ooderAgent 深度实战——给你的应用挂上懂程序的 AI Chat小助手

🎯 5W 速览：快速了解 ooderAgent Skills-LLM

💡 开篇：一个程序员的烦恼

想象一下这个场景：你正在开发一个招聘管理系统，需要实现简历筛选功能。传统的做法是：

• 写正则表达式解析简历
• 维护技能关键词库
• 手动调整匹配算法
• 处理各种格式异常

但是，如果你有一个懂程序的 AI Chat小助手呢？

你只需要说："帮我筛选有 5 年以上 Java 经验的候选人"，AI 就能自动理解、解析、评估，甚至还能学习你的偏好，越用越聪明！

一、Skills-LLM 体系：让程序拥有"智慧"

1.1 什么是 Skills-LLM？

Skills-LLM 是 ooderAgent 的核心架构，它将 LLM（大语言模型）的能力封装成可复用的 Skill（技能），让你的应用程序能够：

1.2 整体架构图

1.3 核心组件一览

二、实战：5 分钟给你的应用挂上 AI 助手

2.1 快速开始流程

激活处理协作定义 Skill配置技能元数据激活 Skill创建运行时上下文处理请求AI自动理解和执行A2A协作多Agent智能协作

1定义你的 Skill

首先，创建一个 skill.json 文件，定义你的 AI 助手能做什么：

{ "skillId":"recruitment-skill","name":"招聘助手","version":"1.0.0","metadata": {"llmConfig": {"systemPrompt":"你是招聘场景的智能助手...","temperature":0.7,"functions": [ {"name":"scan_resume","description":"扫描并解析简历","parameters": {"resumeId": {"type":"string"} },"capability":"resume_scan"} ] },"knowledgeConfig": {"defaultLevel":"ADVANCED","ragEnabled":true,"knowledgeFiles": ["skills.md","knowledge/advanced.md"] } } }

2激活 Skill

使用 SkillActivationContext 激活你的 Skill：

// 激活 Skill SkillActivationContext context = SkillActivationContext.activate( ActivationRequest.builder() .skillId("recruitment-skill") .userId("user-xxx") .roleId("hr-assistant") .build() ); // 获取系统提示词 String systemPrompt = context.buildSystemPrompt(); // 获取函数定义 List<Map<String, Object>> tools = context.getTools();

3处理用户请求

当用户发送消息时，AI 助手会自动处理：

// 用户发送消息 context.addUserMessage("请帮我筛选有 5 年 Java 经验的候选人"); // 调用 LLM LlmResponse response = llmProvider.chatWithFunctions( context.buildSystemPrompt(), context.getMessages(), context.getTools() ); // 处理 Function Calling if (response.hasToolCalls()) { for (ToolCall toolCall : response.getToolCalls()) { // 自动执行函数 Object result = context.executeFunction( toolCall.getName(), toolCall.getArguments() ); } }

4多 Agent 协作（可选）

如果需要多个 AI 助手协作，使用 A2A 上下文传递：

// 简历筛选 Agent 传递上下文给面试安排 Agent ContextTransfer transfer = transferHandler.prepareTransfer( sourceContext, TransferMode.SELECTIVE, Set.of(ContextPart.USER_CONTEXT, ContextPart.KNOWLEDGE_CONTEXT) ); // 面试安排 Agent 接收上下文 LlmSceneContext targetContext = transferHandler.receiveTransfer( transfer, targetSceneId );

三、进阶技巧：让你的 AI 助手更聪明

3.1 知识库四级加载

根据场景智能加载不同级别的知识：

// 根据场景选择加载级别 KnowledgeContext knowledge = KnowledgeContext.builder() .knowledgeBaseId("recruitment-kb") .loadLevel(KnowledgeLoadLevel.ADVANCED) // 选择进阶级别 .build();

3.2 A2A 上下文传递流程

Agent B (目标)A2A协议层Agent A (源)Agent B (目标)A2A协议层Agent A (源)1. 选择传递模式2. 过滤上下文部分3. 序列化上下文A2ACommandTransferMode: SELECTIVEIncludedParts: [USER, KNOWLEDGE]传输上下文1. 验证权限2. 反序列化上下文3. 合并到本地上下文4. 更新运行时状态确认接收传递完成

