Agents-Flex： 一个基于 Java 的 LLM 应用开发及编排框架。

经过近 1 年的开发和迭代，Agents-Flex 发布了 30+ 个版本，终于迎来了 v1.0.0 正式版本。

目前，我们也基于 Agents-Flex 开发了许多有趣的应用，如下图所示：

工作流编排等：

Agents-Flex 的基本能力

• 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
• 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

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.getFunctionResult();

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

Agents-Flex v1.0.0 更新记录：

• 修复：NodeContext.isUpstreamFullyExecuted() 方法判断错误的问题
• 新增: SparkLlm 添加 concurrencyLimitSleepMillis 配置
• 新增: openai 添加 chatPath 配置和 embed path 配置
• 新增: HistoriesPrompt 添加 temporaryMessages 配置

源码下载

• Gitee：https://gitee.com/agents-flex/agents-flex
• Github：https://github.com/agents-flex/agents-flex