对话模型快速开始

概述

Agents-Flex 用统一的 ChatModel 接口连接 OpenAI、DeepSeek、Qwen 以及其他兼容服务。业务代码只需要准备 模型配置并调用 chat() 或 chatStream()，切换服务商时通常不需要改写对话流程。

本篇从一个空 Maven 项目开始，完成同步对话、流式输出和多轮消息。第一次接入只需关注四个对象：

对象	作用
OpenAIChatConfig	配置 Endpoint、API Key 和默认模型
ChatModel	提供统一的同步与流式调用接口
Prompt	组织系统消息、用户消息、历史消息和工具
ChatOptions	覆盖本次请求的模型、温度、最大 Token 等参数

适用场景

后端生成与文本处理

摘要、分类、改写、信息抽取等任务通常使用同步 chat()，业务在一次调用后取得完整结果。

聊天界面实时输出

网页或 App 聊天希望尽快显示首字时，使用 chatStream() 逐片接收内容，并在结束或失败回调中更新页面状态。

多轮助手与 Agent

客服、知识助手和 Tool Calling Agent 需要使用 Prompt 保存多条消息，并在每轮把模型回复和工具结果加入后续 请求。需要跨请求保存历史时，再配合 MemoryPrompt。

OpenAI 兼容服务迁移

自建网关或第三方服务实现 Chat Completions 协议时，可以复用 OpenAIChatConfig，覆盖 endpoint、 requestPath 和模型名。

本教程将带你完成第一次 Agents-Flex 模型调用。结束时，你将拥有一个可以运行的 Java 程序，并掌握：

• 如何接入 OpenAI 或兼容 OpenAI Chat Completions 协议的模型服务；
• 如何进行同步调用与流式输出；
• 如何使用 MemoryPrompt 保存多轮对话上下文；
• 下一步如何为模型加入工具、知识与智能体能力。

整个过程不依赖 Spring Boot。已有 Spring Boot 项目的开发者也可以直接使用相同 API。

快速开始

准备工作

开始前请确认本地已经具备：

• JDK 8 或更高版本；
• Maven 3.6 或更高版本；
• 一个可用的模型服务 API Key；
• 对应服务商支持的模型名称。

可以通过以下命令检查环境：

java -version
mvn -version

Agents-Flex 的主要模块支持 JDK 8 或更高版本。若后续使用 MCP 模块，则需要 JDK 17 或更高版本。

创建项目

新建一个普通 Maven 项目，目录结构如下：

agents-flex-quickstart/
├── pom.xml
└── src/main/java/com/example/ChatQuickStart.java

在 pom.xml 中加入 OpenAI 对话模块：

<?xml version="1.0" encoding="UTF-8"?>
<project xmlns="http://maven.apache.org/POM/4.0.0"
         xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
         xsi:schemaLocation="http://maven.apache.org/POM/4.0.0
                             https://maven.apache.org/xsd/maven-4.0.0.xsd">
    <modelVersion>4.0.0</modelVersion>

    <groupId>com.example</groupId>
    <artifactId>agents-flex-quickstart</artifactId>
    <version>1.0-SNAPSHOT</version>

    <properties>
        <maven.compiler.source>8</maven.compiler.source>
        <maven.compiler.target>8</maven.compiler.target>
        <project.build.sourceEncoding>UTF-8</project.build.sourceEncoding>
        <agents-flex.version>2.2.9</agents-flex.version>
    </properties>

    <dependencies>
        <dependency>
            <groupId>com.agentsflex</groupId>
            <artifactId>agents-flex-chat-openai</artifactId>
            <version>${agents-flex.version}</version>
        </dependency>
    </dependencies>
</project>

这里使用的是最小对话依赖。若希望一次引入 Agents-Flex 的模型、向量库、工具与智能体模块，也可以使用聚合依赖：

<dependency>
    <groupId>com.agentsflex</groupId>
    <artifactId>agents-flex-bom</artifactId>
    <version>2.2.9</version>
</dependency>

Gradle 项目可以使用：

implementation 'com.agentsflex:agents-flex-chat-openai:2.2.9'

最新版本可以在 Maven Central 查看。

配置 API Key

不要把 API Key 直接写进代码或提交到代码仓库。建议通过环境变量传入：

macOS / Linux：

export AI_API_KEY="your-api-key"
export AI_MODEL="gpt-4o"

Windows PowerShell：

$env:AI_API_KEY="your-api-key"
$env:AI_MODEL="gpt-4o"