3.3 角色定义

为你的 AI 助手定义专业角色：

// 定义 HR 助手角色 RoleContext role = RoleContext.builder() .roleId("hr-assistant") .roleName("HR 助手") .definition("你是招聘场景的智能助手...") .guidelines(Arrays.asList( "熟悉招聘流程和最佳实践", "保护候选人隐私信息", "提供客观公正的候选人评估" )) .build();

3.4 记忆管理

让 AI 助手记住对话历史：

// 创建记忆上下文 MemoryContext memory = MemoryContext.builder() .sessionId("session-xxx") .maxHistoryLength(20) // 保留最近 20 条消息 .build(); // 添加消息 memory.addMessage("user", "请帮我筛选简历"); memory.addMessage("assistant", "好的，我来处理"); // 获取历史 List<Message> history = memory.getRecentHistory(10);

四、完整案例：招聘管理系统

🎯 案例目标

构建一个智能招聘管理系统，实现：

• 简历智能筛选
• 候选人评估
• 面试安排
• 自动通知

4.1 系统架构

4.2 业务流程图

4.3 核心代码

// 1. 初始化招聘 Skill SkillActivationContextrecruitmentContext =SkillActivationContext.activate(ActivationRequest.builder() .skillId("recruitment-skill") .roleId("hr-assistant") .knowledgeBaseIds(Arrays.asList("recruitment-kb")) .build() );// 2. 处理简历筛选请求publicvoidprocessResumeScreening(StringresumeId) {// 添加用户消息recruitmentContext.addUserMessage("请分析简历 "+ resumeId +"，评估候选人匹配度");// 调用 LLMLlmResponseresponse = llmProvider.chatWithFunctions( recruitmentContext.buildSystemPrompt(), recruitmentContext.getMessages(), recruitmentContext.getTools() );// 处理 Function Callingif(response.hasToolCalls()) {for(ToolCalltoolCall : response.getToolCalls()) {switch(toolCall.getName()) {case"scan_resume":ResumeResultresult = resumeService.scan( toolCall.getArguments().get("resumeId") ); recruitmentContext.addToolResult( toolCall.getId(), result );break;case"evaluate_candidate":Evaluationeval = evaluationService.evaluate( toolCall.getArguments() );if(eval.getScore() >0.8) {// 高分候选人，传递给面试安排 AgenttransferToInterviewAgent(recruitmentContext, eval); }break; } } } }// 3. A2A 上下文传递privatevoidtransferToInterviewAgent(SkillActivationContextcontext,Evaluationevaluation ) {ContextTransfertransfer = transferHandler.prepareTransfer( context.getContextId(),TransferMode.SELECTIVE,Set.of(ContextPart.USER_CONTEXT,ContextPart.KNOWLEDGE_CONTEXT,ContextPart.FUNCTION_CONTEXT ) );// 发送给面试安排 Agenta2aClient.send(A2ACommand.builder() .type(A2ACommandType.LLM_CONTEXT_SHARE) .targetAgent("interview-agent") .contextTransfer(transfer) .build() ); }

五、最佳实践与注意事项

💡 最佳实践

• 合理选择知识加载级别：根据场景选择 BASIC/ADVANCED/EXPERT/FULL
• 明确角色定义：为 AI 助手定义清晰的角色和行为准则
• 管理好对话历史：设置合理的 maxHistoryLength，避免上下文过长
• 使用 A2A 协作：复杂场景拆分为多个 Agent，通过 A2A 协作
• 监控和日志：记录关键操作，便于调试和优化

⚠️ 注意事项

• 敏感信息保护：不要在上下文中传递密码、Token 等敏感信息
• 上下文大小限制：注意 Token 限制，避免超出 LLM 的最大上下文长度
• 错误处理：Function Calling 可能失败，需要做好错误处理
• 权限控制：A2A 传递时要验证源 Agent 的身份和权限
• 性能优化：批量操作使用 embedBatch，减少 LLM 调用次数

六、结语：开启智能应用新时代

🚀 从"程序"到"智能体"

通过 Skills-LLM 体系，你的应用程序不再是冰冷的代码，而是拥有了"理解、推理、执行"能力的智能体。

无论是招聘管理、客户服务、数据分析，还是任何业务场景，只需要：

1. 定义 Skill（技能）
2. 配置知识库（知识）
3. 设定角色（人格）
4. 激活运行（启动）

你的应用就拥有了一个懂业务的 AI 小助手！

现在，就开始给你的应用挂上懂程序的 AI 小助手吧！ 🎉

作者：Ooder Team

发布日期：2026-03-09