SpringAI Agent 开发实战：基于 Skills 的代码评审实践

重点看一下核心依赖：

<dependencies>
    <dependency>
        <groupId>org.springaicommunity</groupId>
        <artifactId>spring-ai-agent-utils</artifactId>
        <version>0.4.1</version>
    </dependency>
    <dependency>
        <groupId>org.springframework.ai</groupId>
        <artifactId>spring-ai-starter-model-zhipuai</artifactId>
    </dependency>
</dependencies>

• spring-ai-agent-utils: Agent 开发的关键依赖包。
• spring-ai-starter-model-zhipuai: 智谱大模型交互的依赖包。

3. 项目配置

依赖搞定之后，在 resources/application.yml 配置 LLM 访问信息及 Agent 参数。

spring:
  ai:
    zhipuai:
      # api-key 使用你自己申请的进行替换；如果为了安全考虑，可以通过启动参数进行设置
      api-key: ${zhipuai-api-key}
    chat:
      options:
        model: GLM-4.5-Flash
    agent:
      skills:
        dirs: classpath:/.claude/skills
        model: GLM-4.5-Flash

其中 agent 相关配置主要设置了 skills 的存放路径和使用的 model。根据定义，我们将 skills 信息放在 resources/.claude/skills 目录下。

新增一个目录 code-reviewer，目录下的文件为 SKILL.md：

.claude/skills/code-reviewer/
└── SKILL.md

对应的内容如下：

--- name: code-reviewer description: Reviews Java code for best practices, security issues, and Spring Framework conventions. Use when user asks to review, analyze, or audit code. ---
# Code Reviewer
## Instructions
在审查代码时：
1. 检查是否存在安全漏洞（如 SQL 注入、XSS 等）
2. 验证是否遵循了 Spring Boot 的最佳实践（如正确使用@Service、@Repository 等注解）
3. 查找潜在的空指针异常
4. 提出提高代码可读性和可维护性的建议
5. 提供具体的逐行反馈，并附上代码示例
6. 以中文的方式返回代码评审结果

4. Skills 简要说明

上面的 Skill 比较简单，就是一个 Markdown 文档。SpringAI 支持的 Skills 中，除了包含基本的 SKILL.md 文件（包含元数据及指导代理如何执行特定任务的说明）之外，还可以有相关的脚本、模板和参考资料。

一个常见的 Skills 结构如下：

my-skill/
├── SKILL.md           # Required: instructions + metadata
├── scripts/           # Optional: executable code
├── references/        # Optional: documentation
└── assets/            # Optional: templates, resources

二、核心实现

前置准备已经完成，接下来开始正式的体验。

2.1 交互日志打印 MyLoggingAdvisor

为了让系统与大模型之间的交互更清晰，我们将双方交互的日志进行更友好的打印，顺便看一下一次用户感知的问答过程中实际上有几次交互。

public class MyLoggingAdvisor implements BaseAdvisor {
    private final int order;
    public final boolean showSystemMessage;
    public final boolean showAvailableTools;
    private AtomicInteger cnt = new AtomicInteger(1);

    private MyLoggingAdvisor(int order, boolean showSystemMessage, boolean showAvailableTools) {
        this.order = order;
        this.showSystemMessage = showSystemMessage;
        this.showAvailableTools = showAvailableTools;
    }

    @Override
    public int getOrder() {
        return this.order;
    }

    @Override
    public ChatClientRequest before(ChatClientRequest chatClientRequest, AdvisorChain advisorChain) {
        System.out.println("======================= 第 " + cnt.getAndAdd(1) + " 轮 ====================================");
        StringBuilder sb = new StringBuilder("\nUSER: ");
        if (this.showSystemMessage && chatClientRequest.prompt().getSystemMessage() != null) {
            sb.append("\n - SYSTEM: ").append(first(chatClientRequest.prompt().getSystemMessage().getText(), 300));
        }
        if (this.showAvailableTools) {
            Object tools = "No Tools";
            if (chatClientRequest.prompt().getOptions() instanceof ToolCallingChatOptions toolOptions) {
                tools = toolOptions.getToolCallbacks().stream()
                        .map(tc -> tc.getToolDefinition().name())
                        .toList();
            }
            sb.append("\n - TOOLS: ").append(ModelOptionsUtils.toJsonString(tools));
        }
        Message lastMessage = chatClientRequest.prompt().getLastUserOrToolResponseMessage();
        if (lastMessage.getMessageType() == MessageType.TOOL) {
            ToolResponseMessage toolResponseMessage = (ToolResponseMessage) lastMessage;
            for (var toolResponse : toolResponseMessage.getResponses()) {
                var tr = toolResponse.name() + ": " + first(toolResponse.responseData(), 1000);
                sb.append("\n - TOOL-RESPONSE: ").append(tr);
            }
        } else if (lastMessage.getMessageType() == MessageType.USER) {
            if (StringUtils.hasText(lastMessage.getText())) {
                sb.append("\n - TEXT: ").append(first(lastMessage.getText(), 1000));
            }
        }
        System.out.println("before: " + sb);
        return chatClientRequest;
    }

