核心要点
Spring AI 定位偏「框架原语」：ChatClient、Tool Calling、Advisors、ChatMemory，而非现成的 Agent 黑盒
ReAct = 在这些原语上手写控制流：思考（Reason）→ 选工具（Act）→ 执行 → 观察（Observation）→ 回灌上下文 → 循环，直到模型判断完成
把工具用 @Tool/ToolCallback 注册给 ChatClient，每轮让模型决定下一步动作或给出最终答案，用 ChatMemory 维护推理与观察过程
防死循环是关键：设最大迭代次数、成本/时间预算，并明确终止判断（模型声明完成或无新动作），超限即终止或转人工
标准回答
Spring AI 的定位
Spring AI 没有把「自主 Agent」封成一键黑盒，而是提供一组 框架原语：ChatClient（统一对话入口）、Tool Calling（把方法暴露给模型调用）、Advisors（在请求/响应链上做拦截增强，如 RAG、日志）、ChatMemory（多轮记忆）。构建 ReAct Agent，本质是用这些原语自己拼出控制流，而不是期待框架替你做规划。
ReAct 循环的骨架
ReAct（Reason + Act）的核心是让模型显式「边想边做」：每一轮先 推理（Thought） 当前该干什么，再决定 动作（Action）——调用某个工具或直接给出最终答案；工具执行后把 观察（Observation） 结果回灌进上下文，进入下一轮。用 Spring AI 实现时，外层是一个由你掌控的 while 循环：调用 ChatClient → 若模型发起工具调用则执行并把结果加入记忆 → 否则视为产出最终答案、跳出循环。
用框架原语拼装
把可用工具通过 @Tool 注解或 ToolCallback 注册到 ChatClient；模型在每轮可自主选择调用哪个工具，框架负责 Function Calling 的参数解析与回填。用 ChatMemory 把每轮的 Thought、工具入参出参、Observation 累积为过程上下文，让模型基于完整历史决定下一步。可用 Advisor 注入系统提示（约束输出 ReAct 格式或要求每步声明是否完成）、做 RAG 增强或统一记录 trace。系统提示是关键：明确告诉模型「需要更多信息就调用工具，信息足够就直接回答」。
终止与防死循环
自主循环最大的风险是失控。必须设 最大迭代次数 与 成本/时间预算，达到上限即强制终止并降级（返回已有信息或转人工）。终止判断有两类信号：模型显式声明「已完成」并给出最终答案，或某轮不再产生新的工具调用。对重复或低收益的动作（反复调同一工具拿同样结果）做去重并提前结束。每步可校验工具结果是否有效，避免模型在错误观察上空转。
可观测与可靠性
把每轮的推理、动作、观察、耗时与成本落 trace，便于复盘 Agent 为何绕路或失控。工具失败做有限重试加退避，不可恢复则降级。评估上关注端到端任务完成率与平均迭代步数，而非单步工具成功率，才能真实反映这套手写 ReAct 控制流的可靠性。
常见误区
⚠️ 常见踩坑
把 Spring AI 当成自带「自主 Agent」的框架，期待一行配置就能规划——它给的是原语，控制流要自己写。另一个常见错误是只管让模型循环调用工具，却不设最大迭代、预算与明确终止判断，导致死循环、成本爆炸或在错误观察上空转。还有人忽视 ChatMemory，每轮丢失之前的 Thought/Observation，模型无法基于完整过程推进。最后，只看单步工具调用是否成功、不看端到端任务完成率，会高估 Agent 可靠性。
追问
追问 1：ChatMemory 在 ReAct 循环里具体维护什么，为什么不可省？
追问 2：如何在循环中可靠地判断「任务已完成」该退出？
主要有两类信号。其一是模型主动声明完成：在系统提示里约定输出格式，要求模型在信息足够时直接给出最终答案而非再发工具调用，框架检测到本轮无工具调用即视为结束。其二是结构化终止条件：要求模型每轮显式输出「是否完成」字段或特定结束标记，由外层循环解析判断。两者都应叠加硬性兜底——最大迭代次数与成本/时间预算，达到即强制终止，避免模型永远不声明完成而无限绕圈。
🔗 相似问题
同一考点的不同问法，面试官可能换着问，一起刷更稳
没找到想看的面试题？把你想看的告诉我们 →
延伸学习
按主题分类的相关资源，便于系统复习