框架选型边界：什么时候用 Spring AI，什么时候上 AgentScope

1. 本节产出

一张清晰的选型边界表：什么场景用 Spring AI 自带的编排就够，什么场景需要 AgentScope 或自研编排；以及一个**「先轻后重」的演进路径**，避免一开始就上重型框架。

2. 前置依赖

• 03-01 ReAct 范式：已手写过 ReAct 循环

3. 为什么选型会出问题

两种典型失败：

失败一：一上来就上重型框架。 团队用 AgentScope 做了一个只需要「查天气 + 查订单」的单 Agent，结果：

• 学习成本：团队两周才搞清楚消息机制；
• 调试困难：出问题时不知道是框架行为还是自己代码；
• 部署复杂：多了一套运行时依赖。

而这两件事用手写循环 60 行就能做完。

失败二：什么都自己写。 另一个团队拒绝任何框架，自己实现了消息总线、状态机、工具注册。半年后发现：

• 代码 8000 行，只有最初写的人能改；
• 缺少的功能（并发、重试、追踪）不断补，越补越乱；
• 换模型厂商要改三处。

判断标准：框架的价值不在「让你能写 Agent」，而在「替你处理你不擅长的基础设施」。

4. 核心原理

4.1 能力对照

能力	Spring AI 2.0	AgentScope Java	自研
模型调用与多厂商	✅ 原生	✅	自己适配
Tool 注册与调用	✅ @Tool	✅ Toolkit	自己写
ReAct 单 Agent	⚠️ 需自己写循环	✅ 原生	60 行
Advisor / 拦截器链	✅ 成熟	⚠️ 较弱	自己写
多 Agent 协作（Supervisor/Handoff）	❌ 无	✅ 原生	大量工作
分布式 Agent / 跨进程	❌	✅ 设计目标	不现实
状态持久化	⚠️ 自己做	✅ 有抽象	自己写
与 Spring 生态集成	✅ 天然	⚠️ 需桥接	—
学习曲线	低	中高	—
版本稳定性	中（迭代快）	低（演进中）	—

4.2 决策规则

需求判断：

Q1：是否需要多个 Agent 协作（分工、辩论、流水线）？
    是 → 考虑 AgentScope
    否 → 继续

Q2：是否需要 Agent 跨进程 / 分布式运行？
    是 → AgentScope
    否 → 继续

Q3：是否需要复杂的消息机制（多轮对话、中断恢复、消息持久化）？
    是 → 考虑 AgentScope
    否 → Spring AI + 自研循环（推荐）

默认答案是「Spring AI + 自研循环」。因为：

理由	说明
单 Agent 场景占绝大多数	企业里 80% 的需求是单 Agent + 几个工具
可靠性才是难点	无论用哪个框架，超时/熔断/审计都要自己写
与 Spring 生态一致	依赖注入、配置、监控、事务全部复用现有能力
依赖更少	Spring AI 是 Spring 官方项目，稳定性更有保障

4.3 推荐的演进路径

阶段一（0-3 个月）：Spring AI + 手写 ReAct 循环
    └─ 验证业务价值，跑通 1-2 个场景

阶段二（3-6 个月）：抽取自研 Harness
    └─ 把超时/熔断/审计/状态沉淀成可复用组件（03B）

阶段三（6 个月+）：按需引入 AgentScope
    └─ 只在真正需要多 Agent 协作的模块引入，与 Spring AI 共存

阶段二的自研 Harness 是本课程的核心交付（03B-13）。它的定位是：框架不管的可靠性，我来管。

4.4 混合架构：两者共存

┌─────────────────────────────────────────┐
│  Web 层 / API 网关（Spring Boot）        │
├─────────────────────────────────────────┤
│  编排层                                  │
│  ├─ 单 Agent：Spring AI + 自研 Harness   │
│  └─ 复杂子图：AgentScope Bridge          │
├─────────────────────────────────────────┤
│  共享基础设施                            │
│  审计 / 配额 / 追踪 / 工具权限（Spring）  │
└─────────────────────────────────────────┘