    @Override
    public ChatClientResponse after(ChatClientResponse chatClientResponse, AdvisorChain advisorChain) {
        StringBuilder sb = new StringBuilder("\nASSISTANT: ");
        if (chatClientResponse.chatResponse() == null || chatClientResponse.chatResponse().getResults() == null) {
            sb.append(" No chat response ");
            System.out.println("after: " + sb);
            return chatClientResponse;
        }
        for (var generation : chatClientResponse.chatResponse().getResults()) {
            var message = generation.getOutput();
            if (message.getToolCalls() != null) {
                for (var toolCall : message.getToolCalls()) {
                    sb.append("\n - TOOL-CALL: ").append(toolCall.name()).append(" (").append(toolCall.arguments()).append(")");
                }
            }
            if (message.getText() != null) {
                if (StringUtils.hasText(message.getText())) {
                    sb.append("\n - TEXT: ").append(first(message.getText(), 1200));
                }
            }
        }
        System.out.println("after: " + sb);
        return chatClientResponse;
    }

    private String first(String text, int n) {
        if (text.length() <= n) {
            return text;
        }
        return text.substring(0, n) + "...";
    }

    public static Builder builder() {
        return new Builder();
    }

    public static class Builder {
        private int order = 0;
        private boolean showSystemMessage = true;
        private boolean showAvailableTools = true;

        public Builder order(int order) {
            this.order = order;
            return this;
        }

        public Builder showSystemMessage(boolean showSystemMessage) {
            this.showSystemMessage = showSystemMessage;
            return this;
        }

        public Builder showAvailableTools(boolean showAvailableTools) {
            this.showAvailableTools = showAvailableTools;
            return this;
        }

        public MyLoggingAdvisor build() {
            MyLoggingAdvisor advisor = new MyLoggingAdvisor(this.order, this.showSystemMessage, this.showAvailableTools);
            return advisor;
        }
    }
}

2.2 准备用于评审的代码

我们直接使用一段文档分块工具类的代码作为待评审的内容，看下这段简单的文本分块工具会评审出什么内容。

package com.git.hui.springai.app.demo;

import org.springframework.ai.document.Document;
import java.util.ArrayList;
import java.util.List;

/**
 * 文档分块工具类
 * 将长文档分割成较小的块，以便更好地进行向量化和检索
 */
public class DocumentChunker {
    private final int maxChunkSize;
    private final int overlapSize;

    public static DocumentChunker DEFAULT_CHUNKER = new DocumentChunker();

    public DocumentChunker() {
        this(500, 50); // 默认值：最大块大小 500 个字符，重叠 50 个字符
    }

    public DocumentChunker(int maxChunkSize, int overlapSize) {
        this.maxChunkSize = maxChunkSize;
        this.overlapSize = overlapSize;
    }

    /**
     * 将文档分割成块
     *
     * @param document 输入文档
     * @return 分割后的文档块列表
     */
    public List<Document> chunkDocument(Document document) {
        String content = document.getText();
        if (content == null || content.trim().isEmpty()) {
            return List.of(document);
        }
        List<String> chunks = splitText(content);
        List<Document> chunkedDocuments = new ArrayList<>();
        for (int i = 0; i < chunks.size(); i++) {
            String chunk = chunks.get(i);
            String chunkId = document.getId() + "_chunk_" + i;
            // 创建新的文档块，保留原始文档的元数据
            Document chunkDoc = new Document(chunkId, chunk, new java.util.HashMap<>(document.getMetadata()));
            // 添加块相关的元数据
            chunkDoc.getMetadata().put("chunk_index", i);
            chunkDoc.getMetadata().put("total_chunks", chunks.size());
            chunkDoc.getMetadata().put("original_document_id", document.getId());
            chunkedDocuments.add(chunkDoc);
        }
        return chunkedDocuments;
    }