如果使用兼容 OpenAI 协议的其他服务，再设置它的 API 地址。例如：

export AI_ENDPOINT="https://your-provider.example.com"

AI_ENDPOINT 应填写服务根地址，不要重复包含 /v1/chat/completions。请求路径会单独配置。

完成第一次对话

创建 src/main/java/com/example/ChatQuickStart.java：

package com.example;

import com.agentsflex.core.model.chat.ChatModel;
import com.agentsflex.model.chat.openai.OpenAIChatConfig;

public class ChatQuickStart {

    public static void main(String[] args) {
        String apiKey = requireEnv("AI_API_KEY");
        String modelName = envOrDefault("AI_MODEL", "gpt-4o");
        String endpoint = envOrDefault("AI_ENDPOINT", "https://api.openai.com");

        ChatModel chatModel = OpenAIChatConfig.builder()
            .provider("openai-compatible")
            .endpoint(endpoint)
            .requestPath("/v1/chat/completions")
            .apiKey(apiKey)
            .model(modelName)
            .buildModel();

        String answer = chatModel.chat("请用三句话介绍 Agents-Flex");
        System.out.println(answer);
    }

    private static String requireEnv(String name) {
        String value = System.getenv(name);
        if (value == null || value.trim().isEmpty()) {
            throw new IllegalStateException("请先设置环境变量 " + name);
        }
        return value.trim();
    }

    private static String envOrDefault(String name, String defaultValue) {
        String value = System.getenv(name);
        return value == null || value.trim().isEmpty() ? defaultValue : value.trim();
    }
}

在 IDE 中运行 ChatQuickStart.main()，或者在项目目录执行：

mvn compile exec:java -Dexec.mainClass="com.example.ChatQuickStart"

如果程序输出了模型回复，第一次调用就完成了。

配置项分别做什么

配置	作用	OpenAI 默认值
provider	服务商标识，便于日志、观测与区分实例	openai
endpoint	模型服务根地址	https://api.openai.com
requestPath	Chat Completions 请求路径	/v1/chat/completions
apiKey	服务端鉴权凭证	无，必须提供
model	服务商提供的模型名称	gpt-3.5-turbo

示例显式配置了关键字段，因此切换到其他 OpenAI 兼容服务时，通常只需改变环境变量和必要的请求路径，业务调用仍然是同一个 ChatModel。

使用流式输出

同步 chat() 会等待模型生成完整内容后一次返回。聊天界面通常更适合使用 chatStream()，在模型生成时逐段显示内容。

下面是一个完整的流式示例：

package com.example;

import com.agentsflex.core.model.chat.ChatModel;
import com.agentsflex.core.model.chat.StreamResponseListener;
import com.agentsflex.core.model.chat.response.AiMessageResponse;
import com.agentsflex.core.model.client.StreamContext;
import com.agentsflex.model.chat.openai.OpenAIChatConfig;

import java.util.concurrent.CountDownLatch;
import java.util.concurrent.TimeUnit;

public class StreamingChatQuickStart {

    public static void main(String[] args) throws InterruptedException {
        ChatModel chatModel = OpenAIChatConfig.builder()
            .apiKey(System.getenv("AI_API_KEY"))
            .model(System.getenv().getOrDefault("AI_MODEL", "gpt-4o"))
            .endpoint(System.getenv().getOrDefault("AI_ENDPOINT", "https://api.openai.com"))
            .requestPath("/v1/chat/completions")
            .buildModel();

        CountDownLatch completed = new CountDownLatch(1);

        chatModel.chatStream("解释 Java 中的虚拟线程", new StreamResponseListener() {
            @Override
            public void onOpen(StreamContext context) {
                System.out.println("开始生成：");
            }

            @Override
            public void onMessage(StreamContext context, AiMessageResponse response) {
                String delta = response.getMessage().getContent();
                if (delta != null) {
                    System.out.print(delta);
                }
            }

            @Override
            public void onError(StreamContext context, Throwable throwable) {
                System.err.println("调用失败：" + throwable.getMessage());
                // 流可能在 onOpen 之前失败，此时不会再调用 onClose。
                completed.countDown();
            }

            @Override
            public void onClose(StreamContext context) {
                System.out.println(context.isError() ? "\n流异常关闭" : "\n生成完成");
                completed.countDown();
            }
        });

        if (!completed.await(2, TimeUnit.MINUTES)) {
            throw new IllegalStateException("等待模型响应超时");
        }
    }
}

response.getMessage().getContent() 是本次收到的增量内容，适合直接追加到控制台或前端界面。getFullContent() 是截至当前已经收到的完整内容，适合需要覆盖刷新整个文本区域的场景。

