dodo-agentx 各个功能，底层靠的都是 spring-ai-agentx 框架。那它和 Spring AI 是什么关系、目前有哪些功能特性、后续还会增加什么功能、和 spring-ai-alibaba 的方案有什么不同，针对这些问题，我们来一一介绍一下。
和 Spring AI 是什么关系
Spring AI 提供了与 LLM 交互的基础组件：ChatClient 负责模型调用，ToolCallback 负责工具注册与执行，ChatMemory 负责会话记忆，VectorStore 负责向量检索。spring-ai-agentx 完全基于这些组件构建，不重复造轮子。 但要做真正可用的 Agent，只是有这些基础组件还远远不够。React 推理循环、多轮工具调用、长上下文管理、人机协作、中断恢复、TodoWrite自主规划、ToolSearch减少工具上下文、异常重试......这些能力 Spring AI 并没有提供完整的解决方案。 Spring AI 其实也发现了这部分的问题，推出了 spring-ai-agent-utils 试图补充这块，方向没问题，但是整体更新进度已经明显落后了。 agentx 做的就是在 Spring AI 之上，把 ChatClient、ToolCallback、ChatMemory 这些组件编排成一个完整的 Agent 运行时。
和 spring-ai-alibaba 的差异
同样是在 Spring AI 之上构建 Agent 层，spring-ai-alibaba 走的是另一条路——借鉴 LangGraph，把 Agent 建模为一张有向图：每个执行步骤是一个节点，节点之间通过边连接，整体执行状态由 State 统一维护。 Graph 的表达能力很强，适合流程固定、分支明确、需要可视化编排的复杂工作流。但对于偏推理型、需要高度动态决策的 Agent，会有一些工程上的权衡： - 即使是简单的 ReAct 循环，也得先把执行流程拆成节点、边和状态，再交给 Graph 运行时调度。开发者要按 Graph 的方式组织代码，而不是直接描述执行逻辑。 - 执行过程由 Graph 运行时调度，真正的执行链路分散在节点、边和状态迁移之间，调试和排查问题需要更多上下文。 - 想在推理过程中动态调整逻辑、插入自定义事件、细粒度控制流式输出或扩展生命周期，都得围绕 Graph 的机制来做，没法直接在执行流程里改。 agentx 没有引入 Graph 抽象，而是直接基于 Reactor 的响应式流构建 Agent Runtime。ReAct 循环就是一条响应式流水线，流式输出对应 Flux，工具调用通过响应式组合实现并发，整个执行过程保持线性代码结构，想在哪一步介入都行。 而且响应式模型天然适配 Agent 场景：流式输出、异步工具调用、中间事件推送、执行状态传播，本质上都是异步数据流。
目前有哪些功能特性
响应式驱动
整个 Agent 由 Reactor 响应式流驱动：
用户请求
│
▼
ReactAgent.callForResult() / streamForResult()
│
▼
AgentLoopExecutor —— ReAct 循环引擎
│
├─ 构建消息列表（系统提示 + 记忆 + 历史 + 当前问题）
├─ LLM 推理 → Reactor Flux 异步推送事件
├─ 判断工具调用 → 并发执行工具
├─ 上下文压缩（micro_compact / auto_compact）
└─ 循环直到无工具调用
│
▼
返回 AgentResult / Flux<AgentStreamEvent>
执行流程就是一段线性代码，每一步都可以方便地介入。 这里有一个关键设计：不论是 callForResult（同步）还是 streamForResult（流式），底层调的都是大模型的流式接口（stream=true）。同步调用本质上就是流式的阻塞实现，等所有 chunk 到齐后拼装返回。这样做的好处是底层只需要一套实现，不用维护两套逻辑。而且流式管道天然支持分阶段输出、中途取消、实时推送工具执行状态，灵活性相对更好。
统一入口
agentx 对外只有一个核心类：ReactAgent。所有能力通过 Builder 配置组合，一个最简的 Agent 只需要 chatModel，其他全是可选：
ReactAgent
核心能力
当前版本 v1.0.0-M2，框架提供的能力： | 能力 | 说明 | | --- | --- | | ReAct 执行引擎 | AgentLoopExecutor | | 分层记忆体系 | 短期记忆（JDBC 会话表）+ 会话摘要（向量库，溢出自动压缩）+ 跨会话全局知识（向量库，承担用户画像职能）三层协作 | | 工具管理 | 内置 FileSystem/Bash/Grep/Python + Spring AI | | ToolSearch 延迟加载 | 工具超过一定数量时，alwaysLoad + deferred 分级管理，LLM 按需通过 | | Human-in-the-Loop | PauseAdvisor | | 中断与恢复 | PauseState | | 上下文压缩 | 两层策略：micro_compact 每轮自动替换旧工具响应为 JSON 占位符（不调 LLM），auto_compact 超 token 阈值时 LLM 生成结构化摘要 | | SubAgent 子代理 | 主 Agent 将任务委派给专门的子 Agent，独立 context window，事件流携带来源标识 | | 思考模型适配 | 统一适配 DeepSeek/Qwen3 的 | | TodoWrite 任务追踪 | 结构化任务列表工具，LLM 自动维护多步骤任务的 pending / in_progress / completed 状态 | | 分阶段输出 | StageOutputProvider | | TraceAudit 追踪审计 | 记录每轮 LLM 调用的请求/响应/token 用量/耗时，OpenAI 兼容格式便于回放和问题定位 | | 任务管理与并发控制 | 同会话并发请求拒绝、外部中断正在执行的流式任务 | | 异常处理与重试 | 透明重试（默认 3 次），流式模式实时推送重试状态事件 |
更多细节可以看源码：
基于原生 Spring AI 的智能体（Agent）开发框架，提供 ReAct 执行引擎、分层记忆、工具调度、Human-in-the-Loop 等核心能力，形成完整的 Harness Engineering 方案，帮助开发者快速构建 AI Agent，可以快速搭建 Java 版的 Claude Code。 - bigchuidw3/spring-ai-agentx
框架功能会讲什么
本章节将以 DataAgent 为业务驱动，重点介绍以下功能： | 功能 | 解决的问题 | | --- | --- | | ToolSearch 工具检索 | 解决业务工具数量增长后，工具描述占用大量上下文、模型选择工具困难的问题，介绍工具渐进式披露和动态加载机制 | | RunnableParams 动态参数 | 通过 RunnableParams 动态覆盖工具参数，精准控制工具行为 | | TodoWrite 任务管理 | 解决复杂任务执行过程中容易遗漏步骤、执行过程不可见的问题，介绍 Agent 如何维护任务计划以及任务状态如何同步 | | 中断与恢复机制 | 解决长流程任务执行过程中暂停、失败后无法继续的问题，介绍 Agent 状态快照保存以及恢复执行机制 |
每个功能会从三个层面展开： 1. 业务场景：为什么需要这个能力，以及它解决了什么实际问题 2. 框架实现：agentx 底层如何设计和实现该能力 3. 业务使用：在 DataAgent 中如何接入和使用该能力 通过这些功能的源码实现分析，帮助开发者不仅了解这些能力的作用，更理解这些能力背后的设计思路和实现原理。