    /**
     * 将文本分割成块
     *
     * @param text 输入文本
     * @return 分割后的文本块列表
     */
    private List<String> splitText(String text) {
        List<String> chunks = new ArrayList<>();
        // 按多种分隔符分割，优先在语义边界处分割（包括中文句号、问号、感叹号等）
        String[] sentences = text.split("(?<=。)|(?<=！)|(?<=!)|(?<=？)|(?<=\\?)|(?<=\\n\\n)");
        StringBuilder currentChunk = new StringBuilder();
        for (String sentence : sentences) {
            // 跳过空句子
            if (sentence.trim().isEmpty()) {
                continue;
            }
            // 如果当前块加上新句子不超过最大大小，就添加到当前块
            if (currentChunk.length() + sentence.length() <= maxChunkSize) {
                if (currentChunk.length() > 0) {
                    currentChunk.append(sentence);
                } else {
                    currentChunk.append(sentence);
                }
            } else {
                // 如果当前块为空，但是单个句子太长，需要强制分割
                if (currentChunk.length() == 0) {
                    List<String> subChunks = forceSplit(sentence, maxChunkSize);
                    for (int i = 0; i < subChunks.size(); i++) {
                        String subChunk = subChunks.get(i);
                        // 如果不是最后一个子块，添加到当前块并保存
                        if (i < subChunks.size() - 1) {
                            chunks.add(subChunk);
                        } else {
                            currentChunk.append(subChunk);
                        }
                    }
                } else {
                    // 保存当前块
                    chunks.add(currentChunk.toString());
                    // 开始新块，包含重叠部分
                    currentChunk = new StringBuilder();
                    // 添加重叠部分，如果句子长度大于重叠大小，则只取末尾部分
                    if (sentence.length() > overlapSize) {
                        String overlap = sentence.substring(Math.max(0, sentence.length() - overlapSize));
                        currentChunk.append(overlap);
                        currentChunk.append(sentence);
                    } else {
                        currentChunk.append(sentence);
                    }
                }
            }
        }
        // 添加最后一个块
        if (currentChunk.length() > 0) {
            chunks.add(currentChunk.toString());
        }
        return chunks;
    }

    /**
     * 强制将长文本分割成指定大小的块
     *
     * @param text 输入文本
     * @param maxSize 最大块大小
     * @return 分割后的文本块列表
     */
    private List<String> forceSplit(String text, int maxSize) {
        List<String> chunks = new ArrayList<>();
        int start = 0;
        while (start < text.length()) {
            int end = Math.min(start + maxSize, text.length());
            String chunk = text.substring(start, end);
            chunks.add(chunk);
            start = end;
        }
        return chunks;
    }

    /**
     * 将多个文档分别分割成块
     *
     * @param documents 输入文档列表
     * @return 分割后的文档块列表
     */
    public List<Document> chunkDocuments(List<Document> documents) {
        List<Document> allChunks = new ArrayList<>();
        for (Document document : documents) {
            allChunks.addAll(chunkDocument(document));
        }
        return allChunks;
    }
}

2.3 核心实现

配置 Agent 实现代码评审。

Bean 定义与依赖注入

• CommandLineRunner: Spring 启动后自动执行的接口
• ChatClient.Builder: 用于构建聊天客户端
• @Value("${agent.skills.dirs:Unknown}"): 注入配置属性，获取技能目录资源列表

ChatClient 配置链

• 系统提示词配置
• 技能工具配置：
  • SkillsTool.builder().addSkillsResources(agentSkillsDirs).build(): 动态加载预定义的技能资源
  • FileSystemTools.builder().build(): 提供文件系统访问能力
  • ShellTools.builder().build(): 提供命令行执行能力
• Advisor 配置：
  • ToolCallAdvisor.builder().build(): 处理工具调用逻辑
  • MyLoggingAdvisor.builder().showAvailableTools(false).showSystemMessage(false).build(): 自定义日志记录，隐藏工具和系统消息详情

