Spring AI、AgentScope 与 ReAct 在研发效能工具中的实践

1. 对应简历段落

这篇文章对应简历中“在研发效能场景中探索 Spring AI、AgentScope 和 ReAct 思想，构建面向 Java 团队的智能研发助手，支持需求理解、代码检索、接口说明、日志分析、测试建议、发布检查和工单辅助处理”的经历。

面试时这段不要讲成“写了一个 ChatGPT 套壳”。资深面试官会关注：为什么研发效能工具需要 Agent，Spring AI 在 Java 体系里解决什么问题，AgentScope 适合做什么编排，ReAct 如何让模型边思考边调用工具，以及如何控制工具权限、上下文长度、误操作和结果可信度。

可以这样表述：

面向 Java 研发团队搭建内部研发效能助手，使用 Spring AI 统一接入模型、Prompt、Embedding 和向量检索能力，借鉴 AgentScope 的多 Agent 编排思想拆分需求分析、代码检索、日志诊断和测试建议角色，并基于 ReAct 模式让模型在推理过程中按需调用代码搜索、知识库、CI、日志平台和工单系统工具，提高排障和需求理解效率。

这段经历重点体现 AI 工程化框架选择、Agent 设计和研发流程结合能力。

2. 业务背景

大型 Java 团队的研发效率瓶颈不只在写代码本身。很多时间消耗在理解需求、查历史逻辑、找接口文档、定位日志、分析 CI 失败、补测试、写发布说明和处理工单上。

比如一个新需求来了，研发需要看产品文档、查相关服务、理解数据库表、找历史工单、确认接口影响面。一个线上问题来了，需要查日志、看链路追踪、定位最近发布、比对配置、判断是否回滚。很多信息散落在 Git 仓库、Wiki、接口平台、日志平台、CI、工单系统和聊天记录里。

AI 研发助手的价值是把这些分散信息通过自然语言入口串起来。但如果只是把问题发给模型，模型并不知道公司代码、内部接口、近期发布和日志。它必须能检索内部知识、调用工具、逐步分析。

这就引出三个技术点。

Spring AI 适合 Java 团队，因为它把模型调用、Prompt 模板、Embedding、VectorStore、ChatClient 等能力封装成 Spring 风格，便于接入现有 Spring Boot 系统。

AgentScope 更强调 Agent 编排思想，可以把复杂任务拆给不同角色或步骤，例如需求分析 Agent、代码检索 Agent、测试建议 Agent、发布检查 Agent。

ReAct 是一种推理和行动交替的模式，让模型不是一次性给答案，而是在 Reasoning 和 Acting 之间循环：先判断需要什么信息，再调用工具，再基于观察结果继续分析。

3. 核心原理

Spring AI 的核心价值是降低 Java 应用接入大模型的工程成本。它提供 ChatClient、PromptTemplate、EmbeddingModel、VectorStore、Advisor 等抽象，让模型调用更像普通 Spring 服务。对 Java 团队来说，这比在业务代码里散落 HTTP 调用更可维护。

AgentScope 的价值在于任务组织。研发效能场景的问题往往不是单轮问答。例如“帮我分析这个接口改动影响哪些模块，并给测试建议”，需要理解需求、检索代码、查接口调用、总结风险、生成测试点。可以让一个总控 Agent 拆任务，再由不同子 Agent 处理。

ReAct 的价值在于让模型显式使用工具。它的基本循环是：

Thought: 我需要先找到相关接口定义。
Action: code.search({"keyword":"PolicyController"})
Observation: 找到 PolicyController 和 PolicyService。
Thought: 还需要查看最近修改和测试。
Action: git.diff({"module":"policy-service"})
Observation: 修改了续保校验逻辑。
Thought: 基于代码和 diff 给出影响面。
Final: ...