关键：无论用哪个引擎，共享同一套基础设施（审计、权限、配额）。这样切换引擎不会丢失治理能力。

5. 代码走查

5.1 统一抽象：让两者可切换

// ch03-agent/src/main/java/com/aitech/agent/agent/AgentRunner.java
public interface AgentRunner {

    /** 统一的运行入口：输入目标，输出结果与轨迹 */
    AgentResult run(AgentRequest request);
}

public record AgentRequest(String runId, String goal, String tenantId,
                           String userId, List<String> allowedTools,
                           Duration timeout) {}

public record AgentResult(String answer, List<Step> trace,
                          int iterations, int totalTokens, Status status) {
    public enum Status { DONE, MAX_ITERATIONS, TIMEOUT, NEED_APPROVAL, FAILED }
}

定义自己的 AgentRunner 接口是关键一步。这样：

• 初期用一个 SpringAiAgentRunner 实现；
• 需要时再加一个 AgentScopeRunner；
• 上层编排代码完全不动。

5.2 Spring AI 实现

// ch03-agent/src/main/java/com/aitech/agent/agent/SpringAiAgentRunner.java
@Component
@ConditionalOnProperty(name = "agent.engine", havingValue = "spring-ai", matchIfMissing = true)
public class SpringAiAgentRunner implements AgentRunner {

    private final ReactLoop loop;
    private final AuditLogger audit;

    @Override
    public AgentResult run(AgentRequest req) {
        audit.logStart(req);
        try {
            String answer = loop.run(req.goal(), req.allowedTools());
            return AgentResult.done(answer, loop.lastTrace());
        } finally {
            audit.logEnd(req);
        }
    }
}

5.3 AgentScope 桥接（示意）

// ch03-agent/src/main/java/com/aitech/agent/agent/AgentScopeRunner.java
@Component
@ConditionalOnProperty(name = "agent.engine", havingValue = "agentscope")
public class AgentScopeRunner implements AgentRunner {

    @Override
    public AgentResult run(AgentRequest req) {
        // 把 AgentRequest 映射到 AgentScope 的消息与 Agent 配置
        // 运行子图，把结果映射回 AgentResult
        // 注意：审计/权限仍在 Harness 层，不依赖 AgentScope
        ...
    }
}

5.4 通过配置切换

agent:
  engine: spring-ai      # 或 agentscope
  max-iterations: 10
  timeout: 60s

6. 跑起来

git checkout ch03-02-framework-choice
mvn -q test -Dtest=AgentRunnerSwitchTest

# 1. 用默认引擎跑
curl -X POST http://localhost:8080/api/agent/run \
  -d '{"goal":"查一下北京今天天气，适合户外运动吗"}'
# 期望：返回结果 + trace，engine=spring-ai

# 2. 切换引擎（若已配置 AgentScope）
# 改 application.yml: agent.engine=agentscope，重启
# 期望：同样的请求返回同样的结构（trace 格式一致）

检查项	通过标准
接口统一	两个引擎返回同一个 AgentResult 结构
切换不改业务	上层编排代码零改动
审计不丢	切换引擎后审计日志仍然完整
默认可用	不配 AgentScope 时系统正常工作

7. 生产避坑

1. 不要为了「以后可能需要多 Agent」而提前上重型框架。先用手写循环验证业务价值，等真的需要协作模式时再引入。提前引入的成本是确定的，收益是不确定的。
2. 定义自己的 AgentRunner 抽象，不要直接在业务代码里用框架类型。这是唯一能让你后期切换引擎而不改业务的做法。成本极低（一个接口），收益很大。
3. 无论用哪个引擎，审计与权限必须放在自己的 Harness 层。依赖框架提供的审计能力，意味着换框架时治理能力跟着丢——而治理能力恰恰是你最不能丢的东西。

8. 延伸与锚点

• 思考题：工具越来越多（20+），模型选不准工具了，怎么办？（答案在下一课时：工具设计）
• 代码锚点：git checkout ch03-02-framework-choice
• 下一课时：03-03 工具设计与参数 Schema
• 对应课件：L03-02 框架选型