代码评审执行流程

请求执行通过 prompt() 构建提示词，.call() 发起 AI 请求，.content() 获取返回结果。

@Bean
CommandLineRunner commandLineRunner(ChatClient.Builder chatClientBuilder,
                                    @Value("${agent.skills.dirs:Unknown}") List<Resource> agentSkillsDirs) throws IOException {
    return args -> {
        ChatClient chatClient = chatClientBuilder
                // @formatter:off
                .defaultSystem("始终运用现有技能协助用户满足其要求.")
                // Skills tool
                .defaultToolCallbacks(SkillsTool.builder().addSkillsResources(agentSkillsDirs).build())
                // 支持读取系统文件内容，用于读取我们需要评审的代码
                .defaultTools(FileSystemTools.builder().build())
                // 支持执行脚本，如果 skills 中存在 script，那么这些脚本的执行，靠的就是它
                .defaultTools(ShellTools.builder().build())
                .defaultAdvisors(
                        // Tool Calling advisor
                        ToolCallAdvisor.builder().build(),
                        // Custom logging advisor
                        MyLoggingAdvisor.builder().showAvailableTools(false).showSystemMessage(false).build())
                .build();
        // @formatter:on
        var answer = chatClient
                // 下面具体的代码位置，请根据实际的位置进行替换
                .prompt("""
                        按照最佳实际的方式，评审下面的代码实现：D:\\Workspace\\hui\\project\\spring-ai-demo\\v2\\T01-agentic-skills-simple-design\\src\\main\\java\\com\\git\\hui\\springai\\app\\demo\\DocumentChunker.java
                        """)
                .call()
                .content();
        System.out.println("The Answer: " + answer);
    };
}

2.4 执行演示

启动项目，验证一下效果如何（在启动命令行参数中，配置上大模型的 api-key，当然也可以直接在 yml 配置文件中进行配置）。

@Slf4j
@SpringBootApplication
public class T01Application {
    public static void main(String[] args) {
        SpringApplication.run(T01Application.class, args);
    }
}

从运行结果可以看出，系统与大模型之间进行了三轮对话：

1. 第一轮：用户的原始诉求 -> 大模型
   • 大模型识别到需要进行代码评审，给系统响应 {"command":"code-reviewer"}
2. 第二轮：系统接收到响应之后，读取 skills 的约束进行响应
   • 大模型返回需要读取需要评审的代码内容，对应的响应为 {"filePath":"D:\\Workspace\\hui\\project\\spring-ai-demo\\v2\\T01-agentic-skills-simple-design\\src\\main\\java\\com\\git\\hui\\springai\\app\\demo\\DocumentChunker.java"}
3. 第三轮：系统读取代码内容，发送给大模型
   • 大模型返回评审结果

下面是完整的返回文本，有兴趣的小伙伴可以看看：

基于对代码的详细分析，我为您提供以下代码评审报告：
## 📋 代码评审报告 - DocumentChunker.java
### ✅ **优点**
1. **功能完整性强**：代码实现了完整的文档分块功能...
### ⚠️ **需要改进的问题**
#### 1. **线程安全问题**
// 问题：静态实例不是线程安全的
public static DocumentChunker DEFAULT_CHUNKER = new DocumentChunker();
**建议**：使用 `volatile` 或 `AtomicReference`，或者移除静态实例让用户自己管理。
#### 2. **参数验证不足**
// 问题：构造函数没有参数验证
public DocumentChunker(int maxChunkSize, int overlapSize) { ... }
**建议**：添加参数验证，确保 `maxChunkSize > 0` 且 `overlapSize < maxChunkSize`。
...
### 🎯 **总体评价**
这是一个功能完整、设计合理的文档分块工具类，主要问题集中在线程安全、参数验证和代码可维护性方面。通过上述改进，可以显著提升代码的健壮性和可维护性。

三、小结

SpringAI 的 Agent 开发范式配合 Skills 机制，非常简单就实现了 AI 应用的工程化。整个过程实现下来，门槛还是比较低的。

实现方式虽然简单，但是这个背后的设计哲学、开发思维的转变，还是很值得我们学习参考的——在 AI 时代，如何将我们现有的技能（如可复用、模块化思设计等）转变到大模型应用开发，这可能是我们每一个程序员最大的财富。

Spring AI 采用基于工具的集成方法，通过实现各种工具，使任何 LLM 都能回调执行。Skills 的运行过程，通常是下面三步：

1. 发现（启动阶段）
   • 通过 SKILL.md 文件中的元数据，快速实现技能的安装注册
2. 语义匹配（对话过程中）
   • 当用户发出请求时，LLM 会检查工具定义中嵌入的技能描述。如果 LLM 判断用户请求在语义上与某个技能的描述匹配，则会调用该技能工具，并将技能名称作为参数传递给它。
3. 执行（技能调用时）
   • 当调用技能工具时，SkillsTool 会从磁盘加载完整的 SKILL.md 内容，并将其与技能的基础目录路径一起返回给大型语言模型（LLM）。然后，LLM 会按照技能内容中的指令执行。如果技能引用了其他文件或辅助脚本，LLM 会使用 FileSystemTools 的 Read 函数或 ShellTools 的 Bash 函数来按需访问它们