("您想问什么？");
Scanner scanner = new Scanner(System.in);
String userInput = scanner.nextLine();

while (userInput != null) {

prompt.addMessage(new HumanMessage(userInput));

llm.chatStream(prompt, (context, response) -> {
System.out.println(">>>> " + response.getMessage().getContent());
});

userInput = scanner.nextLine();
}
}

Function Calling

• 第一步：通过注解定义本地方法

public class WeatherUtil {

@FunctionDef(name = "get_the_weather_info", description = "get the weather info")
public static String getWeatherInfo(
@FunctionParam(name = "city", description = "the city name") String name
) {
//在这里，我们应该通过第三方接口调用 api 信息
return name + "的天气是阴转多云。 ";
}
}

• 第二步：通过 Prompt、Functions 传入给大模型，然后得到结果

 public static void main(String[] args) {

OpenAiLlmConfig config = new OpenAiLlmConfig();
config.setApiKey("sk-rts5NF6n*******");

OpenAiLlm llm = new OpenAiLlm(config);

FunctionPrompt prompt = new FunctionPrompt("今天北京的天气怎么样", WeatherUtil.class);
FunctionResultResponse response = llm.chat(prompt);

Object result = response.invoke();

System.out.println(result);
//"北京的天气是阴转多云。 "
}

模块构成

开源地址​：

• Gitee: https://gitee.com/agents-flex/agents-flex
• Github: https://github.com/agents-flex/agents-flex
• 官方网站：https://agentsflex.com