生产系统里通常不会把完整 Thought 暴露给用户，但内部编排可以保留结构化步骤：plan、tool_call、observation、answer。这样系统更可控，也方便审计和调试。

研发效能 Agent 的工具可以包括：

• code.search：代码关键词或语义检索。
• code.read：读取指定文件片段。
• git.diff：查看分支改动。
• ci.query：查询构建失败原因。
• log.search：查询日志。
• trace.query：查询链路追踪。
• wiki.search：检索内部文档。
• ticket.query：查询需求或缺陷。
• test.suggest：基于代码改动生成测试建议。

这些工具同样要做权限控制。研发助手不能让所有人读取所有仓库、所有日志和所有生产数据。

4. 项目落地

一个可落地的研发效能助手可以分成五层：入口层、编排层、工具层、知识层、审计层。

入口层可以接入 Web 页面、IDE 插件、企业 IM 或工单系统。用户可以问“这个需求影响哪些服务”“这个 CI 为什么失败”“这段日志是什么问题”“帮我补一份测试点”。

编排层使用 Spring Boot + Spring AI。ChatClient 负责模型调用，PromptTemplate 负责不同任务模板，VectorStore 负责代码和文档检索，Advisor 可以注入会话上下文和安全提示。对于复杂任务，编排层使用 AgentScope 思想，把任务拆给多个角色。

工具层封装研发系统。代码检索可以基于 Git 仓库索引和向量库；CI 工具对接 Jenkins、GitHub Actions 或内部流水线；日志工具对接 ELK、Loki 或 APM；工单工具对接 Jira、禅道或内部系统。所有工具统一走 Tool Runtime，做权限、限流和审计。

知识层包括代码索引、架构文档、接口文档、数据库字典、故障复盘、发布规范、测试规范。代码索引要定期更新，最好按仓库、分支、模块、文件路径、类名、方法名建立元数据。

审计层记录用户问题、工具调用、读取文件、日志查询范围、生成建议和用户采纳情况。研发助手可能访问敏感代码和生产日志，审计不能缺。

落地时建议从低风险场景开始：代码解释、文档问答、测试建议、CI 失败摘要。不要一开始就让 Agent 自动提交代码、自动发布或自动回滚。自动化动作要逐步引入人工确认。

5. 流程或伪代码

public DevAssistantAnswer ask(DevQuestion question, UserContext user) {
    DevIntent intent = intentClassifier.classify(question.text());
    AgentPlan plan = planner.plan(intent, question, user);

    AgentMemory memory = new AgentMemory(question.text());
    for (AgentStep step : plan.steps()) {
        ToolDefinition tool = toolRegistry.find(step.toolName());
        permissionService.check(user, tool.permissionCode(), step.arguments());

        ToolResult observation = toolRuntime.execute(tool.name(), step.arguments(), user);
        memory.addObservation(step, observation.safeContent());

        if (memory.shouldStop()) {
            break;
        }
    }

    Prompt prompt = promptBuilder.buildFinalAnswer(question, memory, intent);
    String answer = springAiChatClient.prompt(prompt.toString()).call().content();

    auditLogger.record(question, user, plan, memory, answer);
    return DevAssistantAnswer.of(answer, memory.visibleEvidence());
}

一个 ReAct 风格的日志分析流程可以是：

用户：支付回调接口今天 10 点后失败率升高，帮我分析。
Plan：查询告警 -> 查询日志 -> 查询最近发布 -> 总结可能原因。
Action：metric.query(payment-callback, 10:00-11:00)
Observation：失败率从 0.2% 升到 8%，主要错误码 SIGN_INVALID。
Action：log.search(keyword=SIGN_INVALID, service=payment)
Observation：大量日志显示 partnerKey 为空。
Action：deploy.query(service=payment, today)
Observation：09:55 发布配置加载改动。
Final：疑似配置读取兼容问题，建议回滚或补充 partnerKey 配置，并增加测试。

这类流程比单纯“把日志粘给模型”更可靠，因为每个结论都有工具观察支撑。

6. 安全边界

第一，代码权限边界。不同团队、仓库、分支可能有不同权限。Agent 检索代码前必须校验用户是否有仓库访问权限。

第二，日志数据边界。生产日志可能包含手机号、身份证、token、订单号。日志工具要脱敏，查询范围要限制，敏感字段不能直接送模型。

第三，动作边界。研发助手可以建议修改、生成 patch、创建工单，但自动提交、合并、发布、回滚必须人工确认，甚至走审批。

第四，上下文边界。不要把整个仓库或大段日志塞给模型。要做检索、摘要和片段裁剪，避免泄露无关信息和超上下文。

第五，工具边界。不要提供 shell.execute 这种万能工具给模型。研发工具要细粒度封装，如 code.search、ci.query、log.search。

