如何用 AI-Meeting 搭建自己的 AI 助手:Agent 智能体配置与星云工作流绑定实战

原创2026-10-16 17:21:221,439 阅读

如何用 AI-Meeting 搭建自己的 AI 助手:Agent 智能体配置与星云工作流绑定实战

AI-Meeting 是一个基于 Spring Boot 3 + Java 17 + Spring AI + MySQL + MongoDB + Redis 的 AI 智能助手后端项目,内置 AI 对话、智能体会话、AI 模拟面试、实时语音转写等能力。本文以"Agent 智能体配置"为核心,手把手带你把 AI-Meeting 的智能体接入讯飞星云工作流(XingChen Workflow),只需配好 4 个字段,就能让后端业务场景调用你自己编排好的 AI 工作流,轻松搭建属于你自己的 AI 助手。

AI-Meeting 平台首页登录界面,展示 AI 智能助手入口

先搞清楚:AI-Meeting 里的"智能体"到底是什么?

一句话:智能体 = 一条数据库记录 = 一组星云工作流的访问凭据 + 工作流 ID。

它对应的实体是 AgentPropertiesDO.java,映射到 MySQL 的 agent_properties 表,核心字段只有 4 个:

字段 含义 从哪来
agentName 智能体名称(中文,如"面试出题官"),业务场景靠它绑定 自己起名
apiKey 鉴权 key 讯飞开放平台 API Key
apiSecret 鉴权密钥 讯飞开放平台 API Secret
apiFlowId 星云工作流 ID,决定实际调用哪个工作流 星云平台发布工作流后获得

除了这 4 个字段,还可以挂标签(前端、后端、人工智能等分类),标签类型定义在 AgentTagType.java。

💡 记住这个模型:改工作流不用改代码。想换提示词、换模型、加节点,去星云平台改完工作流、把新的 apiFlowId 更新进数据库即可。

AI 面试提问环节界面,智能体基于星云工作流驱动多轮对话

三步创建并配置你自己的 Agent 智能体

第一步:在星云平台编排并发布工作流

到讯飞星云(XingChen)大模型平台,用可视化画布编排你的工作流:拖入开始节点、大模型节点、结束节点,配置提示词和变量。发布后你会拿到一个 工作流 ID(FlowId)——后面配置要用。

项目里附带了 5 个现成的工作流模板(YAML 格式,可直接参考节点与变量定义):

打开任何一个模板看一眼,你会发现开始节点固定暴露了两个输入变量:

  • AGENT_USER_INPUT:用户本轮对话输入内容
  • USER_FILE:用户文件(如简历 PDF)

这就是后端与星云工作流之间的"契约"——AI-Meeting 的 XingChenAIClient.java 每次调用都会把用户输入塞进 AGENT_USER_INPUT、上传后的文件地址塞进 USER_FILE(见 buildParameters 方法)。所以你的工作流只要遵守这个输入约定,就能无缝被后端调用。

第二步:把智能体录入 agent_properties

有三种录入方式,新手任选其一:

  1. 直接执行项目内置种子数据:agent_properties.sql 已经预置了"面试出题官""神态分析官""用户答案评分官""面试提问官"4 条记录,初始化数据库后即可开箱使用(其中的 Key 是示例值,请替换成你自己的)。
  2. 调用配置管理接口:AgentPropertiesController.java 提供了完整的 REST 接口(路径前缀 /api/xunzhi/v1/agent-properties):
    • POST 创建智能体
    • PUT 更新智能体(换 FlowId 就靠它)
    • GET / GET /byName 分页查询 / 按名称查询
    • DELETE /{id} 逻辑删除
  3. 直接操作数据库:手工 INSERT 一条记录,字段含义见上文表格。

创建时填写的请求体结构定义在 AgentPropertiesReqDTO.java,包含 agentName、apiKey、apiSecret、apiFlowId 以及可选的 tagCodes 标签列表。

简历上传后由智能体在线解析并生成面试题

第三步:把业务场景绑定到你的智能体

这是最关键、也是最容易忽略的一步——代码里的业务场景,是靠 agentName(中文名)找到你的智能体配置的。

AI-Meeting 预定义了 5 个业务场景(定义在 BusinessAgentScene.java):

场景 code 默认智能体名 别名 干什么用
general-agent-chat 通用智能体 - 通用 AI 聊天助手
interview-question-extraction 面试出题官 面试题出题官 解析简历、生成面试题
interview-answer-evaluation 用户答案评分官 面试答案评分官 给候选人回答打分
interview-demeanor 神态分析官 神态评分面试官、表情分析面试官 仪态/表情分析
interview-question-asking 面试提问官 - 面试提问