在 Web 应用中，不需要使用 CountDownLatch 阻塞请求线程。应在监听器回调中把增量转发给浏览器的 SSE、WebSocket 或其他流式通道。这里等待完成只是为了让命令行示例稳定退出。

进行多轮对话

每次调用 chat(String) 都是一次独立对话。要让模型理解“它”“刚才那个方案”等上下文，需要使用 MemoryPrompt 保存历史消息。

import com.agentsflex.core.model.chat.ChatModel;
import com.agentsflex.core.model.chat.response.AiMessageResponse;
import com.agentsflex.core.prompt.MemoryPrompt;

MemoryPrompt prompt = new MemoryPrompt();
prompt.setSystemMessage("你是一名严谨的 Java 架构师，回答要简洁并给出理由。");

prompt.addUserMessage("为订单服务设计一个缓存方案。");
AiMessageResponse first = chatModel.chat(prompt);
System.out.println(first.getMessage().getContent());

// 把模型回复加入历史，再发起下一轮。
prompt.addMessage(first.getMessage());
prompt.addUserMessage("刚才的方案在缓存穿透时应该怎么处理？");

AiMessageResponse second = chatModel.chat(prompt);
System.out.println(second.getMessage().getContent());
prompt.addMessage(second.getMessage());

MemoryPrompt 默认使用 JVM 内存保存消息，并在请求时携带最近 100 条。实际业务通常会为每个会话创建独立的 ChatMemory，并根据 Token 成本、模型上下文窗口和数据保留要求实现持久化或裁剪策略。详细说明见 Memory 记忆。

chatModel.chat(prompt) 不会自动把模型回复写回 MemoryPrompt。应用需要像示例一样明确保存 AiMessage，这样更容易控制哪些中间消息应该进入长期对话历史。

接入其他模型服务

OpenAI 兼容服务

对于实现了 OpenAI Chat Completions 协议的服务，继续使用 agents-flex-chat-openai 即可：

ChatModel chatModel = OpenAIChatConfig.builder()
    .provider("your-provider")
    .endpoint("https://your-provider.example.com")
    .requestPath("/v1/chat/completions")
    .apiKey(System.getenv("AI_API_KEY"))
    .model("your-model-name")
    .buildModel();

如果厂商的路径、请求字段或流式协议与 OpenAI 不完全一致，请使用 Agents-Flex 提供的 Qwen、DeepSeek、Ollama 等专用模块，或通过 ChatRequestSpecBuilder、ChatClient 和消息解析器扩展协议。详见 ChatConfig、ChatClient 与 ChatRequestSpecBuilder。

常见问题

提示 apiKey must be set

AI_API_KEY 未设置或当前 IDE 没有读取到终端环境变量。可以在 IDE 的 Run Configuration 中单独配置环境变量，然后重新运行。

返回 HTTP 401 或 403

API Key 无效、过期，或者没有访问目标模型的权限。请先在服务商控制台确认密钥和模型授权。

返回 HTTP 404

通常是 endpoint 与 requestPath 拼接错误。例如 endpoint 已经包含 /v1，同时 requestPath 又设置为 /v1/chat/completions。确保两者组合后正好是服务商要求的完整地址。

提示模型不存在

model 必须使用服务商 API 接受的模型标识，不一定等于控制台显示名称。确认账号所在区域、Endpoint 和模型名称属于同一服务。

流式调用没有任何输出

确认服务端支持 SSE 流式响应，并检查 onError() 中的异常。部分兼容服务返回的事件格式并不完全遵循 OpenAI 协议，此时需要使用对应厂商模块或自定义流式解析器。

日志中出现了请求内容

对话日志默认开启。处理敏感数据时，可以在 Builder 中使用 .logEnabled(false)，并结合 可观测性配置 制定日志、追踪和脱敏策略。无论是否开启日志，都不要把 API Key 写入 Prompt、异常信息或业务日志。

下一步

完成模型调用后，可以沿着实际需求继续扩展：

• 让模型调用 Java 方法或业务 API：Function Call
• 构建可暂停、恢复并持续调用工具的运行时：Agent 智能体
• 连接标准化外部工具：MCP
• 加载可复用的脚本与能力包：Skills
• 接入企业文档和向量数据库：RAG
• 用自然语言安全查询数据库：Text2SQL
• 在多个模型节点之间负载均衡和故障切换：模型路由

你也可以直接运行仓库中的 Hello World Demo，再从一个真实例子开始修改。