![]()
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。
与此同时，基于 Agents-flex 开发的对标 Dify Coze 等产品的 AIFlowy 也正式对外开源，开源地址： https://gitee.com/aiflowy/aiflowy
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）
- 分割器（Splitter）
- 解析器（Parser）
- 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
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 v1.0.9~1.1.9 更新记录：
- 新增：新增 rerank 模型的相关模块
- 新增：Milvus 支持非向量查询功能
- 新增：阿里云增加余弦相似度得分回显
- 新增: 为 ChainStartEvent 和 ChainResumeEvent 添加获取初始化参数的功能
- 新增: StreamResponseListener 添加 onMatchedFunction 方法
- 新增: 添加 openai 兼容 api 的其他第三方 api 测试
- 新增：新增 NodeErrorListener 用于监听 node 的错误情况
- 优化：重构 ChainErrorListener 的参数顺序
- 优化：优化 getParameterValues 的默认值获取
- 优化: 添加 FunctionPrompt 的 toString 方法
- 优化: 优化 ImagePrompt 的方法
- 优化: 优化 ToolPrompt 支持多个方法调用
- 优化: 优化 Stream 模型下的 Function Call
- 优化: 优化 SseClient 的 tryToStop 方法
- 优化: 优化 FunctionCall 以及添加 toString 方法
- 优化: 优化 OpenAILlm.java
- 优化: 优化 JsExecNode 在每次执行脚本时新建一个独立 Context
- 优化: 优化 Event 的 toString
- 优化：重构 MilvusDbTest，增加非向量搜索测试用例
- 优化：适配 Ollama 0.9.0 的思考模式
- 优化：redisSearch, openSearch 相似度归一化，便于用户查看
- 优化：增强 LLM 的 markdown 包裹优化
- 优化：重命名 StringUtil.obtainFirstHasText 方法名称为 getFirstWithText
- 修复：修复了 updateInternal 方法中重复添加 data.add(dict) 的问题
- 修复：修复 Milvus Document metadata 格式不一致问题
- 修复: 修正 Milvus 下 COSINE 相似度计算方法
- 修复：使用 qwen-plus 调用 function_call 没有正确拼接大模型返回的参数问题
- 修复: 修复 DeepseekLlmUtil 类型转换错误
- 修复: HistoriesPrompt 的 toMessages 可能多次添加 systemMessage 的问题
- 修复：修复 CodeNode 的 js 无法通过 "." 调用 map 数据的问题
- 修复： node 的状态在执行时未自动变化的问题
- 修复：修复阿里云百炼 text-embedding-v3 向量化使用 milvus 使用默认向量模型导致两次维度不一致问题
- 修复：qwen3 非流式返回设置 enable_thinking 为 false
- 修复：修复大模型节点，返回 json 内容时不正确的问题
- 修复：修复 EndNode 在输出固定值时出现 NPE 的问题
源码下载