每个场景在 application.yaml 的 xunzhi-agent.agent-binding 下都有一个绑定配置,且支持用环境变量覆盖,例如:

  • interview-question-extraction: ${XUNZHI_AGENT_INTERVIEW_QUESTION_EXTRACTION:面试出题官}

意思是:默认用名为"面试出题官"的智能体;如果你把自己的智能体起名叫"我的出题专家",启动时设置环境变量 XUNZHI_AGENT_INTERVIEW_QUESTION_EXTRACTION=我的出题专家 即可完成绑定,全程零代码改动。

绑定解析的查找顺序:为什么有时候"配了却找不到"?

解析逻辑实现在 BusinessAgentResolver.java,规则非常清晰:

  1. 先读 agent-binding 里配置的场景绑定名,若存在,优先用它去查 agent_properties 表;
  2. 查不到,再依次尝试场景枚举中的默认名和别名;
  3. 第一个命中的智能体配置即生效,并打印 Resolved business agent scene=... 日志;
  4. 全部落空,则抛出 AGENT_CONFIG_NOT_FOUND 异常。

配置名与数据库记录不一致时会有 fallback 告警日志,排查思路可以参考项目自带的避坑清单 agent-domain gotchas.md 和场景绑定说明 agent-binding.md,核心提醒只有一条:

⚠️ 改名要两处同步——改了 agent-binding 里的配置名,就要保证 agent_properties 表里有同名记录;反之亦然。

另外,AgentPropertiesLoader.java 会在应用启动时把所有未删除的智能体加载进内存缓存,查询时先走缓存、未命中再回源数据库。所以更新智能体后重启应用或让缓存自然刷新是最稳妥的生效方式。

一次真实的调用链路长什么样?

以通用聊天为例,整条链路如下(源码均在 AgentController.java 与面试域服务中可查证):

  1. 前端 POST /api/xunzhi/v1/agents/sessions 创建会话,后端按 general-agent-chat 场景解析出智能体,把它的 id 记到会话上;
  2. 前端 POST /agents/sessions/{sessionId}/chat 发起对话;
  3. 后端取出该会话绑定的智能体配置(apiKey / apiSecret / apiFlowId),交给 XingChenAIClient 请求星云工作流接口 workflow/v1/chat/completions,请求头携带 Authorization: Bearer {apiKey}:{apiSecret},请求体携带 flow_id、chat_id(多轮记忆)和 parameters(用户输入);
  4. 支持 SSE 流式返回,前端实现打字机效果;面试域还叠加了分布式 Single-flight 防重、AI 调用防护等工程能力。

面试追问环节,多个智能体协同完成追问与评分

新手常见问题速查

现象 检查点
启动或对话时报 AGENT_CONFIG_NOT_FOUND agent_properties 表里是否存在与场景默认名/别名同名的记录
配了新 FlowId 但行为没变 是否走了更新接口/重启应用,让 AgentPropertiesLoader 缓存刷新
工作流侧收不到用户输入 开始节点是否定义了 AGENT_USER_INPUT 变量(契约见 XingChenAIClient.java 的 buildParameters)
上传简历后工作流拿不到文件 开始节点是否声明了 USER_FILE 变量,且文件类型在白名单内(如 pdf)
想给自己的场景绑一个完全自定义的智能体 用 agentName 起名 + 环境变量覆盖 agent-binding 配置,无需改代码

写在最后

回顾一下你刚才完成的事:

  • ✅ 理解了"智能体 = 凭据 + FlowId"的核心模型;
  • ✅ 用模板或星云平台编排了工作流,并遵守 AGENT_USER_INPUT / USER_FILE 输入契约;
  • ✅ 通过 agent_properties.sql 或 REST 接口录入智能体;
  • ✅ 借助 xunzhi-agent.agent-binding 配置把业务场景绑定到你的智能体。

面试结果分析与雷达图,多智能体评估的最终呈现

至此,AI-Meeting 的后端业务已经由你的星云工作流在驱动——改提示词、加节点、换模型都不再需要动 Java 代码。想深入细节,可以继续阅读 Agent 场景索引 与 Agent 模块源码目录 agent/,把这套"配置即智能体"的思路迁移到你自己的 Spring Boot AI 项目里。

登录后查看全文
AI-Meeting