agent - 属性配置对照表

1、内置智能体属性配置对照表

2、配置建议与说明

SimpleAgent (单次直连)：侧重于 输入 -> 处理 -> 输出 的轻量逻辑。它是唯一支持 handler 的智能体，适合作为原子化的任务节点。

ReActAgent (推理增强)：侧重于 思考 -> 行动 -> 观察 的循环。配置核心在于 toolAdd 配合 maxTurns，确保推理过程既能闭环又不会由于模型幻觉导致无限死循环。

TeamAgent (多机协作)：侧重于 编排与分发。它是唯一支持 protocol 和 agentAdd 的容器。它不直接管理工具，而是通过协议将任务路由给不同的 Agent 成员。

3、配置示例

表述自己：

SimpleAgent resumeAgent = SimpleAgent.of(chatModel)
                .name("ResumeExtractor")
                .role("简历信息提取器")
                .instruction("请从用户提供的文本中提取关键信息")
                .outputSchema(ResumeInfo.class)
                .build();

用 outputSchema 指定输出架构，提取数据：

SimpleAgent resumeAgent = SimpleAgent.of(chatModel)
        .role("你是一个专业的人事助理")
        .instruction("请从用户提供的文本中提取关键信息")
        .outputSchema(ResumeInfo.class)
        .build();

String userInput = "你好，我是张三，今年 28 岁。我的邮箱是 zhangsan@example.com。我精通 Java, Solon 和 AI 开发。";

ResumeInfo resumeInfo = resumeAgent.prompt(userInput)
        .call()
        .toBean(ResumeInfo.class);

用 outputKey 传递成果：

TeamAgent team = TeamAgent.of(chatModel)
                .name("template_team")
                .role("翻译团队")
                .agentAdd(ReActAgent.of(chatModel)
                        .name("translator")
                        .outputKey("translate_result")
                        .role("翻译官")
                        .instruction("直接输出译文，不要任何前缀解释。")
                        .build())
                .agentAdd(ReActAgent.of(chatModel)
                        .name("polisher")
                        .role("润色专家")
                        .instruction("请对这段译文进行优化：#{translate_result}")
                        .outputKey("final_result")
                        .build())
                .protocol(TeamProtocols.SEQUENTIAL)
                .build();
                
team.prompt("人工智能正在改变世界").call();

使用 MCP，以及执行选项 options 传递工具上下文：

McpClientProvider mcpClient = McpClientProvider.builder()
            .channel(McpChannel.STREAMABLE)
            .url("http://localhost:8080/mcp")
            .build();
            
SimpleAgent agent = SimpleAgent.of(LlmUtil.getChatModel())
                .toolAdd(mcpClient)
                .build();

agent.prompt("杭州今天天气怎么样？")
        .options(o -> o.toolContextPut("TOKEN", "xxx"))
        .call();