从0到1，用 LangGraph4j + Spring AI 搭一个多 Agent 应用

举个简单的例子。

用户说"帮我推荐武汉的旅游攻略"，背后至少需要四步，查天气、根据天气推荐游玩项目、根据项目推荐美食、把所有结果整合成一篇图文。

四步分别需要不同的提示词和工具，硬塞进一个 Agent 里，提示词很容易就膨胀到没办法维护。

这篇内容用一个旅游推荐的案例，演示怎么用 LangGraph4j + Spring AI 把四个 Agent 编排成一张有向图。

01、为什么需要多 Agent？

先看一个具体的需求。

用户输入一个地址，系统先查询当地天气。如果用户还要求做旅游推荐，就继续调用旅游 Agent 和美食 Agent，最后生成一篇小红书风格的图文攻略；如果只是问天气，直接返回天气预报就结束了。

这个需求拆下来有四个 Agent。

• 天气 Agent 通过 Function Call 调用天气工具，拿到实时天气数据
• 旅游 Agent 根据天气推荐适合当前天气的游玩项目
• 美食 Agent 根据游玩项目推荐附近美食，用结构化输出返回 Java 对象
• 图文 Agent 把前面所有结果整合成一篇小红书风格的内容

02、LangGraph4j 把 Agent 变成了一张图

LangGraph4j 是 LangGraph 的 Java 实现，它提供了一种编排多个 Agent 的方式，把协作关系描述成一张有向图。

State 是图的全局共享状态。所有 Node 共享同一份 State 实例，每个 Node 执行完之后把结果写回 State，下一个 Node 从 State 里读取前置数据。

Node 是处理节点，每个 Node 对应一个 Agent。它接收当前的 State，执行自己的逻辑（通常是调用一次大模型），返回一个 Map<string, object=""> 写回 State。

Edge 是节点之间的连线，决定了执行顺序。A → B 表示 A 执行完之后自动轮到 B。

ConditionalEdge 是条件分支，根据 State 中的内容决定走哪条路。比如"用户要推荐就走旅游 Agent，不要推荐就直接跳到图文 Agent"。

new StateGraph<>(TravelState.serializer())
    .addNode("weatherAgent", node_async(weatherAgent::callWeatherAgent))
    .addNode("travelAgent", node_async(travelAgent::callTravelAgent))
    .addNode("foodAgent", node_async(foodAgent::callFoodAgent))
    .addNode("xhsAgent", node_async(xhsBlogAgent::callResponseAgent))
    .addEdge(START, "weatherAgent")
    .addConditionalEdges("weatherAgent", edge_async(shouldContinue), ...)
    .addEdg...</string,>