import io.leavesfly.evox.agents.specialized.ChatBotAgent; import io.leavesfly.evox.core.message.Message; import io.leavesfly.evox.core.message.MessageType; import io.leavesfly.evox.models.provider.openai.OpenAILLM; import io.leavesfly.evox.models.provider.openai.OpenAILLMConfig; import java.util.Collections; public class QuickStart { public static void main(String[] args) { // 1. 配置 OpenAI（也可换成 Ollama / DeepSeek / Gemini 等其他提供商） OpenAILLMConfig config = new OpenAILLMConfig(); // config.setApiKey(System.getenv("OPENAI_API_KEY")); // config.setModel("gpt-4o-mini"); // 2. 创建聊天机器人 ChatBotAgent agent = new ChatBotAgent(new OpenAILLM(config)); agent.setName("QuickBot"); agent.initModule(); // 3. 发送消息 Message userMsg = Message.builder() .content("你好！请用一句话介绍你自己。") .messageType(MessageType.INPUT) .build(); Message response = agent.execute("chat", Collections.singletonList(userMsg)); // 4. 获取回复 System.out.println("AI: " + response.getContent()); } }

// 创建短期记忆 ShortTermMemory memory = new ShortTermMemory(100); // 创建带记忆的聊天机器人 ChatBotAgent agent = new ChatBotAgent(llm, memory); // 持续对话，机器人能记住之前的内容 agent.execute("chat", List.of(Message.of("我叫张三"))); agent.execute("chat", List.of(Message.of("我叫什么名字？"))); // AI 回复：你叫张三

// 同步执行 Message result = agent.execute(actionName, messages); // 使用默认动作的简便方式 Message result = agent.execute(messages); // 异步执行（返回 Reactor Mono） Mono<Message> resultMono = agent.callAsync("你好");

DebateFramework framework = new DebateFramework(); framework.addAgent(agent1); // 正方 framework.addAgent(agent2); // 反方 // 辩论主题 Message result = framework.debate("人工智能是否会取代人类工作？", 3); // 3轮辩论

// 顺序工作流 Workflow workflow = WorkflowBuilder.sequential() .name("用户注册流程") .goal("完成新用户注册") .step("验证信息", validationAgent) .step("创建账户", createAccountAgent) .step("发送欢迎邮件", emailAgent) .maxSteps(100) .build(); // 执行工作流 WorkflowResult result = workflow.execute(initialInput);

// 构建 RAG 配置 RAGConfig config = RAGConfig.builder() .embedding(RAGConfig.EmbeddingConfig.builder() .dimension(1536) .build()) .chunker(RAGConfig.ChunkerConfig.builder() .strategy("fixed") .chunkSize(500) .chunkOverlap(50) .build()) .retriever(RAGConfig.RetrieverConfig.builder() .topK(3) .similarityThreshold(0.7) .build()) .build(); // 创建 RAG 引擎 RAGEngine ragEngine = new RAGEngine(config, embeddingService, vectorStore); // 索引文档 ragEngine.indexDocuments(documents); // 检索相关文档 RetrievalResult result = ragEngine.retrieve("如何使用 EvoX 创建工作流？");

// 短期记忆（滑动窗口） ShortTermMemory shortTerm = new ShortTermMemory(100); // 长期记忆（向量检索） InMemoryLongTermMemory longTerm = new InMemoryLongTermMemory(); // 记忆管理器（自动协调） MemoryManager memoryManager = new MemoryManager(shortTerm, longTerm); // 存储记忆 memoryManager.addMessage(message); // 检索相关记忆 List<Message> relevantMemories = memoryManager.retrieve("上次讨论的话题");

// 切换模型提供商只需替换 LLM 实现类 ILLM llm = new DeepSeekLLM(new DeepSeekLLMConfig()); // 或 ILLM llm = new AnthropicLLM(new AnthropicLLMConfig()); // 或本地 Ollama ILLM llm = new OllamaLLM(new OllamaLLMConfig()); // 智能体调用方式完全相同 ChatBotAgent agent = new ChatBotAgent(llm);

List<BaseTool> tools = List.of( new FileSystemTool(), new HttpTool(), new ShellTool(), new CalculatorTool() ); ToolAwareAgent agent = new ToolAwareAgent(llm, tools); agent.execute(List.of(Message.builder() .content("帮我读取 data.txt 并计算文件中所有数字的总和") .messageType(MessageType.INPUT) .build()));

PromptOptimizer optimizer = new PromptOptimizer(llm, evaluator); String optimizedPrompt = optimizer.optimize(originalPrompt, trainingData);

HITLManager hitlManager = new HITLManager(); // 注册审批介入点 hitlManager.registerInterceptor("approval", (context) -> { // 展示待审批内容 System.out.println("待审批: " + context.getData()); // 等待人工审批 return getUserApproval(); }); // 在工作流中触发人工介入 workflow.addHITLPoint("approval");

// MCP 服务器 MCPServer server = new MCPServer(); server.registerTool(new FileSystemTool()); server.start(); // MCP 客户端 MCPClient client = new MCPClient("http://localhost:8080"); client.callTool("readFile", Map.of("path", "data.txt"));

// 加载技能定义文件 SkillLoader loader = new SkillLoader(); BaseSkill skill = loader.load("skills/code-review.yaml"); // 注册到技能注册表 SkillRegistry registry = new SkillRegistry(); registry.register(skill); // 作为工具挂载到智能体 ToolAwareAgent agent = new ToolAwareAgent(llm, List.of(new SkillTool(registry)));

// 配置重试策略 RetryPolicy policy = RetryPolicy.builder() .maxAttempts(3) .initialDelay(Duration.ofSeconds(1)) .maxDelay(Duration.ofSeconds(10)) .build(); // 配置熔断器 CircuitBreaker breaker = new CircuitBreaker("llm-breaker"); // 通过重试执行器执行智能体调用 RetryExecutor executor = new RetryExecutor(policy, breaker); Message result = executor.execute(() -> agent.execute(messages));