第六，结论边界。AI 给出的根因分析是辅助判断，尤其线上故障场景，必须标明证据和不确定性。

第七，审计边界。访问了哪些代码、查了哪些日志、调用了哪些工具，都要记录，便于安全审计。

7. 常见坑

第一个坑是把 Agent 做成无限循环。ReAct 如果没有最大步数、超时和停止条件，可能反复调用工具。

第二个坑是工具太强。给模型一个通用命令执行工具，看似能力强，安全风险极高。企业研发助手要工具白名单。

第三个坑是上下文污染。检索到一堆无关代码，模型会基于噪声生成错误结论。代码检索要重视 rerank 和路径过滤。

第四个坑是忽略权限。研发效能工具常常访问代码和日志，如果权限控制弱，风险不比业务系统小。

第五个坑是把 Agent 输出当事实。模型总结的根因必须有日志、指标、代码或发布记录支撑。

第六个坑是一次性做太大。研发助手最好从一个场景打穿，比如 CI 失败分析，再扩展到日志诊断和测试建议。

第七个坑是没有采纳反馈。开发者是否接受建议、是否解决问题，是优化 Agent 的重要信号。

8. 面试追问

面试官可能问：Spring AI 解决了什么？回答：它把模型、Prompt、Embedding、VectorStore 等能力封装成 Spring 风格，方便 Java 应用集成和治理。

可能问：AgentScope 和普通链式调用有什么区别？回答：AgentScope 更强调角色、任务和多 Agent 协作，适合把复杂研发任务拆成多个职责明确的子任务。

可能问：ReAct 的优势是什么？回答：让模型在推理中按需调用工具，结论基于观察结果，而不是一次性凭空回答。

可能问：怎么防止 Agent 乱调用工具？回答：工具白名单、权限校验、最大步数、超时、风险分级、人工确认和审计。

可能问：代码检索怎么做？回答：结合关键词检索、语义向量、文件路径和符号元数据，按仓库权限过滤，再 rerank。

可能问：研发助手如何评估效果？回答：可以看问题解决率、建议采纳率、CI 分析准确率、平均排障时间、工具调用成功率、人工反馈。

9. 推荐回答

推荐回答如下：

我们在研发效能场景里没有把 AI 助手做成纯聊天，而是让它能安全使用研发工具。底层用 Spring AI 接入模型、Prompt、Embedding 和向量检索，这样比较符合 Java 团队的技术栈。复杂任务上借鉴 AgentScope，把需求分析、代码检索、日志诊断、测试建议拆成不同职责。

编排上使用 ReAct 思路，模型不是直接给结论，而是先判断需要什么信息，再调用代码搜索、CI、日志、工单或文档工具，拿到 observation 后继续分析。最终回答会带证据，比如相关文件、日志摘要、构建失败原因或发布记录。

安全上所有工具都走统一 Tool Runtime，按用户校验仓库和日志权限，生产日志先脱敏，自动提交代码、发布、回滚这类动作不允许模型直接执行，只能生成建议或草稿并等待人工确认。这样既能提升研发效率，又不会把 AI 变成不可控的运维入口。

这个回答既体现框架理解，也体现企业落地边界。

10. 延伸学习路线

第一阶段学习 Spring AI：ChatClient、PromptTemplate、EmbeddingModel、VectorStore、Advisor、Tool Calling，做一个 Java 问答 Demo。

第二阶段学习 RAG for Code：代码切分、符号索引、仓库元数据、语义检索、调用关系分析。

第三阶段学习 Agent 模式：ReAct、Plan-and-Execute、多 Agent 协作、反思机制、工具失败恢复。

第四阶段学习研发平台集成：Git、CI、日志、APM、工单、Wiki、接口平台，把它们封装成安全工具。

第五阶段学习治理和评测：权限、脱敏、审计、最大步数、工具选择准确率、建议采纳率、排障时间指标。

最终可以做一个内部研发助手项目：支持“解释代码”“分析 CI 失败”“根据 diff 生成测试建议”“查询日志并总结根因”。这类项目在 Java / AI 工程化面试中很容易展开，能展示你对模型、工具和研发流程的综合理解。